As vozes de IA já soam naturais? Uma avaliação honesta da qualidade de voz de uma rececionista de IA

Há dois anos, uma IA a atender o telefone denunciava-se logo nas três primeiras palavras. Hoje, a maioria dos clientes termina a conversa sem pensar duas vezes — e alguns até juram ter falado com uma pessoa. Então, afinal, o que é? Eis um percurso honesto pela qualidade de voz de uma rececionista de IA: o que soa genuinamente natural agora, onde ainda se veem as costuras e por que deve confiar mais nos seus próprios ouvidos do que em qualquer brochura.

Se gere um negócio e está a ponderar deixar um software atender as suas chamadas, a voz é o jogo inteiro. Uma chamada perdida é uma reserva perdida, mas uma chamada atendida por algo que soa a um GPS de 2005 é, sem dúvida, pior — diz ao cliente que não se importou o suficiente para atender e que nem se deu ao trabalho de soar humano ao fazê-lo. Por isso a pergunta justa não é "a voz de IA é impressionante?" É "o meu cliente notaria, e importar-se-ia?"

Este artigo responde a isso com a maior clareza possível. Nós construímos um assistente telefónico de IA, por isso temos interesse na questão — e é precisamente por isso que o vamos apontar para o único teste que não mente: ligue-lhe e ouça você mesmo. Nenhuma quantidade de prosa resolve isto. Mas, antes de o fazer, ajuda saber ao que deve prestar atenção.

A verdade sem rodeios: melhor do que pensa, longe de perfeita

Vamos pôr a conclusão à frente e passar o resto do artigo a justificá-la. A síntese de voz moderna cruzou o limiar onde, numa conversa telefónica curta e focada, a maioria dos clientes não consegue dizer com fiabilidade que é sintética. O tom robótico e monocórdico desapareceu. As respirações, as pequenas hesitações, as subidas e descidas naturais de tom — as coisas que o seu cérebro usa para decidir "isto é uma pessoa" — estão, em grande medida, presentes.

Mas "a maioria dos clientes, na maioria das vezes, em chamadas curtas" está a fazer um trabalho pesado nessa frase. Prolongue uma conversa, atire-lhe um pedido genuinamente esquisito, ou escute com atenção à procura das costuras, e os sinais aparecem. A tecnologia é muito boa e imperfeita ao mesmo tempo, e quem lhe vende "indistinguível de um humano, garantido" está a vender. A versão verdadeira é mais útil: é boa o suficiente para que a voz já não seja o motivo para dizer não.

Porque é que as vozes ficaram boas de repente

Durante a maior parte da última década, a fala de computador era montada — gravações fragmentadas de um ator de voz coladas umas às outras, ou um motor mais antigo a prever uma unidade de som de cada vez. Funcionava, no sentido em que uma legenda se lê. Nunca fluía, porque a fala humana não é uma sequência de sons independentes; a forma como diz uma palavra depende da palavra anterior, do formato da frase e de se está a perguntar ou a afirmar.

A mudança veio quando os modelos aprenderam a gerar um enunciado inteiro como uma única peça contínua de áudio, moldada pelo significado e pela pontuação daquilo que está a ser dito. É por isso que uma voz moderna sabe subir no fim de uma pergunta, abrandar num número de telefone e deixar uma oração cair como as pessoas realmente fazem. Não está a ler — está a interpretar uma fala. Essa única mudança é responsável pela maior parte do salto que já ouviu.

O que "natural" significa mesmo numa chamada telefónica

"Natural" é uma palavra vaga, por isso vamos dividi-la nas coisas que consegue de facto ouvir. Uma conversa telefónica é natural quando quatro coisas se aguentam ao mesmo tempo. Falhe qualquer uma delas e a chamada inteira soa estranha, mesmo que as outras sejam impecáveis.

• Timbre — o som cru da voz: tem o calor, a respiração e a textura de uma pessoa real, ou o brilho plano de uma máquina?
• Prosódia — a melodia e o ritmo: ênfase nas palavras certas, perguntas que sobem, frases que não caem todas no mesmo compasso.
• Ritmo e alternância de vez — responder à velocidade da conversa e saber quando terminou uma frase por oposição a fazer uma pausa a meio do raciocínio.
• Recuperação — o que acontece quando um cliente interrompe, resmunga, muda de ideias ou pergunta algo completamente inesperado.

Eis a ideia-chave para avaliar qualquer rececionista de IA: o timbre e a prosódia estão basicamente resolvidos; é no ritmo e na recuperação que vivem as verdadeiras diferenças. Dois produtos podem usar uma voz que soa igualmente humana isoladamente e depois parecerem mundos à parte numa chamada real, porque um lida com os momentos humanos confusos com graciosidade e o outro tropeça. Quando testar, concentre a sua atenção nos dois últimos, não nos dois primeiros.

Os sinais que ainda a denunciam

Secção da honestidade. Se souber ao que prestar atenção, ainda consegue apanhar uma voz sintética mais vezes do que o marketing sugeriria. Nenhum destes sinais é impeditivo para uma linha telefónica de negócio, mas fingir que não existem seria insultar a sua inteligência.

Interrupções e sobreposição

As pessoas falam por cima umas das outras constantemente, e com graciosidade. Começamos uma frase, ouvimos o outro a arrancar e cedemos sem perder o fio. A IA está a ficar boa a parar quando é interrompida — uma funcionalidade chamada barge-in — mas é na recuperação seguinte que pode vacilar. Corte-a a meio da frase e um sistema mais fraco pode reiniciar a frase inteira, perder o fio ou fazer uma pausa demasiado longa antes de se reorganizar. Um bom sistema absorve a interrupção e segue em frente. Este é o teste mais revelador que pode fazer.

Alcance emocional sob pressão

Para uma chamada de reserva neutra e simpática, as vozes atuais são convincentemente calorosas. Force para uma emoção forte — um cliente genuinamente irritado, sarcasmo, alguém a brincar — e a voz mantém-se sempre no mesmo registo, de uma forma que uma pessoa não teria. Não vai soar propriamente fria, mas não acompanha a energia do cliente como faria uma rececionista humana perspicaz. Para a maioria dos negócios isto está bem; uma voz calma e estável é uma opção por defeito perfeitamente boa. Mas é um sinal, e é uma razão honesta para não encaminhar as suas chamadas mais delicadas e emotivas através da automação.

O pedido verdadeiramente invulgar

O timbre aguenta-se. O que se parte é o conteúdo, e a voz segue o conteúdo na queda. Pergunte algo muito fora do mundo do negócio e um assistente bem construído dirá, sem rodeios, que não pode ajudar com isso e oferecer-se-á para deixar uma mensagem. É a resposta certa — mas o momento tem muitas vezes uma cadência ligeiramente diferente do fluxo suave da reserva, e um cliente atento pode notar a mudança. O sinal aqui não é o som; é a costura entre "lida com isto lindamente" e "chegou ao seu limite".

Sotaques, dialetos e línguas

Escondem-se duas perguntas distintas dentro de "consegue lidar com sotaques?". Uma é se o assistente consegue compreender um cliente com um sotaque regional forte ou um falante não nativo. A outra é se a própria voz do assistente soa nativa e natural numa dada língua. Não sobem e descem juntas, e vale a pena saber qual delas está a testar.

Do lado da saída, as línguas principais soam excelentes — muitas vezes um falante nativo não consegue distinguir. Línguas mais pequenas e dialetos regionais específicos podem soar ligeiramente "de manual": corretos, claros, mas com o polimento de um narrador de curso de línguas em vez de alguém da mesma terra. Do lado da entrada, compreender um sotaque carregado ou um cliente dentro de um carro barulhento é mais difícil do que produzir fala limpa, e é aí que verá a diferença de qualidade mais clara entre um produto sério e um barato.

Isto importa se uma fatia dos seus clientes não fala a língua local de forma nativa — o objetivo de uma linha multilingue é que eles se sintam compreendidos, não apenas que o assistente soe bem para si. É uma capacidade real que vale a pena pôr à prova, não uma caixa a assinalar por fé.

Será que precisa sequer de enganar alguém?

Há um pressuposto embutido em toda esta conversa que merece ser desafiado: que o objetivo é passar por humano. Para uma linha telefónica de negócio, normalmente não é — e persegui-lo pode sair pela culatra.

O que um cliente realmente quer é rapidez: uma saudação calorosa, uma resposta à sua pergunta, uma reserva feita, uma mensagem que lhe chega. Se o calor veio de uma pessoa ou de um modelo bem construído importa-lhe muito menos do que seguir com o seu dia. Os clientes perdoam facilmente "isto é um assistente". O que não perdoam é ficar presos num ciclo, serem mal ouvidos ou serem feitos sentir-se insignificantes. A naturalidade rende-lhe alguns segundos de boa vontade no início da chamada; é a competência que realmente os satisfaz.

Há também uma linha que vale a pena manter por princípio: um assistente não deve fingir ser humano quando um cliente pergunta diretamente. "Estou a falar com uma pessoa real?" merece uma resposta direta. Uma voz boa o suficiente para ser confundida com humana é exatamente a voz que deve ser honesta quando lhe perguntam. Soar natural e ser enganador são coisas diferentes, e só a primeira é algo a que se deve aspirar.

Como avaliar a qualidade de voz você mesmo — um teste de 10 minutos

Já leu opiniões suficientes, incluindo as nossas. Eis como substituir tudo isso por provas. Qualquer assistente telefónico de IA que valha a pena considerar deixá-lo-á falar com ele antes de se comprometer. Ligue-lhe e faça isto de propósito — a maioria das pessoas limita-se a dizer "olá, qual é o horário?" e sai sem informação real nenhuma.

1. 1
   Interrompa-o a meio da frase

   Espere até estar umas palavras dentro de uma resposta e depois corte com uma pergunta nova. Ele para de forma limpa e acompanha-o, ou reinicia, congela ou perde o fio? Este único teste diz-lhe mais do que os quatro seguintes juntos.
2. 2
   Pergunte algo ligeiramente fora do guião

   Não é disparate — uma pergunta real mas desconfortável que um cliente poderia mesmo fazer. Observe como lida com chegar ao seu limite. Um bom sistema admite-o e oferece-se para deixar uma mensagem; um mau sistema disfarça ou entra em ciclo.
3. 3
   Mude de ideias em voz alta

   Marque algo e depois diga "na verdade, podemos antes na quinta-feira?". As conversas reais estão cheias de correções de rota. Veja se ele acompanha ou se fica confuso com a inversão.
4. 4
   Ouça as pausas, não as palavras

   Feche os olhos e repare no ritmo. As respostas chegam à velocidade da conversa? Os intervalos têm o tamanho que uma pessoa deixaria, ou um tempo a mais, um tempo demasiado morto?
5. 5
   Dê-lhe um número de telefone ou um nome estranho

   Diga um número depressa, ou um nome que não seja óbvio. Números, soletrações e nomes invulgares são onde o reconhecimento de fala e a repetição ou brilham ou desmoronam. Peça-lhe para repetir os detalhes.

Pontue os cinco e saberá mais sobre a verdadeira qualidade de voz desse produto do que qualquer tabela comparativa lhe poderia dizer — e sabê-lo-á para o seu caso de uso, na sua língua, com as manias que os seus clientes reais trazem.

Onde está a nossa própria voz — e como o faríamos verificar

Seríamos maus exemplos do nosso próprio conselho se lhe disséssemos para testar toda a gente e depois lhe pedíssemos que acreditasse na nossa palavra. Então: a Vunoon usa vozes da geração atual que, numa chamada normal de reserva ou de esclarecimento, a maioria das pessoas não identifica como sintéticas. Cumprimenta os clientes, responde a partir do perfil que configurou, faz reservas e regista mensagens, e envia-lhe por email um resumo e a transcrição de cada chamada. É construída para responder depressa o suficiente para que a conversa mantenha o seu ritmo, e para passar a bola com graciosidade — deixar uma mensagem, pedir que ligue de volta — em vez de disfarçar quando chega ao seu limite. Quando um cliente pergunta se está a falar com uma pessoa, ela não finge o contrário.

Também não vamos afirmar que iguala uma rececionista humana brilhante numa chamada acesa e emotiva, porque não iguala, e a de nenhum fornecedor honesto iguala. O que faz de forma fiável é garantir que a chamada é atendida calorosamente às 20h de um domingo em vez de tocar sem resposta — e, para a maioria dos negócios, a comparação real não é "IA contra uma ótima rececionista", é "IA contra o atendedor de chamadas". Nessa comparação, a questão da voz praticamente responde a si própria.

Por isso não acredite neste parágrafo. Faça o teste de cinco passos connosco. Configure em poucos minutos, descreva o seu negócio e ligue ao seu próprio assistente para ouvir exatamente como soa a lidar com as chamadas que realmente recebe. Se não passar a sua fasquia, perdeu dez minutos e aprendeu algo. Se passar, ouviu a prova você mesmo — que é a única prova que alguma vez importou.