Meu cliente prefere mandar áudio no WhatsApp — a IA entende ou faz ele repetir digitando?
Entende — o cliente não precisa repetir nada digitando. O agente transcreve o áudio (fala vira texto) e trata essa mensagem exatamente como trataria qualquer outra: lê, extrai o que importa, segue a conversa. A única exceção é quando o áudio traz um número que decide algo — valor, data, quantidade, placa — aí o agente confirma esse número antes de agir, porque transcrição erra número mais do que erra frase. E a resposta, hoje, sempre volta em texto, nunca em áudio de volta.
A IA realmente entende o áudio, ou faz o cliente repetir digitando?
Entende, sem pedir repetição. O áudio passa primeiro por transcrição (STT — speech to text) e o texto que sai dali entra no fluxo da conversa exatamente como entraria se o cliente tivesse digitado. Não existe um "modo áudio" à parte, com regra própria — é a mesma máquina de conversa, só muda a forma de entrada.
Isso importa porque dá pra imaginar que voz precisa de um sistema dedicado só pra "lidar com fala". Não é assim aqui: o áudio entra pela mesma porta do canal do agente — o mesmo WhatsApp que a empresa já usa, sem número novo nem app extra —, vira mensagem de turno normal, e segue pro resto do fluxo — extração de sinal, qualificação, resposta — sem distinção. O motor que decide o próximo passo da conversa nem sabe se aquele texto veio de dedo ou de voz transcrita.
Por que só o número é confirmado, e não a frase toda?
Porque é ali que o erro de transcrição custa caro. Texto digitado dificilmente troca "quinze" por "cinquenta" — voz transcrita troca, principalmente com ruído de fundo, sotaque forte ou fala rápida. E no desenho desse agente, uma vez que ele decide uma rota (por exemplo, que já tem dado suficiente pra seguir pra uma oferta ou um agendamento), essa decisão vira um fato travado no estado: o motor não volta atrás sozinho, pra não ficar em loop com o cliente.
Travar uma decisão em cima de um número mal transcrito seria travar um erro. Por isso a regra é pontual: número crítico vindo de áudio — valor, data, quantidade, placa — é confirmado antes de qualquer ação em cima dele. O resto da mensagem segue direto, porque errar ali gera, no pior caso, uma pergunta de esclarecimento — não uma decisão já tomada errada.
Por que a resposta não volta em áudio também?
Porque é escolha de design, não limitação escondida: o agente sempre responde em texto, mesmo pra quem escreveu por voz. Não existe geração de fala de volta (TTS) na versão atual — decidido assim de propósito.
Texto de volta tem vantagem prática: o cliente relê, copia um valor, mostra a mensagem pra outra pessoa, sem precisar reouvir um áudio inteiro atrás de um trecho. É mais fácil de conferir num momento corrido — que é justo quando a maioria manda áudio.
Isso é a mesma "IA de voz" de outros casos, tipo o app financeiro?
O mecanismo de transcrição por trás é parecido, mas o uso é diferente. No app financeiro por voz, a pessoa fala o próprio dado (um gasto) e o sistema mostra o que entendeu numa tela de confirmação antes de guardar — ali, quem fala é o dono do dado.
Aqui quem fala é o lead, dentro de um atendimento, e o agente ouve pra entender pedido ou intenção — não pra registrar um dado que o cliente está reportando sobre a própria vida financeira. A confirmação, quando existe, não é uma tela de revisão geral: é pontual, só no número que decide algo.
No agente de atendimento por WhatsApp que a Estefani & Co mantém rodando ao vivo, o áudio entra pela mesma camada de canal que recebe texto e vira, dali em diante, só mais uma mensagem de turno dentro da máquina de estados que decide o fluxo — não existe caminho separado pra voz. Duas decisões de projeto do blueprint do motor cobrem esse ponto: todo número que pesa numa decisão (valor, data, quantidade — o tipo de dado que vira fato travado assim que o agente decide uma rota) precisa ser confirmado quando chega por áudio, porque transcrição erra número mais do que erra texto digitado, e erro travado no estado não se desfaz sozinho; e a resposta volta sempre em texto — a decisão de não gerar voz de volta no v1 foi fechada de propósito, como escopo definido, não como algo que "ainda não deu tempo" de construir.
Perguntas frequentes
Preciso pedir pro cliente digitar em vez de mandar áudio?
Não. O agente transcreve e trata a mensagem como texto digitado — o cliente manda do jeito que já manda hoje.
E se a transcrição errar um número importante, tipo um valor?
É o que a confirmação evita. Número crítico vindo de áudio nunca é usado direto numa decisão — o agente confirma antes de seguir.
A IA responde em áudio de volta, já que entendeu o que mandei?
Não, hoje ela sempre responde em texto — decisão de projeto (v1 sem geração de voz), não limitação temporária.
Isso é a mesma tecnologia do app que transcreve fala em dado financeiro?
O motor de transcrição é parecido, mas o uso muda: lá a pessoa dita o próprio dado com tela de confirmação; aqui o agente ouve o lead numa conversa e trata aquilo como mais uma mensagem.
Isso exige trocar de número de WhatsApp ou de sistema pra funcionar?
Não. O agente entra por cima do WhatsApp que a empresa já usa — o áudio é só mais um tipo de mensagem por esse mesmo canal, sem número novo nem sistema novo.