Resumo do Webinar: Como Criar Agentes de IA com Voz Natural

A maioria das equipes quer criar um agente que soe natural.

A lacuna que a maioria das equipes encontra está nos agentes que concluem a tarefa, mas não entendem contexto, urgência ou emoção. E, quando quem liga percebe isso, a confiança cai — assim como a qualidade da interação.

Em nosso recente Workshop ao vivo: como criar agentes de IA que soam naturais, Luigi Sambuy (engenharia de implantação) mostrou o que diferencia um agente com som robótico de um que parece realmente humano.

Por que soar natural é mais difícil do que parece

A maioria das equipes que implementa agentes já resolveu a questão da precisão — o agente dá a resposta certa, reserva a mesa certa, cancela o voo certo. 

O mais difícil é acertar a forma de falar.

Um agente que não espelha a emoção de quem liga, não percebe a urgência e responde a todas as perguntas no mesmo ritmo monótono sempre parecerá artificial, por mais corretas que sejam suas respostas. Os clientes não querem apenas que o problema seja resolvido — eles querem se sentir ouvidos enquanto isso acontece.

As quatro características de um agente que soa natural

1. Ritmo e fluidez — cadência natural, pausas e variação de velocidade em vez de uma fala monótona
2. Espelhamento — responder com preocupação a quem liga frustrado e com acolhimento a boas notícias
3. Contexto — usar o histórico do usuário, sistemas da empresa e referências culturais e regionais para que as respostas não sejam genéricas
4. Identidade — uma voz realmente criada para a marca, não uma opção padrão pronta para uso

Demonstração: um agente que soa natural em ação

Cenário: Um cliente liga para o Rosette Restaurant para remarcar a reserva. É o quinto aniversário de casamento, e ele está atrasado.

O que é mostrado:

• O agente começou de forma acolhedora, reconhecendo o aniversário antes de fazer qualquer outra coisa
• Percebeu uma pequena divergência entre o horário informado da reserva e o que realmente estava agendado, e pediu esclarecimentos em vez de supor
• Remarcou a reserva para as 21h e ofereceu proativamente uma mesa perto da janela para a ocasião, sem que fosse solicitado
• Ao longo da ligação, o agente usou pausas naturais, palavras de preenchimento e um tom que se ajustava ao momento — tranquilizador, acolhedor e sem pressa

Por que isso importa: Nada disso veio de um modelo diferente ou de uma plataforma mais poderosa. Veio do prompt. O prompt de sistema deu ao agente permissão para se corrigir no meio da frase, interromper a fala naturalmente enquanto "procura algo" e mudar o tom emocional para acompanhar quem liga — as mesmas técnicas disponíveis hoje para qualquer equipe que desenvolve na plataforma.

Sete recursos para criar agentes naturais

1. Tags emocionais — disponíveis no modo expressivo do modelo conversacional v3; o principal recurso para variar o tom
2. Ruído de fundo — sons de escritório, ambiente urbano ou digitação para um contexto mais familiar e humano
3. Tom no prompt de sistema — é aqui que está a maior parte da diferença
4. Configurações de proatividade (proativo / normal / paciente) — ajustadas ao tempo que a interação precisa
5. Dicionário de pronúncia / palavras-chave — para nomes, marcas e palavras estrangeiras que o agente poderia pronunciar incorretamente. 
6. Configurações de saída — algumas equipes adicionam deliberadamente telefones tocando ao fundo em vez de áudio impecável, pois clientes que migram de uma central de atendimento tradicional estão acostumados a esse tom levemente abafado
7. Design de voz ou clonagem — criar uma voz totalmente personalizada e alinhada à marca, em vez de escolher uma pronta para uso. O design de voz permite usar um prompt para pedir algo específico, como "um homem na casa dos trinta que parece estar falando por um headset". Clonagem de voz vai de um clone instantâneo, com cerca de 30 segundos de áudio, a um clone profissional, com mais material e maior fidelidade. 

Práticas recomendadas para agentes que soam naturais

Escreva o tom diretamente no prompt de sistema. É aqui que está a maior parte da diferença entre um agente monótono e um natural. Dê ao agente permissão explícita para se corrigir no meio da frase ("como as pessoas realmente falam"), interromper a fala naturalmente enquanto procura algo e deixar o silêncio acontecer após algo sério antes de responder.

Associe as tags emocionais ao momento. Uma tag "excited" não é adequada para um momento sério ou delicado. Posicione as tags intencionalmente onde elas realmente ocorrerão na conversa e adapte-as ao estado emocional de quem liga conforme a chamada avança, como um tom calmo e tranquilizador para alguém ansioso, em vez de rápido, mas acolhedor, para alguém com pressa.

Defina a proatividade de forma intencional. O modo proativo funciona em trocas rápidas e com muita informação; o paciente funciona quando alguém precisa de tempo para encontrar um documento ou número. Usar o modo proativo como padrão em todos os casos pode fazer um agente parecer insistente, e não natural.

Escolha o LLM para cada nó. Use modelos mais leves e rápidos para etapas simples de roteamento e modelos mais capazes para nós que tomam decisões de fato. 

Trate a latência percebida como parte do que é "natural". Além da escolha do modelo, tanto a geração especulativa de turnos — que permite ao modelo começar a formular uma resposta enquanto quem liga ainda está falando — quanto palavras de preenchimento em tempos limite suaves reduzem a sensação de duração da pausa, mesmo quando o tempo de resposta real não mudou.

Localize em vez de traduzir. Escolha vozes realmente treinadas no idioma de destino, use um dicionário de pronúncia e, em casos de uso com apenas um idioma, considere escrever o próprio prompt nesse idioma para melhorar o desempenho. O Multilingual v2 continua sendo uma boa opção quando baixa latência entre idiomas importa mais do que variedade expressiva.

Monitore seu agente. Use testes de simulação para validar um agente sem chamadas reais, critérios de avaliação para pontuação de aprovação/reprovação após a chamada e análise de sentimento a cada turno para identificar exatamente onde, em uma conversa, o agente usou o tom errado. Depois, use esse sinal para ajustar o prompt.

Assista à sessão completa

Assista ao webinar completo aqui.