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 percebe 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 avançada) mostrou o que diferencia um agente com voz robótica de outro que parece genuinamente 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 reflete 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 durante o processo.

As quatro características de um agente com voz natural

1. Ritmo e fluidez — cadência, pausas e variação de velocidade naturais, em vez de uma fala monótona
2. Espelhamento — responder com preocupação a quem liga frustrado e com calor humano às boas notícias
3. Contexto — usar o histórico do usuário, sistemas empresariais 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

Demonstração: um agente com voz natural em ação

Cenário: Um cliente liga para o Rosette Restaurant para remarcar sua 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
• Ele identificou uma pequena divergência entre o horário informado da reserva e o que realmente estava agendado, e esclareceu a situação em vez de adivinhar
• Ele remarcou a reserva para as 21h e ofereceu proativamente uma mesa perto da janela para a ocasião, sem que o cliente precisasse pedir
• Durante toda a 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, perder o fio naturalmente enquanto “buscava algo” e mudar seu tom emocional para acompanhar quem ligou — as mesmas técnicas disponíveis hoje para qualquer equipe que desenvolva na plataforma.

Sete recursos para criar agentes naturais

1. Tags emocionais — disponíveis no modo expressivo do modelo conversacional v3 e no Eleven v4; o principal recurso para variar o tom
2. Ruído de fundo — ambiente de escritório, sons urbanos ou barulho de digitação para um contexto mais familiar e humano
3. Tom no prompt de sistema — é onde está, de fato, a maior parte da diferença
4. Configurações de proatividade (proativo / normal / paciente) — ajustadas ao tempo que a interação exige
5. Dicionário de pronúncia / palavras-chave — para nomes, marcas e palavras estrangeiras que o agente poderia pronunciar errado. 
6. Configurações de saída — algumas equipes adicionam deliberadamente telefones tocando ao fundo em vez de áudio impecável, pois clientes que vêm de uma central de atendimento tradicional estão acostumados com esse tom levemente abafado
7. Criação de voz ou clonagem — criar uma voz totalmente personalizada e alinhada à marca, em vez de escolher uma opção pronta. A criação de voz permite usar um prompt para 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. 

Boas práticas para agentes com voz natural

Defina o tom diretamente no prompt de sistema. É aí que está, de fato, a maior parte da diferença entre um agente monótono e um natural. Dê ao agente permissão explícita para se corrigir no meio da frase (“do jeito que as pessoas realmente falam”), perder o fio naturalmente enquanto busca algo e deixar o silêncio acontecer depois de algo sério antes de responder.

Combine as tags emocionais ao momento. Uma tag “animado” não é adequada para um momento sério ou arriscado. Posicione as tags de forma intencional nos pontos em que elas realmente ocorrerão na conversa e adapte-as ao estado emocional de quem liga conforme a chamada avança, por exemplo: 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 interações ágeis e com muitas informações; o modo paciente funciona quando alguém precisa de tempo para buscar um documento ou número. Usar o modo proativo como padrão em todos os casos pode fazer o 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 avançados para nós que tomam decisões de verdade. 

Considere a latência percebida como parte do que é “natural”. Além da escolha do modelo, a geração especulativa de turnos — que permite ao modelo começar a formar uma resposta enquanto quem liga ainda está falando — e palavras de preenchimento durante tempos limite suaves reduzem a sensação de duração de uma 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 em um único idioma, considere escrever o próprio prompt nesse idioma para melhorar o desempenho. O Multilingual v2 continua sendo uma ótima opção quando uma latência ágil entre idiomas importa mais do que a variedade expressiva.

Monitore seu agente. Use testes de simulação para validar um agente sem chamadas reais, critérios de avaliação para pontuação de aprovação ou 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.