Tecnologia
Vá além do pipeline de três etapas.
A maioria das soluções de IA de voz usa um modelo de transcrição, um LLM e um modelo de TTS — ou um único modelo speech-to-speech. ThunderPhone roda vários modelos em cada chamada e faz com que eles validem uns aos outros.
Arquitetura
Outras stacks falham em chamadas reais.
A nossa aguenta.
Outros provedores usam um pipeline de três etapas ou um modelo speech-to-speech. As duas abordagens geram erros que comprometem chamadas reais.
Cada etapa confia na anterior
- A transcrição mantém uma única hipótese mais provável. Quando ela está errada, o LLM não consegue corrigir o rumo.
- LLMs rápidos cometem erros. Os mais criteriosos levam segundos para responder.
- A alternância rígida de turnos deixa as conversas engessadas.
Soa natural, mas não segue as regras à risca
- Não é confiável ao seguir instruções nem ao acionar ferramentas.
- Um comportamento imprevisível é arriscado em chamadas de negócios.
- Às vezes, entende melhor o que é dito. Nem sempre.
Vários modelos conferindo o trabalho uns dos outros
- Vários transcritores, além do próprio áudio, para entender corretamente quem liga.
- Um LLM rápido e um LLM de raciocínio, alternando a cada turno.
- Calibrados pelo Zeus para o que suas chamadas precisam.
Vários modelos por chamada
Ouvimos de várias formas para depois conciliar.
Chamadas confiáveis exigem muito mais do que três modelos. Combinamos modelos de código aberto e comerciais e fazemos ajustes finos quando isso faz diferença.
Vários transcritores, além do áudio
Executamos vários modelos de transcrição ao mesmo tempo e, muitas vezes, também enviamos o áudio diretamente para um LLM.
Um LLM rápido e um LLM de raciocínio
A conversa define, turno a turno, qual deles responde.
Ruído, falantes e alternância de turnos
Modelos para tratar ruído, separar falantes e detectar o início e o fim de cada turno.
Voz natural, comportamento confiável
Combinamos modelos de fala para fala com modelos de texto em paralelo.
Pipeline de três etapas resposta errada
ThunderPhone resposta certa de primeira
Precisão
Precisão comprovada em benchmark público.
O Big Bench Audio avalia se um modelo entende perguntas difíceis em áudio e responde corretamente.
Nossas avaliações
Avaliações baseadas em chamadas reais.
Testamos cada modelo, em todas as partes do stack, com dados de chamadas reais — não com alegações de fornecedores — e acompanhamos os prós e os contras de cada um. É esse sinal que o Zeus usa para escolher sua configuração.
Em breve, vamos publicar versões das nossas avaliações internas.
| Avaliação com chamadas reais | Modelo A | Modelo B |
|---|---|---|
| Reconhecimento de nomes e números | mais forte | bom |
| Respostas curtas (“sim”, “não”) | bom | mais forte |
| Velocidade de resposta | mais rápido | mais lento |
| Cumprimento de regras longas | mais fraco | mais forte |
Trade-offs
Cada chamada pede uma configuração diferente. Zeus decide qual.
Nossa arquitetura funciona como um menu de modelos para cada etapa: reconhecimento, raciocínio, gestão de turnos e voz. Em cada uma, há opções que equilibram precisão, velocidade e custo. Zeus escolhe a melhor configuração para suas chamadas.
| Recepcionista de clínica odontológica | Vendas ativas | |
|---|---|---|
| Reconhecimento | Três transcritores combinados com o áudio, para reconhecer nomes, datas de nascimento e números de carteirinha do convênio | Um transcritor rápido, otimizado para respostas curtas |
| Raciocínio | Modelo de raciocínio nos turnos de agendamento e modelo rápido para conversas informais | Modelo rápido na maioria dos turnos, para manter o ritmo da abordagem |
| Gestão de turnos | Com paciência: respeita as pausas enquanto quem liga procura a carteirinha | Ágil: responde assim que o potencial cliente para de falar |
| Voz | Voz estável, que repete números com clareza | A voz premium mais natural |
| Objetivo | Agendamentos concluídos, sem dados incorretos | Valor da conversão menos o custo da chamada |
Exemplos meramente ilustrativos. Zeus escolhe cada configuração com base nas suas próprias chamadas e objetivos.
Latência
Rápido na maioria dos turnos. Cuidadoso quando importa.
Alguns turnos da conversa exigem que o modelo raciocine mais a fundo, e isso leva tempo. A maioria pode ser processada muito rapidamente. ThunderPhone ajusta a inteligência a cada turno, então uma resposta típica chega em cerca de 1,5 segundo. Mas, quando necessário, leva mais tempo para evitar erros. Outras soluções de IA de voz não fazem isso.
Tempo de resposta, turno a turno
Chamadas reais
Conversa natural, mesmo em chamadas complicadas.
Quem liga pode interromper, fazer pausas e mudar de ideia — e a conversa continua fluindo. ThunderPhone foi desenvolvido para lidar com as situações que fazem outros sistemas falharem.
Fala embolada
Compara o áudio com o texto, em vez de confiar apenas em uma transcrição.
Nomes e endereços
Cruza nomes próprios, grafias, números e correções.
Áudio ruim na chamada
Modelos especializados em ruído limpam o sinal antes que qualquer outro sistema o processe.
Conversas ao fundo
Identifica conversas paralelas antes que elas tirem o agente de voz do rumo.
Mistura de idiomas na fala
Troca de idioma no meio da chamada assim que quem liga faz o mesmo.
Interrupções e pausas
Para de falar quando quem liga interrompe, ignora o “uhum” e aguarda quando a pessoa faz uma pausa para pensar.
Vozes
Vozes de TTS têm seus prós e contras. Zeus ajuda você a escolher.
Cada modelo de TTS tem seus pontos fortes e limitações. Zeus ajuda você a escolher o ideal para suas chamadas.
| Plataforma Inworld | Premium Cartesia | Premium ElevenLabs v4 Turbo | |
|---|---|---|---|
| Custo | Praticamente grátis | Cerca de 2¢ a mais por minuto | Cerca de 2¢ a mais por minuto |
| Estabilidade | |||
| Naturalidade |
Idiomas
O idioma de quem liga, mesmo no meio da chamada.
Os agentes de voz entendem e falam 62 idiomas, alternando assim que quem liga muda de idioma. Sem custo adicional por idioma.
Teste nas suas chamadas mais desafiadoras.
Comece grátis com $10 em créditos para chamadas. Não precisa de cartão de crédito.