Voice agent
Um voice agent (agente de voz) é um agente de IA que mantém uma conversa falada em tempo real, ouvindo uma pessoa, decidindo o que dizer ou fazer e respondendo com uma voz sintética, muitas vezes por uma linha telefônica ou em um app.
Também chamado: voice AI agent
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Voice agents atendem linhas de suporte, marcam horários, qualificam leads de vendas e funcionam como assistentes sem uso das mãos. Eles são julgados menos pelo que sabem e mais por quão natural a conversa parece: respostas rápidas, sem falar por cima de quem ligou, e uma boa recuperação quando são interrompidos.
Como funciona
O design comum é um pipeline de três modelos. O speech-to-text transforma o áudio de quem liga em palavras, um modelo de linguagem decide a resposta e chama as ferramentas necessárias, e o text-to-speech fala a resposta. Cada etapa funciona em streaming, então a voz pode começar antes de a resposta completa ser escrita. O design mais novo usa um único modelo speech-to-speech que recebe áudio e devolve áudio, o que pode reduzir o atraso e manter o tom de voz, ao custo de menos controle sobre cada etapa.
Em volta dos modelos ficam as partes difíceis: detecção de turno para saber quando a pessoa terminou de falar, tratamento de barge-in quando ela interrompe, telefonia e chamadas de ferramentas para agendas ou CRMs. Frameworks como o LiveKit Agents e plataformas como Vapi e Retell AI empacotam essas peças.
Por que a latência importa
As pessoas percebem pausas na fala muito mais do que no texto. Cada etapa adiciona atraso, então quem constrói acompanha o time to first token do modelo e o tempo até o primeiro áudio da voz.
Limites
Ruído de fundo, sotaques e falas cruzadas causam erros de transcrição que o resto do pipeline herda. Muitos lugares têm regras sobre informar que a pessoa está falando com uma IA e sobre gravar chamadas; verifique a lei onde você opera.
Termos relacionados
- Modelo speech-to-speech
- Um modelo speech-to-speech (de fala para fala) recebe áudio falado e produz áudio falado diretamente, sem converter primeiro a fala em texto e de volta. Ele é usado em conversas por voz ao vivo e em tradução.
- Text-to-speech
- Text-to-speech (TTS, texto para fala) é um software que transforma texto escrito em áudio falado. O TTS moderno usa redes neurais que preveem o som da fala a partir do texto e depois o renderizam como forma de onda.
- Speech-to-text
- Speech-to-text (fala para texto), também chamado de reconhecimento automático de fala (ASR), é um software que converte áudio falado em texto escrito. Ele está por trás de transcrições, legendas, comandos de voz e da parte que escuta nos voice agents.
- Agente de IA
- Um agente de IA é um sistema em que um modelo de linguagem decide seus próprios próximos passos: chama ferramentas, lê os resultados e repete até concluir a tarefa, em vez de seguir um roteiro fixo.
- Time to first token
- Time to first token (TTFT, tempo até o primeiro token) é quanto um usuário espera entre enviar uma requisição a um modelo de linguagem e receber o primeiro token da resposta, incluindo fila, processamento do prompt e tempo de rede.
- Clonagem de voz
- A clonagem de voz (voice cloning) é o uso de IA para fazer um sistema de text-to-speech falar com a voz de uma pessoa específica, aprendida a partir de uma gravação dela. Alguns sistemas precisam só de uma amostra curta.