Agente de voz é sistema em tempo real, não chatbot com microfone. Mistral e monday.com constroem de dois modos

Em um chat de texto, um agente que leva quatro segundos para responder parece lento. Em uma ligação telefônica, quatro segundos de silêncio parecem uma linha caída, e quem liga começa a falar de novo justo quando o agente começa a responder. Agora os dois estão falando, o agente precisa decidir se foi interrompido, e a transcrição em que ele está trabalhando já está desatualizada.

É por isso que agentes de voz são um problema de engenharia diferente de agentes de texto, e dois lançamentos em dois dias mostram as duas formas como os fornecedores estão resolvendo isso.

Duas arquiteturas para a mesma restrição

O Voxtral 3 da Mistral, lançado em 20 de outubro, é um conjunto de componentes. Inclui modelos de transcrição (Voxtral Small Transcribe 3 para precisão, Mini Transcribe 3 para eficiência, ambos cobrindo mais de 50 idiomas com diarização de falantes), um modelo de streaming, Voxtral Mini Transcribe Realtime 3, com detecção de fim de turno e latência configurável de 80 milissegundos a 2,4 segundos, e um modelo de texto para fala com controle sobre emoção, ritmo e ênfase. A documentação da Mistral lista o modelo realtime em preview público.

Por cima fica um SDK de agente de voz construído sobre o LiveKit que executa fala de entrada, raciocínio, tool calls e fala de saída como um único pipeline de streaming, sobre telefonia SIP ou WebRTC. O agente para de falar quando quem chama interrompe, e a previsão de fim de turno combina sinais acústicos e semânticos para reduzir cortes falsos. Cada etapa é um modelo separado, então o modelo de linguagem, a voz ou o idioma podem ser trocados sem reescrever o agente. O preço é publicado por minuto: $0,008 para transcrição realtime, $0,04 para a API completa de agente de voz com Mistral Small 4, $0,08 com um modelo maior. A Mistral oferece uma API hospedada na UE, além de endpoints nos EUA e globais, e self-deployment pelo time de vendas.

O Harmony do monday.com, lançado em 19 de outubro, é um produto. Ele cuida de ligações de vendas da prospecção ao fechamento para clientes de médio porte e enterprise nos EUA, no Reino Unido, na Austrália e em Singapura. Em vez de um modelo grande, roda modelos proprietários pequenos, cada um para uma tarefa (qualificar um lead, capturar dados, tratar uma objeção), coordenados por um motor preditivo em tempo real, com telefonia construída sobre o Twilio. O monday.com relata cerca de 200 milissegundos de áudio de entrada a áudio de saída, transferências warm para representantes humanos com um briefing e write-back para os principais CRMs. A tecnologia de voz veio da aquisição da OneAI. Para um time brasileiro, isso significa que o Harmony hoje não está disponível no Brasil; seria preciso montar componentes como os da Mistral ou escolher outro fornecedor.

Números de latência dos fornecedores em uma escala

0 ms1 segundo

1. 80 msMenor atraso configurável, transcrição do Voxtral Realtime 3
2. Cerca de 200 msHarmony, áudio de entrada a áudio de saída
3. Menos de 500 msTranscrição realtime do Voxtral
4. Menos de 1 sSDK Voxtral, turno completo do agente

O que o orçamento de latência impõe

As ferramentas precisam ser rápidas, ou o agente precisa falar enquanto espera. Uma consulta ao CRM que leva dois segundos é aceitável para um agente de texto e fatal em uma ligação. Agentes de voz precisam de tool calls desenhados para o orçamento: contexto pré-calculado, dados de conta em cache ou uma frase de espera falada enquanto um sistema mais lento responde.

Modelos pequenos e especializados fazem sentido aqui. O desenho do Harmony é o mesmo argumento dos modelos de decisão no caminho crítico do agente, levado ao tempo real: se a maioria das etapas de uma conversa são decisões limitadas, um modelo de fronteira em cada etapa é lento demais antes mesmo de ser caro demais.

Modular versus empacotado é uma escolha de build vs. buy. Os componentes da Mistral deixam uma empresa manter o controle de cada etapa, escolher onde o áudio é processado e trocar partes quando aparecem melhores, ao preço de montar e operar o pipeline. O Harmony entrega a um time de vendas um sistema funcionando com integração de CRM, ao preço de rodar na infraestrutura do monday.com e nas escolhas dele. Nenhum é melhor em geral; as perguntas decisivas são quem precisa ser dono do áudio e quem vai operar o sistema às 2 da manhã.

Os controles que uma ligação exige e um chat não

Consentimento e transparência. No Brasil, ligações ativas de telemarketing precisam usar o prefixo 0303 pelas regras da Anatel, e os consumidores podem pedir à operadora o bloqueio dessas ligações. Gravações e dados de chamada são dados pessoais pela LGPD, e dados biométricos, como uma impressão vocal usada para identificar alguém, são dados pessoais sensíveis (art. 5, II). A divulgação, o consentimento para gravação e as regras de opt-out variam por estado e país.

Áudio como dado. Uma gravação é dado pessoal e se torna dado biométrico quando dela se derivam impressões vocais. Decida a retenção antes do go-live; a Mistral diz que a retenção de áudio pode ser controlada, e essa é a pergunta a fazer a todo fornecedor.

Handoff como caminho desenhado. A Bright Car Finance, a financeira britânica citada pelo monday.com, diz que o agente faz follow-up com todo candidato aprovado imediatamente, qualifica cerca de metade das conversas e transfere 80% delas para consultores ao vivo, e relata um aumento de 9% em negócios fechados em menos de um ano. Os números são do cliente, não auditados, e descrevem um agente cujo trabalho principal é chegar mais rápido a uma pessoa, não substituí-la. Esse é um bom ponto de partida: medir o handoff, não só a taxa de automação.