Treinamento de vendas por voz com IA

O problema

Um produto de treinamento de vendas com IA precisa que o aluno converse por voz com um "cliente" simulado, em tempo real. As APIs prontas de voz entregam a experiência, mas custam em torno de US$ 0,20 por minuto. Para um produto com milhares de horas de uso, essa conta inviabiliza o negócio.

O que construímos

Uma prova de conceito que orquestra serviços especializados em vez de depender de uma API fechada:

• Transcrição em streaming do áudio do aluno;
• Modelo de linguagem rápido gerando a resposta do cliente simulado token a token;
• Detecção de frases no gateway, para mandar à síntese de voz frases completas assim que ficam prontas;
• Síntese de voz devolvida em fila para o navegador;
• Interrupção natural (barge-in): o aluno pode cortar a IA no meio da frase, como numa conversa real.

As decisões de engenharia que fazem a diferença

• WebSockets bidirecionais com áudio binário, sem o gargalo de requisições REST.
• Orquestração manual de transcrição, modelo e voz, cada um escolhido pelo melhor custo e latência para a sua etapa.
• Buffer por frase: a voz começa a tocar antes do modelo terminar a resposta inteira.

Resultado

A prova de conceito mostrou que o produto é economicamente viável. É o tipo de decisão que descrevemos em inteligência artificial sob medida.