IA de voz full duplex: porque é que as conversas reais precisam das duas vias abertas

A maior parte da IA de voz ainda fala como um walkie-talkie. Fala-se, espera-se, ela responde e, se tentarmos interromper, continua a falar ou perde completamente o fio à meada.

As pessoas não falam assim. Numa chamada real, ambos os lados ouvem e falam ao mesmo tempo. Dizemos "hum-hum" enquanto a outra pessoa está a meio da frase. Interrompemos para corrigir um pormenor. Fazemos pausas para pensar sem ceder a palavra.

Os modelos de voz full duplex foram concebidos para lidar com este tipo de conversa. Veja como funcionam, porque são importantes para a experiência do cliente e como o Maven Voice os põe a trabalhar em chamadas de suporte reais.

O que significa "full duplex"

O termo vem das telecomunicações. Descreve a forma como um canal gere o tráfego nos dois sentidos.

• Half duplex: os dados circulam nos dois sentidos, mas um de cada vez. O walkie-talkie é o exemplo clássico. Carrega-se para falar, solta-se para ouvir e diz-se "escuto" para que o outro lado saiba que é a sua vez.
• Full duplex: os dados circulam nos dois sentidos em simultâneo. Uma chamada telefónica é full duplex. Consegue-se ouvir a outra pessoa enquanto se fala.

A maioria dos agentes de voz atuais comporta-se como um sistema half duplex, apesar de funcionar sobre linhas telefónicas full duplex. O agente espera pelo silêncio, conclui que o interlocutor terminou, gera uma resposta e reprodu-la. Enquanto fala, está praticamente surdo.

Um modelo de voz full duplex continua a ouvir enquanto fala. Processa o áudio recebido e produz o áudio de saída em paralelo, o que lhe permite reagir ao interlocutor em tempo real.

Como funcionam os modelos de voz full duplex

Para perceber o que muda, comece por ver como a maioria dos agentes de voz é construída hoje. A abordagem habitual é um pipeline em cascata:

1. A conversão de voz em texto transcreve o áudio do interlocutor.
2. A deteção de turno espera por uma pausa suficientemente longa para concluir que o interlocutor terminou.
3. Um modelo de linguagem lê a transcrição e escreve uma resposta.
4. A conversão de texto em voz transforma essa resposta novamente em áudio.

Cada passagem acrescenta atraso e cada passo descarta informação. A transcrição elimina o tom, a hesitação e a ênfase. A deteção de turno baseia-se no silêncio para adivinhar, por isso quem faz uma pausa para encontrar um número de conta é interrompido, enquanto quem fala depressa fica à espera durante um silêncio constrangedor.

Os modelos full duplex eliminam essa cadeia. Trabalham diretamente sobre o áudio nos dois sentidos, no chamado speech-to-speech, e executam a escuta e a fala como dois fluxos contínuos. Isso permite alguns comportamentos que fazem diferença numa chamada em direto:

• Interrupção (barge-in). Quando o interlocutor interrompe com "Não, a outra morada", o modelo para, assimila a correção e ajusta-se. Não termina um guião que o interlocutor já rejeitou.
• Sinais de acompanhamento. Pequenas expressões como "percebi" ou "certo" indicam que o agente está a acompanhar, sem tomar a palavra.
• Alternância natural de turnos. O modelo interpreta a entoação e o contexto, além do silêncio, para distinguir uma pausa para pensar de um pensamento concluído.
• Sinais paralinguísticos. A frustração, a confusão e a urgência transparecem na forma como algo é dito. Um modelo que ouve o áudio diretamente pode responder a isso, ao passo que uma transcrição o teria apagado.

Porque é importante para a experiência do cliente

O suporte telefónico é onde a qualidade da conversa se revela mais depressa. Muitas vezes, quem liga está stressado, a fazer várias coisas ao mesmo tempo ou a ligar porque o self-service já falhou. Cada pausa constrangedora ou correção ignorada gasta paciência.

O full duplex muda vários aspetos que importam a um responsável de suporte:

• Menos escalamentos por frustração. Os clientes carregam no zero quando sentem que não são ouvidos. Um agente que lida com interrupções e correções mantém-nos na conversa.
• Chamadas mais rápidas. Os clientes podem avançar, confirmar dados a meio da frase e saltar passos de que não precisam.
• Recolha de dados mais fiável. Números de conta, moradas e dados de encomendas chegam muitas vezes aos bocados e com correções. Ouvir continuamente facilita acertar à primeira.
• Uma experiência de marca que soa humana. A voz continua a ser o canal que os clientes usam para os problemas mais urgentes. A forma como o agente soa passa a ser a forma como a empresa soa.

O que torna o Maven Voice diferente

Uma voz natural é apenas metade do trabalho. Numa chamada de suporte, o agente também tem de compreender o problema, agir nos seus sistemas e respeitar as suas políticas. O Maven Voice junta a conversação full duplex ao raciocínio e às integrações da plataforma Maven AGI.

Speech-to-speech em produção. O Maven Voice utiliza modelos voz-a-voz em chamadas empresariais em direto, mantendo o tom e o ritmo intactos desde a primeira palavra do interlocutor. O nosso parceiro IBEX considera a Maven a primeira a levar o speech-to-speech para produção plena em contexto empresarial.

Escolha do motor sem reconstruir nada. O Maven Voice funciona com os principais fornecedores de voz, incluindo a OpenAI e a Phonic. Escolhe o motor que melhor se adequa ao seu caso de utilização. A Maven trata da orquestração, do raciocínio e da integração, pelo que trocar ou acrescentar um motor não obriga a começar do zero.

Conversas que terminam em ação. O Maven Voice liga-se aos sistemas que suportam a sua equipa de suporte. Pode verificar uma encomenda e enviar uma substituição, bloquear um cartão e emitir um novo ou reagendar uma marcação, tudo na mesma chamada.

Preparado para áudio real e imperfeito. Testámos o Maven Voice no metro, em aeroportos e em estádios. Os clientes nem sempre ligam de uma sala silenciosa, e o seu agente tem de os ouvir na mesma.

57 idiomas, com mudança a meio da chamada. Os clientes podem mudar de idioma durante a conversa e o Maven Voice acompanha-os.

Adapta-se ao seu contact center. Os clientes ligam para os mesmos números. O Maven Voice funciona com o encaminhamento e as plataformas que já utiliza e, quando é necessária uma pessoa, transfere a chamada com todo o contexto, para que o cliente nunca tenha de se repetir.

Segurança de nível empresarial. A ocultação integrada de áudio e texto protege a informação sensível em trânsito e em repouso, com o respaldo de 15 certificações e avaliações, incluindo ISO 42001 e PCI-DSS 4.0 Level 1.

Clientes de voz como a Papaya Pay já utilizam o Maven Voice para prestar suporte telefónico 24/7, mantendo a qualidade e o controlo nas suas mãos.

Ouça por si próprio

A forma mais rápida de perceber a voz full duplex é falar com ela. Interrompa-a. Mude de ideias a meio da frase. Mude de idioma. Depois, veja-a resolver o problema de ponta a ponta.

** Marque uma demonstração do Maven Voice ** e descubra como as suas chamadas poderão soar.