Detecção de atividade de voz: saber quando a pessoa terminou
Como a detecção de atividade de voz separa fala de silêncio em uma ligação, por que o timing falha e como ajustar a espera para o agente não interromper nem demorar.
Quando duas pessoas conversam ao telefone, quase nunca pensam em quem fala em seguida. Um agente de voz precisa calcular isso. O primeiro passo é uma pergunta surpreendentemente simples, feita várias vezes por segundo: tem alguém falando agora? O componente que responde se chama detecção de atividade de voz, ou VAD (voice activity detection).

Este guia explica o que o VAD faz, por que ele é mais difícil em uma linha telefônica do que em uma sala silenciosa, o que significam as configurações e como ajustá-las. Para uma visão geral de como funciona um agente de voz, leia Como a IA de voz funciona em uma ligação telefônica.
O que a detecção de atividade de voz faz
O VAD analisa um fluxo de áudio em fatias muito curtas e classifica cada uma como fala ou não fala. As versões simples medem só o volume. As melhores são modelos treinados que reconhecem o padrão da fala humana e ignoram cliques de teclado, um caminhão passando ou uma televisão ao fundo.
Essas classificações alimentam três decisões em um agente de voz:
- Início da fala: a pessoa começou a falar, então o agente deve escutar e, se estiver falando, avaliar se deve parar.
- Fim da fala: a pessoa ficou em silêncio por tempo suficiente para que a vez dela provavelmente tenha terminado, então o agente pode responder.
- Nada para transcrever: se o áudio for só ruído, o reconhecedor de fala não é acionado para adivinhar palavras.
Como tudo o que vem depois do VAD depende dele, um VAD ruim faz um bom agente parecer ruim. Uma resposta que chega enquanto a pessoa ainda está falando raramente é um problema de linguagem; quase sempre é um problema de timing.
Por que as ligações telefônicas complicam
Uma linha telefônica é um canal estreito e comprimido, que muitas vezes transporta alguém na rua, no carro ou em uma loja. Essa combinação borra a fronteira entre fala e ruído. O guia Por que o áudio telefônico é difícil para o reconhecimento de fala analisa o áudio em si; aqui estão os efeitos específicos sobre o VAD.
O que confunde um detector
- Ruído de fundoTrânsito, vento e conversas de cafeteria podem ser confundidos com fala e manter a vez aberta.
- Pessoas que falam baixoUma voz suave pode ser classificada como silêncio, e o agente fala por cima.
- Pausas no meio da fraseAs pessoas param para pensar, soletrar um nome ou procurar um número na bolsa.
- Eco e retorno da própria vozA voz do agente vazando de volta pode parecer a pessoa falando.
- Respirações e interjeiçõesSons como "hum" ou um suspiro podem ou não contar como uma vez de falar.
O dilema do limite de silêncio
A configuração que mais importa é quanto tempo um silêncio precisa durar para o sistema decidir que a pessoa terminou. Vamos chamá-la de limite de silêncio. É um dilema sem valor perfeito.
Limite de silêncio curto x longo
| Espera curta | Espera longa | |
|---|---|---|
| Sensação da ligação | Rápida e dinâmica | Mais lenta e pausada |
| Risco | Interrompe enquanto a pessoa está pensando ou ditando um número | Silêncio depois de cada resposta; as pessoas se repetem |
| Indicado para | Trocas curtas de sim ou não | Nomes, endereços, dados de conta, pessoas idosas ou hesitantes |
Pense no conteúdo da ligação. Se você faz principalmente perguntas de sim ou não, uma espera curta funciona. Se as pessoas precisam informar um e-mail ou um número de referência, uma espera mais longa evita que o agente entre durante uma pausa entre os dígitos.
Velocidades diferentes para perguntas diferentes
Alguns sistemas permitem variar a paciência por pergunta. Seja rápido ao perguntar se a pessoa quer um retorno; seja paciente ao pedir o CEP. Se a sua plataforma não permite isso, escolha a configuração que atende à pergunta mais difícil, porque cortar a pessoa irrita mais que uma pausa curta.
Como ajustar o VAD no Call
No Call, cada agente de IA tem uma seção Transcritor, na qual você escolhe o idioma que ele escuta ou deixa que ele detecte o idioma automaticamente. Dois controles deslizantes definem como ele decide que a pessoa terminou. O limite de silêncio é o número de segundos de silêncio antes de a vez da pessoa terminar, ajustável entre 0 e 1,5 segundo; valores menores aceleram a alternância de turnos e valores maiores permitem pausas mais longas. O controle de sensibilidade a ruído torna o agente mais ou menos sensível ao som de fundo. Um aviso nessa página mostra quais dessas configurações as ligações reais usam hoje, então confira antes de gastar tempo com ajustes.
Um ciclo simples de ajuste
- Comece pelo padrãoFaça um conjunto de chamadas de teste de referência antes de mudar qualquer coisa.
- Teste os casos difíceisLigue de um lugar barulhento, fale devagar, faça uma pausa no meio de um número, fale baixo.
- Mude uma configuraçãoAjuste o silêncio ou a sensibilidade a ruído, não os dois ao mesmo tempo.
- Teste de novo e compareUse o mesmo roteiro, para que as diferenças venham da configuração.
- Revise ligações reaisProcure nas transcrições pessoas cortadas ou silêncios longos e ajuste de novo.
Pense em uma pessoa hipotética informando um código de reserva. Ela diz os quatro primeiros caracteres, olha o e-mail de confirmação e continua depois de dois segundos. Com uma espera curta, o agente já respondeu, a pessoa recomeça e os dois falam ao mesmo tempo. Com uma espera mais longa, a mesma pessoa completa o código de uma vez. Agora imagine alguém que só precisa dizer sim. A espera mais longa custa a ele um segundo de silêncio a cada turno. A configuração certa depende de qual dessas ligações você espera com mais frequência.
Quem liga do celular traz mais uma complicação. Aparelhos com supressão de ruído agressiva às vezes cortam a primeira sílaba de uma frase, então o início da fala chega atrasado. Se as pessoas muitas vezes parecem começar a falar e ser ignoradas, experimente a configuração de ruído mais sensível e teste de novo a partir de um celular.
Como interpretar os sintomas
Muitas vezes dá para saber em que direção uma configuração está errada ouvindo as ligações.
| O que você ouve | Causa provável | O que tentar |
|---|---|---|
| O agente fala por cima da pessoa | Espera de silêncio curta demais, ou fala baixa não detectada | Aumente o limite de silêncio e a sensibilidade a ruído |
| Pausas longas antes de cada resposta | Espera de silêncio longa demais | Reduza um pouco o limite |
| O agente responde a nada | Ruído tratado como fala, então a vez nunca se fecha | Reduza a sensibilidade a ruído |
| O agente ignora quem fala baixo | Fala tratada como ruído | Aumente a sensibilidade a ruído |
| As respostas parecem lentas mesmo com espera curta | Atraso em outra parte do processo | Veja o guia de latência |
O atraso tem várias origens além do VAD. O guia Latência em IA de voz: por que as respostas parecem lentas separa essas origens, e Como lidar com barge-in e interrupções trata do que acontece quando a pessoa fala enquanto o agente está falando.
Além do silêncio: decisões mais inteligentes sobre o fim do turno
O silêncio sozinho é um sinal grosseiro. Abordagens mais novas também consideram o que foi dito: uma frase que termina em "e" ou "ou", ou um número dito pela metade, provavelmente indica que vem mais, enquanto uma pergunta completa provavelmente não. Esses métodos são descritos em mais detalhes em Alternância de turnos em agentes de voz. Seja qual for a técnica, trate as promessas dos fornecedores como hipóteses e confirme-as com as suas próprias ligações.
Antes de entrar no ar, confirme que
- O agente não interrompe quando as pessoas ditam números
- Uma pausa de um ou dois segundos não é tratada como fim do turno
- Alguém em uma rua barulhenta ainda consegue ser entendido
- A voz do próprio agente não aciona o detector
- Você ouviu ligações feitas de celulares, não só de telefones de mesa
- Você sabe onde mudar as configurações se as ligações reais revelarem um problema
Próximos passos no Call
Abra as configurações de voz do agente, revise a seção do transcritor e faça uma chamada de teste que toque no seu próprio telefone pela linha. Depois, abra a ligação no histórico de chamadas, onde um gestor pode ver quanto tempo levou cada turno de fala, e compare com a sensação da ligação. Pequenas mudanças no limite de silêncio são mais fáceis de avaliar ouvindo lado a lado do que de memória.
Perguntas frequentes
O que significa VAD?
Voice activity detection, ou detecção de atividade de voz. É a parte de um sistema de voz que distingue a fala do silêncio e do ruído de fundo.
VAD é o mesmo que reconhecimento de fala?
Não. O VAD só decide se alguém está falando. O reconhecimento de fala transforma a fala em texto. Os dois trabalham juntos, e o VAD também decide quando parar de escutar e começar a responder.
Por que o agente às vezes me interrompe?
A espera de silêncio provavelmente está curta demais para o seu jeito de falar, ou uma pausa foi tratada como fim do seu turno. Aumentar o limite de silêncio costuma ajudar.
Por que há uma pausa longa antes de o agente responder?
A espera de silêncio pode estar longa, ou o atraso está em outro lugar, como na geração da resposta. Confira primeiro as configurações e depois veja o tempo de resposta no histórico de chamadas.
O ruído de fundo afeta o resultado?
Sim. O ruído pode ser confundido com fala e manter a vez aberta, e a fala baixa pode ser confundida com ruído. As configurações de sensibilidade a ruído e chamadas de teste feitas em lugares realistas ajudam a encontrar um equilíbrio.
Uma única configuração serve para todo mundo?
Raramente. Escolha um valor adequado às perguntas mais exigentes e revise ligações reais, porque pessoas pacientes e apressadas se comportam de formas diferentes.