O que o teste da Sierra mediu e o que encontrou
Em 21 de outubro, a Sierra, empresa americana de agentes de atendimento ao cliente, publicou o τ-i18n, uma ampliação do seu conjunto de testes τ-bench. Ele avalia agentes de voz em cinco idiomas além do inglês: espanhol, português do Brasil, hindi, coreano e mandarim. Foram feitas 2.700 chamadas com três agentes de voz (GPT Live 1, Gemini 3.8 Live e Grok Voice Think Fast 2.0) sobre as mesmas tarefas de companhia aérea, varejo e telecomunicações em cada idioma.
As principais conclusões foram:
- O espanhol se sai bem nas tarefas: a taxa de tarefas concluídas em espanhol ficou apenas 2,4 pontos abaixo do inglês; em português, a diferença foi de 6,4 pontos.
- A conversa é o ponto fraco: em mais de 80% das chamadas, GPT Live 1 e Gemini 3.8 Live não responderam a um turno do cliente, responderam com lentidão ou não cederam a vez. O Grok Voice Think Fast 2.0 teve esse problema em 16% das chamadas.
- Reagem ao que não devem: dependendo do agente, entre 26% e 60% das chamadas tiveram mais de três respostas a interjeições como «uhum» ou a vozes que não se dirigiam ao agente.
- Ninguém vence em tudo: o GPT Live 1 liderou em tarefas concluídas (79,9%) e qualidade da linguagem; o Grok liderou em interação, mas com baixa qualidade de linguagem. Nas palavras da Sierra, o agente que responde mais rápido não é necessariamente o que fala com mais naturalidade.
A Sierra liberou o código para que outros adicionem idiomas e variantes regionais.
Os lançamentos da semana: Mistral e ElevenLabs
Em 20 de outubro, a francesa Mistral AI apresentou o Voxtral 3, uma família de modelos para ouvir, transcrever e falar, com um kit para construir agentes de voz baseado no LiveKit. Segundo a Mistral, a transcrição em tempo real tem latência inferior a 500 milissegundos, cada turno do agente é concluído em menos de um segundo, o espanhol está entre os idiomas suportados e as chamadas telefônicas se conectam por SIP. O serviço de agente de voz custa a partir de 0,04 dólar por minuto e pode ser usado a partir de servidores na Europa ou instalado na infraestrutura do cliente.
No mesmo dia, a ElevenLabs lançou o Eleven Realtime, seus primeiros modelos de voz para voz para agentes, em duas versões: Mini, para conversas de baixo custo, e Max, para tarefas complexas como suporte ou qualificação de leads. A empresa informa um tempo médio até o primeiro áudio de 0,57 segundo para o Max e 0,62 segundo para o Mini, suporte a mais de 90 idiomas e compatibilidade com a interface de tempo real da OpenAI. Todos esses números são do fabricante.
Por que a latência decide se uma chamada funciona
Em uma conversa entre pessoas, as pausas entre turnos são muito curtas. Quando um agente de voz demora a responder, o cliente repete a pergunta, fala por cima do agente ou desliga. Por isso a indústria compete em milissegundos: cada etapa (ouvir, pensar e falar) soma demora, e a isso se acrescenta a viagem do áudio pela rede telefônica e pela internet.
O teste da Sierra mostra que a velocidade não basta. Um bom agente também deve saber quando o cliente terminou de falar, ignorar ruídos ou comentários dirigidos a outra pessoa e se deixar interromper. É a mesma razão pela qual operadoras como Orange e Elisa começam a executar IA de voz dentro de suas redes, mais perto do usuário.
O que isso significa para as empresas na Colômbia e na América Latina
As notícias são boas para quem quer automatizar chamadas em espanhol: há mais opções, preços por minuto mais baixos e um desempenho em tarefas próximo ao do inglês. Mas, antes de contratar um agente de voz, convém fazer estas perguntas ao fornecedor:
- Quanto tempo ele leva para responder em uma chamada real? Peça para medir a demora desde que o cliente termina de falar até ouvir a resposta, pela rede telefônica, não em uma demonstração web.
- Como ele lida com interrupções e interjeições? Tente interrompê-lo, dizer «uhum» ou falar com alguém ao lado.
- Foi testado com o espanhol da Colômbia? Os testes usam espanhol geral; sotaques, nomes próprios, números de documento e endereços locais devem ser validados com chamadas reais.
- Onde a voz e as transcrições são processadas e armazenadas? É um dado pessoal protegido pela lei de proteção de dados.
- Como a chamada é transferida para uma pessoa? Sempre deve existir uma saída para um atendente humano, com o contexto do que já foi conversado.
Na 19 80 TIC Cloud conectamos agentes de voz com IA aos seus números e ao seu PBX ou call center em nuvem, para que você possa testá-los com seus próprios clientes e escalar para um atendente quando for necessário.
