Alliah Audio — agentes de voz que atendem e ligam

o caminho da voz

Da sua fala à resposta dela, em quatro paradas.

O áudio sai do microfone em blocos de 20 ms e volta como voz pelo mesmo canal. O que faz a conversa parecer conversa não é a soma das etapas — é o que acontece entre elas.

01 · escutaDetecta a fala

O VAD separa voz de silêncio e decide quando você terminou de falar. O ponto de corte é ajustável, de 200 ms a 3 s.

02 · transcriçãoVira texto

Transcrição em streaming, em português. O texto chega parcial, palavra a palavra, sem esperar o fim da frase.

03 · respostaO modelo responde

Prompt do agente, variáveis e histórico da ligação. A resposta vem em pedaços e é cortada em sentenças fechadas.

04 · vozSai falando

Cada sentença pronta é sintetizada em paralelo, sem esperar a próxima. A primeira já está tocando enquanto o resto é escrito.

A primeira frase não espera o fim do raciocínio

O laço do modelo só enfileira sentenças; quem sintetiza é outra tarefa rodando ao lado.

É essa separação que decide se a agente começa a falar em 400 ms ou em 2 segundos.

A interrupção é cortada no cliente

Quando você fala por cima, a fila de áudio esvazia no próprio navegador — esperar a ida e volta ao servidor custaria uns 80 ms bem audíveis.

O navegador então informa quanto de fato tocou, e o histórico que vai ao modelo guarda só o que você chegou a ouvir.

o que tem dentro

Do roteiro do agente ao relatório da campanha.

estúdio

O agente é editado, não programado

Saudação, prompt, voz, tempo de silêncio até o fim do turno e aviso de identificação — tudo em formulário, com versão a cada publicação para dar para voltar atrás.

chamadas

A ligação inteira, reproduzível

Gravação, transcrição turno a turno e a latência de cada etapa — quanto foi escuta, quanto foi modelo, quanto foi voz. É onde se descobre quem está devendo o atraso.

conhecimento

Ela responde com o seu material

Documento sobe, é fatiado e indexado com busca vetorial no Postgres. Durante a ligação o trecho certo entra no contexto sem estourar o prompt.

ferramentas

Consultar e agir no meio da conversa

A agente chama uma API sua durante a ligação. A credencial é cifrada em repouso e destino em rede interna vem bloqueado por padrão.

simulação

Testar sem ligar para ninguém

Personas conversam com o agente e um avaliador dá nota por critério do scorecard. Serve para comparar duas versões antes de qualquer telefone tocar.

campanhas

Em lote, com fila e limite

Lista de contatos, cenários e concorrência controlada. Com bloqueio de contato e registro de consentimento de voz na base.

métricas

Comparar versão com versão

Volume, duração, latência e nota agregada. Duas versões do mesmo agente lado a lado, para a mudança no prompt ter um número atrás.

telefonia

Telefone de verdade, quando quiser

Integração com Twilio para discar e receber em número real, por WebSocket de mídia. Desligada nesta instalação: sem número, sem ligação.

modo grátis

Dá para conversar sem nenhuma chave configurada.

É como esta instalação está agora: nenhum provedor pago ligado, custo zero. A voz e a transcrição saem do próprio navegador e o diálogo é roteirizado — serve para sentir o ritmo da conversa e a interrupção antes de pagar por provedor.

A voz é do navegador

a síntese nativa do Chrome fala a resposta; a voz muda de máquina para máquina.

A transcrição também

o reconhecimento nativo escuta você — e por isso só funciona no Chrome e no Edge.

O diálogo é roteirizado

conduz a ligação por etapas e lembra do que já foi dito, mas não é um modelo: o repertório é finito.

O que o modo grátis não faz: a gravação fica muda (o servidor só manda texto), não há interrupção por voz — quem tem a palavra termina, e há o botão interromper na tela — e não serve para telefonia, porque a voz nasce no navegador e não há navegador do outro lado da linha. Ligando Deepgram, Anthropic e ElevenLabs no ambiente, tudo isso passa a valer.

como usar

Três passos até ouvir a agente.

1Abra no Chrome

O painel pede usuário e senha na entrada. Chrome ou Edge, porque a transcrição do modo grátis é a nativa do navegador.

2Escolha o agente e ligue

Vem um agente semeado — "Cobrança amigável". Autorize o microfone e fale; ela responde por voz.

3Volte na chamada

Em Chamadas está a transcrição turno a turno com a latência de cada etapa da conversa que você acabou de ter.

Por que pede senha

A aplicação não tem login: quem alcança a API tem acesso de administrador, às gravações e ao discador. Enquanto o login não existe, a barreira é a senha no servidor — peça a quem publicou.

alliahtestes.xyz/alliahaudio

o problema

Uma agente de voz não falha na resposta. Falha no ritmo.

O conteúdo pode estar perfeito. Se a resposta demora dois segundos, ou se ela não para quando você fala por cima, a pessoa do outro lado desliga — e nenhuma qualidade de texto conserta isso.

01

O silêncio de dois segundos

Você termina a frase e nada acontece. Transcrever, pensar e sintetizar em série soma tudo: cada etapa espera a anterior terminar por inteiro. O usuário não sabe se foi ouvido e repete a pergunta — o que reinicia o ciclo.

02

Ela não deixa você falar

Sem corte por voz, a agente termina o parágrafo dela enquanto você tenta interromper. Conversa humana é feita de atropelo; um sistema que não aceita isso soa como uma URA cara.

03

Ela lembra do que ninguém ouviu

Foi cortada no meio da frase, mas o histórico guardou a frase inteira. Nas próximas respostas ela se refere a algo que só ela sabe que disse — e a conversa descarrila sem que dê para explicar por quê.

04

Quando atrasa, ninguém sabe onde

A ligação ficou lenta. Foi a transcrição, o modelo ou a voz? Sem medir cada etapa separadamente, otimizar vira palpite — e normalmente se otimiza a etapa errada.

05

Mudar o prompt é apostar

Alguém reescreve a instrução, acha que melhorou e publica. Sem versão, sem avaliação por critério e sem número antes e depois, "melhorou" é opinião de quem escreveu.

06

A conta chega depois

Transcrição, modelo e síntese são cobrados por uso, cada um na sua unidade. Sem custo por chamada visível na hora, o piloto vira surpresa no fim do mês.

recursos em profundidade

As decisões que fazem a conversa parecer conversa.

Tudo abaixo está implementado e coberto por teste. O que não está ligado nesta instalação tem seção própria, mais adiante.

latência

Falar antes de terminar de pensar

O laço do modelo e a síntese de voz rodam ao mesmo tempo: um segmentador vai fechando sentenças conforme o texto chega e as empilha; uma segunda tarefa vai retirando da pilha e sintetizando. A primeira frase começa a tocar enquanto o resto ainda está sendo escrito.

Precisão importa aqui: as sentenças são sintetizadas uma de cada vez, em fila. O paralelismo é entre gerar e falar, não entre sentenças — e é esse paralelismo que separa começar a falar em quatrocentos milissegundos de começar em dois segundos.

O segmentador não é um split por ponto: ponto entre dígitos é separador de milhar, reticências só fecham no último ponto, e há uma lista de abreviações em português que nunca fecham sentença.
Se o modelo escrever muito sem pontuar, o corte acontece na vírgula mais próxima — e, na falta dela, no último espaço.

interrupção

O corte acontece no navegador

Quando você fala por cima, a fila de áudio é esvaziada dentro da própria thread de áudio do navegador. Mandar o pedido ao servidor e esperar a volta custaria dezenas de milissegundos — audíveis, e exatamente no pior momento.

Em seguida o navegador informa quantas amostras de fato tocaram. O servidor corta o texto na proporção correspondente, recuando até a fronteira da palavra, e é esse pedaço que entra no histórico, marcado como interrompido. A agente passa a lembrar só do que você chegou a ouvir.

O código admite o próprio limite: é aproximação. Fazer melhor exigiria alinhamento fonema a fonema, que nenhum sintetizador em streaming devolve.
A decisão de cortar é uma regra pura, testada isoladamente: exige energia acima de um limiar e acima do eco medido da própria voz da agente, sustentada por meio segundo.
O eco é medido numa janela de carência logo depois que ela começa a falar, e então congelado — senão a agente se cortaria sozinha.
O aviso de identificação não pode ser interrompido; a saudação, sim. A distinção é deliberada e tem teste.

medição

Quatro relógios, e a honestidade de não medir

Cada turno grava cinco marcas — fim da sua fala, transcrição final, primeiro token do modelo, primeiro áudio da voz e fim da fala dela — e delas derivam quatro latências: escuta, modelo, voz e total.

Quando uma marca chega fora de ordem, o resultado é nulo, não um número negativo. "Não medido" é informação; um valor absurdo é ruído que contamina a média de todo mundo.

O orçamento de latência assumido no código é de 900 ms, com alerta em 1200 ms.
As agregações usam percentil pelo método de posto mais próximo, e a tela da chamada usa o mesmo auxiliar da tela de métricas — para as duas não poderem discordar.

conhecimento

Busca em toda rodada, de propósito

O documento sobe, é fatiado em trechos de cerca de mil e duzentos caracteres com sobreposição, vira vetor e é gravado no Postgres com índice de vizinhança aproximada. A busca por proximidade é filtrada por organização e por base dentro da própria consulta, e descarta trecho abaixo de um piso de similaridade.

A decisão incomum: a busca roda em toda rodada, antes do modelo, sem perguntar a ele se quer buscar. Deixar o modelo decidir custaria uma ida e volta inteira — centenas de milissegundos dentro de um orçamento de novecentos — contra dezenas de milissegundos de uma busca vetorial local.

Busca que falha não derruba o turno: fica registrada como falha de provedor e a agente responde com o que tem.
O nome do arquivo de origem viaja junto com o trecho até o prompt, então dá para saber de onde veio a resposta.
Aceita texto, Markdown, HTML e PDF; a ingestão roda no processo de fundo, nunca dentro da requisição.

ferramentas

Consultar seu sistema sem virar porta dos fundos

Uma ferramenta é um endereço, um método, um esquema de parâmetros e um tempo limite. O modelo enxerga só nome, descrição e parâmetros — a credencial nunca entra no prompt e é guardada cifrada com AES-256-GCM, com uma impressão digital da chave gravada junto para uma rotação saber quais registros ainda estão na chave antiga.

Contra requisição forjada para dentro da rede, a proteção não é uma lista de nomes proibidos: o endereço é resolvido em DNS antes da decisão, e então o IP é conferido. Um domínio que aponta para o endereço local é barrado do mesmo jeito.

Bloqueados por padrão: rede local, faixa privada, o endereço de metadados de nuvem, faixa de operadora, multicast e os equivalentes em IPv6, inclusive endereço IPv4 mapeado.
Redirecionamento não é seguido automaticamente e a resposta é truncada.
Erro de ferramenta vira resultado devolvido ao modelo, não exceção — assim ele conta que a consulta falhou em vez de inventar o dado.
Há teto de saltos de ferramenta por turno, e uma frase de espera toca se o modelo foi direto à consulta sem falar nada antes.

avaliação

O avaliador precisa citar o que leu

Depois da ligação, um modelo mais forte que o da conversa avalia o diálogo fora do caminho crítico. Ele diz se o objetivo foi atingido, justifica, e dá nota de zero a dez por critério do scorecard — cada nota acompanhada de uma citação literal da transcrição.

A citação é conferida contra a transcrição de verdade. Citação inventada é marcada como tal, não aceita. Nota fora da faixa é limitada, critério que o avaliador pulou vira zero com evidência vazia em vez de desaparecer da conta.

Há um detector de alucinação separado que confere se a afirmação da agente se sustenta no contexto que ela recebeu — trechos buscados e resultados de ferramenta — e não no mundo em geral.
Ele valida a si mesmo: afirmação sinalizada que não está literalmente na fala da agente é descartada, porque nesse caso quem alucinou foi o detector.

simulação

Personas que escondem informação

Uma persona tem perfil, humor, nível de conhecimento, objetivo, objeções e informações ocultas. Três regras são impostas: o dado oculto só aparece se a agente perguntar, as objeções saem uma por vez no meio da conversa, e a persona pode encerrar a ligação — porque gente desliga.

A simulação é só texto, sem áudio, e por isso não mede latência. A tela mostra um travessão no lugar do número em vez de inventar um valor que não foi medido.

provedores

Cinco famílias, e um gêmeo falso para cada

Escuta, modelo, voz, vetorização e telefonia são cinco interfaces com uma fábrica única. Trocar de fornecedor é mudar uma variável de ambiente; faltar credencial produz um erro que nomeia a variável que está faltando, em vez de falhar fundo na pilha.

Cada família tem uma implementação falsa, e a suíte de testes força as três da conversa para o modo falso independentemente do que estiver configurado na máquina — nenhum teste gasta crédito nem liga para ninguém.

A voz tem um decorador de reserva: se o primeiro pedaço de áudio não chega a tempo, cai para o provedor secundário. Depois que o áudio já começou a tocar, falha é falha — trocar de voz no meio da frase é pior que interromper.
A escuta reconecta sozinha com espera crescente e guarda um pequeno buffer de áudio, para uma queda não engolir o meio da frase.

os números do motor

Constantes que vieram de tentativa e erro.

Nenhuma delas é arbitrária, e várias são estreitas de propósito. Onde o número for frágil, está escrito que é.

Fim de turno

silêncio até encerrar o turno: 200 ms a 3 s · padrão 700 ms

Abaixo de duzentos milissegundos a agente atropela quem respira; acima de três segundos a conversa trava. O limite está no validador, não só na documentação — não dá para configurar fora da faixa.

Captura de áudio

entrada 16 kHz mono · blocos de 20 ms · saída 24 kHz

O microfone costuma entregar 48 kHz; a reamostragem acontece no navegador, antes de sair pela rede. Vinte milissegundos é o tamanho de bloco que a telefonia também usa.

Detecção de fala

energia mínima 0,02 · confirma fala em 120 ms

É detecção por energia, escrita à mão, não um modelo neural. O evento aponta o início real da fala, não o instante em que ela foi confirmada — senão o começo de cada frase se perderia.

Orçamento de latência

alvo 900 ms · alerta 1200 ms

É o número de engenharia do projeto, o que aparece no medidor da chamada. Diferente da medição do modo grátis citada no topo desta página, que é outra coisa — veja logo abaixo.

Fatiamento de documento

~1200 caracteres por trecho · 200 de sobreposição · até 5 trechos por turno

A sobreposição termina em fronteira de sentença, não no meio da palavra. Reprocessar um documento apaga os trechos antigos na mesma transação, para não duplicar conhecimento.

Comparação entre versões

mínimo de 10 ligações avaliadas de cada lado

Abaixo disso a diferença é ruído, e a tela diz isso em vez de mostrar uma seta verde. Comparar versões de agentes diferentes é recusado com erro explícito.

Sobre os 419 ms que aparecem no topo desta página

É uma medição real, e é honesto dizer exatamente o que ela mede: sete turnos seguidos, cronometrados à mão, no modo grátis, do instante em que o Chrome declara a transcrição final até a agente começar a falar. Mediana 419 ms, pior caso 422 ms, nenhum turno perdido.

O que ela não mede: o tempo que o próprio Chrome leva para decidir que você parou de falar, que fica entre 300 e 1500 ms e está fora do nosso alcance. E não é latência de produto — no modo grátis não há transcrição paga, nem modelo de linguagem, nem voz sintetizada por provedor. Não existe teste automatizado que reproduza esse número. O compromisso de engenharia é o orçamento de 900 ms acima.

o painel

Onze telas, seis entradas no menu.

O painel é organizado por objeto: a ligação, o agente, o que ele sabe, com quem ele treina, o que ele executa em lote e como ele vai.

As telas de produto do painel. Existe ainda uma página interna de referência visual, fora do menu, que não conta como tela de produto.
Seção	Tela	O que resolve
Chamadas	Lista	Todas as ligações com origem, direção, situação, duração e custo estimado.
Chamadas	Detalhe	Gravação, transcrição turno a turno e a latência de cada etapa daquele turno.
Agentes	Lista	Agentes da organização, situação e a versão publicada de cada um.
Agentes	Estúdio	Sete abas — identidade, prompt, voz, conhecimento, ferramentas, comportamento e guardrails — com versão a cada publicação.
Conhecimento	Bases	As bases de conhecimento e o estado de processamento de cada documento.
Conhecimento	Documento	Trechos gerados, origem e o que de fato ficou indexado.
Personas	Lista	Perfis de cliente simulado: humor, nível de conhecimento, objetivo, objeções e informação oculta.
Campanhas	Lista	Campanhas de simulação ou discagem, com situação e progresso.
Campanhas	Detalhe	Cenários, repetições, concorrência, janela de horário e o resultado de cada execução.
Métricas	Painel	Volume, taxa de sucesso, nota média, latência em percentis, custo e duração no período.
Métricas	Comparar	Duas versões do mesmo agente lado a lado, com aviso quando a amostra é pequena demais.

como funciona por dentro

Três aplicações, quatro serviços de apoio.

É a instalação mais complexa deste conjunto de soluções — e a complexidade tem endereço: voz em tempo real não cabe num processo só.

01 · painel Next.js 16

App Router com React 19 e componentes escritos à mão. É a única peça que o navegador enxerga como página.

02 · voz API em Fastify 5

REST mais o WebSocket de mídia. O caminho da voz não passa pelo painel: reescrita de rota não faz troca de protocolo, então o áudio vai direto.

03 · fundo Processos de fila

Ingestão de documento, execução de campanha e avaliação rodam fora da requisição, em filas sobre Redis, com concorrência controlada.

04 · dados Postgres com pgvector

Vinte e duas tabelas, onze enumerações e busca vetorial no mesmo banco. Gravação de áudio em armazenamento de objetos compatível com S3.

organização

Um repositório, três aplicações, quatro bibliotecas

As bibliotecas internas são consumidas como TypeScript, sem etapa de compilação entre elas: o domínio da conversa, os provedores, os codecs de áudio, a busca, as ferramentas, a conformidade e o cálculo de custo ficam num pacote só, usado igualmente pela API e pelos processos de fundo.

É o que garante que a simulação e a ligação de verdade percorram o mesmo motor de conversa, e não duas implementações que divergem com o tempo.

custo

Custo calculado uma vez, no fim da ligação

O valor é computado ao encerrar e gravado na chamada, nunca recalculado na leitura — assim uma mudança de tabela de preço não reescreve o passado.

Duas escolhas honestas no agregado: ligação feita com provedor falso tem custo nulo, não zero, e fica de fora da média; e a tela informa quantas ligações ficaram sem custo, para você saber que fatia do período a média realmente cobre.

A tabela de preços tem data de consulta escrita ao lado e um aviso no próprio código: quem fecha a conta é o painel do provedor, não esta tabela.

telefonia

O que existe para telefone de verdade

A integração com Twilio está escrita e testada nas duas direções: discar, receber num número que roteia para o agente correspondente, transferir para um humano e desligar. O áudio trafega por WebSocket de mídia, com conversão entre o formato da telefonia e o do motor, em quadros de vinte milissegundos ritmados pelo próprio servidor.

Detalhe de segurança que não costuma existir em integração de demonstração: todo webhook confere a assinatura antes de qualquer efeito colateral, com comparação em tempo constante. Sem o segredo configurado, a chamada é recusada — não liberada por conveniência.

Nesta instalação a telefonia está desligada: sem provedor configurado, a rota de discagem responde que o recurso está indisponível. Veja a seção de limites.

para quem é

Quem precisa de conversa, não de menu telefônico.

Cobrança amigável

O agente que vem semeado. Volume alto, roteiro estável, resultado mensurável e uma conversa que precisa soar humana para não virar bloqueio de número.

agente de exemplo · já configurado

Triagem antes do humano

Entender o motivo do contato, buscar no material da empresa e transferir com contexto — em vez de perguntar tudo de novo quando a pessoa chega no atendente.

usa · conhecimento e transferência

Confirmação e agendamento

Ligações curtas e repetitivas onde a agente precisa consultar um sistema no meio da conversa. É o caso que justifica ferramentas com credencial cifrada.

usa · ferramentas

Quem já tem um agente e quer medir

Personas, scorecard, avaliação com citação conferida e comparação entre versões com amostra mínima. Serve para transformar "achei que melhorou" em número.

usa · simulação e métricas

Time técnico avaliando arquitetura de voz

O valor aqui é o motor: segmentação, corte no cliente, truncamento honesto do histórico e medição por etapa. São as partes que costumam faltar em protótipo de voz.

referência · motor de cascata

Quem só quer sentir o ritmo

O modo grátis existe para isso: conversar de verdade, sentir a interrupção e o tempo de resposta, sem contratar provedor nenhum. Abra no Chrome e fale.

custo zero · nenhuma chave

o que você recebe

O que sobra depois que a ligação termina.

Gravação da chamada

Guardada em armazenamento de objetos, com prazo de retenção configurado por organização.

Transcrição turno a turno

Quem falou, o que falou, e o trecho de conhecimento ou a ferramenta que entrou naquele turno.

Latência por etapa

Escuta, modelo e voz separados, mais o total até o primeiro áudio. É onde se descobre quem está devendo o atraso.

Avaliação por critério

Objetivo atingido ou não, nota por critério do scorecard e a citação da transcrição que sustenta cada nota.

Afirmações sem lastro

A lista do que a agente disse e não se sustenta no material que ela recebeu, classificada por gravidade.

Histórico de versões do agente

Cada publicação vira uma versão com prompt, voz, guardrails e limites congelados — dá para voltar atrás.

Métricas do período

Volume, taxa de sucesso, nota média, latência em percentis, custo médio, duração média e taxa de transferência.

Comparação entre duas versões

Lado a lado, com aviso explícito quando a amostra ainda é pequena demais para a diferença significar algo.

Custo estimado por ligação

Calculado no encerramento e congelado ali, para mudança de preço não reescrever o histórico.

Registro de eventos da chamada

Interrupção, busca realizada, ferramenta chamada, pedido de descadastro — doze tipos de evento com hora.

segurança e privacidade

Voz é dado pessoal. O que está protegido e o que não está.

Esta é a seção mais importante desta página. Leia inteira antes de gravar a voz de qualquer pessoa.

Credencial de ferramenta cifrada

AES-256-GCM em repouso, com impressão digital da chave gravada junto para permitir rotação. A credencial nunca aparece na leitura da API nem no prompt.

Requisição para dentro da rede é barrada

O endereço é resolvido em DNS antes da decisão, e a faixa de metadados de nuvem está entre as bloqueadas. A liberação existe, e vem desligada.

Webhook de telefonia com assinatura

Conferida em tempo constante antes de qualquer efeito. Sem o segredo configurado a chamada é recusada, não liberada.

Base legal obrigatória na campanha

O campo não tem valor padrão: campanha sem base legal declarada é recusada, e existe teste de ponta a ponta que garante isso.

Lista de bloqueio conferida duas vezes

Na criação da chamada e de novo no momento de discar. Número bloqueado recebe recusa explícita nas duas portas.

Janela de horário no fuso da campanha

Não no fuso do servidor. Fora da janela, a discagem é adiada em vez de acontecer na hora errada.

Não há login na aplicação

O painel não pede credencial: quem alcança a API tem acesso de administrador, às gravações e ao discador. A barreira é uma senha no servidor web à frente — e nada mais.

A trilha de acesso está degradada

Todo acesso a gravação continua sendo registrado, mas sempre sob o mesmo usuário — sem login, não há como distinguir quem ouviu.

No modo grátis, a voz vai para o Google

A transcrição é a nativa do navegador, e o Chrome envia o áudio aos servidores dele. Para conversa com cliente de verdade, isso não serve — use provedor pago.

Retenção existe como campo, não como faxina

O prazo de guarda e a data de expurgo de cada gravação estão modelados no banco, mas o apagamento automático ainda não roda.

limites

O que ainda não faz.

Distinção que vale para tudo aqui: implementado quer dizer que o código existe e tem teste; ligado quer dizer que está funcionando nesta instalação. Nem tudo que está implementado está ligado.

Esta instalação não tem provedor pago nenhum

Transcrição, modelo, voz, vetorização e telefonia estão todos sem credencial. O que está no ar é o modo grátis, de ponta a ponta. Tudo que esta página descreve sobre Deepgram, Anthropic, ElevenLabs, Cartesia e Twilio descreve código implementado e testado, não configuração ativa.

Não há login

Foi removido a pedido. Não existe tela de entrada, e as rotas de autenticação respondem que não existem — há teste que garante isso. A proteção é a senha no servidor web. Enquanto for assim, não trate esta instalação como ambiente de produção.

No modo grátis não dá para falar por cima

O corte por energia do microfone fica desligado nos dois lados, porque a voz nasce no navegador e o sistema não tem como distinguir com precisão a sua fala do eco dela. Só o botão de interromper na tela corta. Com provedor pago, o corte por voz passa a valer.

No modo grátis a gravação fica muda

O servidor emite silêncio com a duração que a fala teria, porque quem realmente fala é o navegador. A transcrição fica completa; o áudio da agente, não.

O modo grátis só roda em Chrome e Edge

A transcrição depende de uma API que só existe nesses navegadores. E o ajuste de silêncio até o fim do turno não tem efeito nenhum ali — quem decide é o navegador.

O diálogo do modo grátis não é um modelo

É um roteiro. Ele conduz por etapas e lembra do que já foi dito, mas não entende, não raciocina e não segue o prompt que você escreveu no estúdio. O repertório é finito e escrito à mão.

Telefonia desligada nesta instalação

Sem provedor configurado, a rota de discagem responde que o recurso está indisponível. Além disso, o modo grátis não serve para telefone — a voz nasce no navegador e não há navegador do outro lado da linha. Isso está documentado, mas não é impedido em tempo de execução.

Descadastro não alimenta a lista sozinho

As frases de descadastro são reconhecidas e viram evento na chamada, e a lista de bloqueio barra criação e discagem. O que falta é o elo: ninguém ainda alimenta a lista a partir da fala.

Consentimento de voz clonada é só estrutura

A tabela existe e o vínculo com a configuração de voz também. A checagem antes de publicar uma voz clonada ainda não acontece em tempo de execução.

Só a topologia em cascata

A alternativa de voz para voz direta — modelo que ouve e fala sem passar por texto — está prevista no modelo de dados e na interface, mas não implementada. O que existe é escuta, modelo e voz encadeados.

O truncamento da interrupção é aproximado

O corte é proporcional ao áudio reproduzido, recuado até a fronteira da palavra. Fazer melhor exigiria alinhamento fonema a fonema, que nenhum sintetizador em streaming devolve. Em telefonia é ainda mais grosseiro: sem navegador, o motor assume que tudo que saiu foi ouvido.

Nenhum teste produz os 419 ms

A medição foi feita à mão, em sete turnos, numa máquina. É honesta e está documentada, mas não é reproduzível por comando. O compromisso verificável é o orçamento de 900 ms escrito no código.

perguntas frequentes

O que perguntam antes de decidir.

O que exatamente eu consigo fazer hoje, sem contratar nada?

Abrir no Chrome, falar com a agente e ouvir a resposta por voz; interromper pelo botão; ver a ligação registrada com transcrição turno a turno e a latência de cada etapa. Também dá para percorrer o estúdio, o conhecimento, as personas, as campanhas e as métricas.

O que você não vai ouvir é um modelo de linguagem: no modo grátis o diálogo é roteirizado. Para o agente que você escreveu no estúdio responder de verdade, é preciso ligar os provedores.

Por que ela não para quando eu falo por cima?

Porque você está no modo grátis. Ali a voz nasce no próprio navegador e o microfone escuta a agente falando — sem uma referência confiável de eco, o corte por energia se dispararia sozinho a cada frase. Então ele fica desligado, e o corte é pelo botão.

Com provedor de voz pago, o corte por voz passa a valer: exige energia acima de um limiar e acima do eco medido, sustentada por meio segundo, com uma janela de carência logo depois que ela começa a falar.

Como ela consegue começar a falar tão rápido?

Porque não espera o modelo terminar. Um segmentador fecha a primeira sentença assim que ela existe e a manda para a síntese, enquanto o modelo continua escrevendo o resto. Quando a segunda sentença fica pronta, a primeira já está tocando.

A sutileza é que as sentenças são sintetizadas em fila, uma por vez. O ganho vem de sobrepor geração e fala, não de sintetizar tudo ao mesmo tempo.

Se eu cortar no meio, ela lembra da frase inteira?

Não. O navegador informa quantas amostras de áudio realmente tocaram; o servidor corta o texto na proporção correspondente, recuando até o fim da palavra, e guarda no histórico só esse pedaço, marcado como interrompido.

É aproximação, e o código diz isso: precisão real exigiria alinhamento fonema a fonema, que sintetizador em streaming não devolve.

Ela consulta meus documentos durante a ligação?

Sim, e em toda rodada — sem perguntar ao modelo se vale a pena buscar. Perguntar custaria uma ida e volta inteira ao modelo, centenas de milissegundos dentro de um orçamento de novecentos; a busca vetorial local custa dezenas.

Se a busca falhar, o turno não morre: fica registrada a falha e a agente responde com o que tem.

Como sei se ela inventou alguma coisa?

Há um detector que confere cada afirmação contra o contexto que a agente recebeu — os trechos buscados e os resultados de ferramenta — e não contra o mundo. Ele classifica por gravidade.

E ele desconfia de si mesmo: afirmação sinalizada que não está literalmente na fala da agente é descartada, porque nesse caso quem inventou foi o detector.

Dá para provar que a nova versão do prompt ficou melhor?

É para isso que existem as personas, o scorecard e a comparação. Você roda uma campanha de simulação contra as duas versões e compara taxa de sucesso, nota média, latência e custo lado a lado.

Com menos de dez ligações avaliadas de cada lado, a tela avisa que a amostra é pequena em vez de mostrar uma diferença que é ruído. E comparar versões de agentes diferentes é recusado.

Ela pode chamar uma API minha no meio da conversa?

Pode. Você declara o endereço, o método, os parâmetros e o tempo limite; a credencial fica cifrada e o modelo nunca a vê — ele enxerga só nome, descrição e parâmetros.

Destino em rede interna vem bloqueado por padrão, e o bloqueio é feito depois de resolver o nome em DNS, então um domínio apontando para dentro não passa. Erro de chamada volta como resultado para o modelo, para ele dizer que falhou em vez de inventar o dado.

Ela liga para telefone de verdade?

O código está pronto e testado nas duas direções, com validação de assinatura em todo webhook. Mas nesta instalação a telefonia está desligada: não há provedor configurado, e a rota de discagem responde que o recurso está indisponível.

E o modo grátis não serve para telefone de jeito nenhum: a voz nasce no navegador, e não há navegador do outro lado da linha.

Quanto custa uma ligação?

Depende dos provedores que você ligar e da duração. O produto calcula uma estimativa no encerramento de cada chamada e a congela ali, e as telas de métrica mostram o custo médio do período.

Duas ressalvas que estão no próprio código: a tabela de preços tem data de consulta e quem fecha a conta é o painel do provedor; e ligação feita com provedor falso tem custo nulo, não zero — ela fica fora da média, e a tela informa quantas foram.

Isso está pronto para produção?

O motor de conversa, sim, no sentido de estar implementado e coberto por quase seiscentos casos de teste. A instalação, não: sem login, com provedores desligados e com uma parte das obrigações de privacidade ainda modelada em vez de aplicada.

Preferimos escrever isso do que deixar você descobrir depois. A seção de limites é a versão longa da resposta.

glossário

O vocabulário de agente de voz.

Os termos que aparecem no painel, no sentido em que o painel os usa.

Cascata: A topologia em que escuta, modelo e voz são três etapas encadeadas. É a única implementada aqui.
Voz para voz: A alternativa: um modelo que ouve e fala sem passar por texto. Prevista no modelo de dados, não implementada.
VAD: Detecção de atividade de voz — a peça que separa fala de silêncio e decide quando você terminou.
Endpointing: Quanto silêncio esperar antes de considerar o turno encerrado. Curto atropela; longo trava a conversa.
Barge-in: Falar por cima da agente e fazê-la parar. Sem isso, não é conversa: é locução.
Turno: Uma rodada de fala. A unidade em que a transcrição, a latência e as buscas são registradas.
Streaming: Receber a resposta em pedaços conforme é produzida, em vez de esperar o texto inteiro.
Segmentação: Fechar sentenças no meio do texto que ainda está chegando, para mandar a primeira à síntese sem esperar o resto.
Primeiro áudio: O instante em que sai o primeiro som da resposta. É a latência que a pessoa do outro lado sente.
Percentil 95: O valor que só 5% das ligações ultrapassam. Diz mais sobre a experiência ruim do que a média.
RAG: Buscar trechos do seu material e colocá-los no contexto antes de o modelo responder.
Trecho: O pedaço de documento indexado. Aqui, cerca de mil e duzentos caracteres com sobreposição.
Vetor de embedding: A representação numérica de um trecho, que permite achar o mais parecido com a pergunta.
Ferramenta: Uma chamada a um sistema seu que a agente pode disparar no meio da conversa.
Persona: Um cliente simulado com humor, objetivo, objeções e informação que só revela se perguntarem.
Scorecard: Os critérios com peso pelos quais uma ligação é avaliada depois de encerrada.
Alucinação: Afirmação que não se sustenta no material que a agente recebeu. Aqui é detectada e classificada por gravidade.
Versão do agente: Uma publicação congelada com prompt, voz, guardrails e limites. É contra ela que as métricas são comparadas.
Base legal: O fundamento jurídico declarado para contatar aquela lista. Campo obrigatório na campanha, sem valor padrão.
Gêmeo falso: A implementação de mentira de um provedor, usada em teste — para a suíte nunca gastar crédito nem ligar para ninguém.

O jeito mais rápido de entender é falar com ela.

Abra no Chrome, autorize o microfone e converse. Depois volte na chamada e veja a transcrição turno a turno com a latência de cada etapa — do que você acabou de dizer.

Abrir o painel Ler os limites primeiro