Áudio no WhatsApp: como a IA de atendimento lida com mensagem de voz

Boa parte das perguntas que chegam no WhatsApp de uma PME brasileira não vem escrita. Vem em áudio de 40 segundos, gravado no balcão, dentro do carro ou no meio do galpão. Quando o dono da empresa pergunta se a IA "entende áudio", a resposta curta é sim. A resposta útil é mais chata: entender áudio são duas etapas separadas, e a que dá problema não é a que as pessoas imaginam.

O que acontece por dentro

O áudio não chega no modelo de conversa. Ele passa antes por um modelo de transcrição, que devolve texto. Esse texto é que entra no mesmo caminho de uma mensagem digitada: a instrução da IA, a base de conhecimento, as regras de transferência. Quem já tem automação rodando não precisa de um segundo cérebro para atender voz, precisa de uma etapa a mais na entrada.

Isso muda onde o erro nasce. Se a IA responde bobagem para um áudio, na maioria dos casos ela respondeu certinho a um texto errado. O modelo de conversa fez o trabalho dele em cima de uma transcrição ruim, com a mesma segurança com que responderia a uma pergunta bem escrita.

Onde a transcrição erra na vida real

A transcrição de áudio limpo, com uma pessoa falando devagar, é muito boa. O áudio que chega no atendimento raramente é assim. Nos projetos que a gente acompanha, os erros se repetem em cinco lugares:

Ruído de fundo. Balcão com música, motor ligado, chuva no telhado, secador. O modelo não avisa que ouviu mal, ele preenche a lacuna com a palavra mais provável.

Nome de produto e código. É onde mais dói. Uma agropecuária com duas lojas recebe pedidos falados de ração, sal mineral e defensivo, com nome comercial, número e unidade colados: "manda dois do de vinte quilos do adulto". Transcrição troca vinte por vinte e cinco, adulto por adulta, e o pedido continua fazendo sentido gramatical. Ninguém percebe pelo texto.

Quantidade e número solto. Pessoa falando não separa quantidade de embalagem. "Três sacos" pode ser três sacos ou três fardos de saco. "Cinco e meio" pode ser peso, preço ou quantidade.

Duas ou três pessoas falando. Cliente grava perguntando para alguém do lado. A transcrição junta as duas falas numa frase só.

Áudio longo com vários assuntos. Dois minutos com uma reclamação de entrega, um pedido novo e uma pergunta de preço. A transcrição sai correta e ainda assim a resposta sai errada, porque o modelo tende a se ancorar no último trecho, que é o mais fresco no texto. Foi o erro que mais nos custou tempo de ajuste: cliente falava três coisas, a IA respondia a terceira e ignorava as outras duas com naturalidade total.

A regra que a gente escreveu por causa disso

Transcrição nunca vira ação com consequência sem confirmação em texto. Consequência aqui é qualquer coisa que gera compromisso: pedido, quantidade, endereço, data de entrega, valor, agendamento.

Na prática a IA devolve o que entendeu, em texto, item por item, e pede um ok. "Entendi 2 sacos de 20 kg da ração adulto e 1 saco de sal mineral, para retirar hoje na loja da avenida. Confirma?" Parece burocrático até você comparar com o custo de separar o pedido errado e mandar a moto de novo.

A segunda regra é sobre áudio longo. Antes de responder, a IA lista os assuntos que identificou e trata um por um, dizendo em qual deles não pode ajudar. Reclamação de entrega, no exemplo da agropecuária, sai da automação e vai para uma pessoa, com a transcrição anexada. O que a IA não deve fazer é escolher sozinha qual dos três assuntos merece resposta.

Por que a Cordexo não entrega IA respondendo em áudio

Essa é a parte que costuma decepcionar na reunião. A tecnologia de voz sintética está boa e barata, e mesmo assim a gente não coloca voz na saída de atendimento de PME. Quatro motivos:

Texto o cliente lê em diagonal, procura depois na conversa e usa como comprovante do que foi combinado. Áudio obriga a ouvir tudo de novo para achar o número do pedido.

Erro em voz soa como pessoa. Uma informação errada escrita parece falha de sistema. A mesma informação dita com voz humana parece um funcionário da empresa se comprometendo, e o cliente cobra nesse tom.

Voz puxa voz. Quem recebe áudio responde em áudio. O canal fica mais lento para os dois lados e a fila do humano piora.

E tem o motivo prático: não achamos ainda um caso de PME em que a voz na saída resolveu um problema que o texto não resolvia. Pode existir, principalmente em público com dificuldade de leitura ou baixa visão, e nesse caso o certo é testar com esses clientes de verdade em vez de decidir na nossa mesa.

O que a empresa ganha de graça quando liga áudio

Áudio transcrito vira texto pesquisável. Antes de existir automação, tudo que o cliente falava morria dentro de um arquivo de voz que ninguém reabria. Depois da transcrição, o dono passa a poder contar o que é mais perguntado no canal, inclusive nas mensagens de voz, que na maioria das PME é justamente onde estão os pedidos maiores e os clientes antigos. Já vimos empresa descobrir por aí que o produto mais pedido por áudio não estava no site.

O combinado antes de ligar áudio no atendimento

Quatro pontos que precisam estar decididos, com nome de gente atrás de cada um:

1. Lista dos termos da casa. Nome de produto, apelido regional, embalagem, unidade. É o que reduz erro de transcrição no que importa, e sai do próprio histórico do canal.
2. O que exige confirmação escrita. Definir por escrito quais campos nunca passam sem ok do cliente.
3. Limite de duração e de assunto. Acima de quanto tempo o áudio vai para uma pessoa em vez de ser respondido pela IA.
4. Quem lê as transcrições ruins. Alguém precisa olhar por amostra o que a IA entendeu errado, toda semana, e alimentar a lista de termos.

Áudio no atendimento é conveniência para o cliente e dado novo para a empresa. O que decide se ele ajuda ou atrapalha é tratar a transcrição pelo que ela é: um palpite muito bom sobre o que foi dito, não o que foi dito.