IA de voz ainda trava no contexto, dizem executivos do setor
CTO da PolyAI e CMO da Otter afirmam que a voice AI não teve seu momento ChatGPT. Erro de transcrição quebra toda a cadeia de ações automatizadas.
Por Marina Sato · Repórter de IA
Dois executivos, um diagnóstico
Duas empresas, uma queixa em comum. Shawn Wen, CTO da PolyAI (startup britânica que cria agentes de voz com IA para atendimento ao cliente), e Alex Gay, CMO da Otter (aplicativo de transcrição e anotação automática de reuniões), disseram que a IA de voz ainda não teve seu "momento ChatGPT". A declaração foi feita durante painel na conferência HumanX, segundo reportagem do TechCrunch publicada em 11 de outubro.
O que já funciona
Foto: reprodução/tokenpost.com
Segundo Wen, os modelos full-duplex — que falam e escutam ao mesmo tempo, sem a pausa de "sua vez, minha vez" — já são realidade. Novos lançamentos aparecem toda semana, segundo o executivo. Mas isso não basta.
"Chegamos ao marco de desenvolver modelos full-duplex. O próximo desafio é fazer o raciocínio ser muito rápido", disse Wen.
Onde a cadeia quebra
O ponto fraco apontado pelos dois executivos é anterior ao raciocínio: a transcrição. Modelos de reconhecimento automático de fala (ASR) ainda perdem palavras-chave no meio da conversa. Isso compromete a captura do contexto completo.
Gay resumiu o problema em cadeia: se a transcrição original não tem a precisão necessária, todas as ações seguintes saem erradas. Na Otter, isso afeta diretamente a proposta de "gêmeos digitais" — representações de IA que participam de reuniões em nome de uma pessoa. Para o CMO, identificação de quem está falando, captura de intenção e cruzamento com o conhecimento da organização são pré-requisitos antes de qualquer automação mais avançada.
Gay também destacou que conversas relevantes exigem debate e construção de relação, não só pergunta e resposta. Um pipeline que só responde bem a comandos diretos não sustenta esse tipo de interação.
Transparência como condição
Os dois executivos convergem em outro ponto: usuários precisam ser avisados quando estão falando com uma IA e quando a conversa está sendo gravada. Não é um detalhe de compliance — é parte do que falta para o setor ganhar confiança.
O que ainda falta responder
A PolyAI e a Otter concordam sobre o problema, mas nenhuma das duas apresentou um número concreto de quando o erro de transcrição deve cair a um nível aceitável para produção em escala. Também não ficou claro, no relato do TechCrunch, qual o impacto de latência hoje nesses pipelines nem quais métricas internas as empresas usam para medir "confiança" do agente de voz. Até resolver a camada de contexto, o restante do pipeline — raciocínio, resposta, ação — segue dependente de uma base instável.