Com que voz deve falar o seu agente?

Escolha a voz numa chamada real

Umas semanas depois, o seu novo agente de voz com IA, já com a voz que a reunião escolheu, liga a uma cliente. Ela está numa paragem de autocarro, com o trânsito a passar. A voz começa a ler-lhe a hora da entrega e ela desliga antes de chegar à morada.

Se vai escolher uma voz de IA para ligar aos seus clientes, escolha-a tal como eles a vão ouvir: ao telefone, ao longo de uma chamada inteira e nos momentos em que as suas chamadas se complicam. Decida pelo que não pode mudar depois, o carácter da voz, e deixe a pronúncia e o ritmo para mais tarde. Depois ponha as duas melhores vozes nas mesmas chamadas reais e fique com a que mais clientes mantém na linha até aceitarem aquilo que a chamada lhes pede, por exemplo um horário de entrega.

Porque engana a voz da demonstração?

Uma página de demonstração serve para mostrar cada voz no seu melhor. Todas as vozes sintéticas que lá estão leem uma frase de demonstração escolhida pelo fornecedor, com cerca de seis segundos e limpa como uma gravação de estúdio. A reunião ouve-a numa sala silenciosa.

O cliente ouve a voz do seu agente de IA por uma linha telefónica, que deixa passar menos da voz do que um portátil ou uns auscultadores. Pode estar na rua ou numa loja enquanto a voz fala. A chamada dura dois ou três minutos e, em vez de uma frase polida, a voz lê os dados do próprio cliente: o nome, a janela de entrega, a morada e o número da encomenda. Se o cliente disser «Desculpe?», a voz tem de repetir.

Há vozes que ganham na reunião e perdem na linha telefónica. Uma voz brilhante, com muito sopro, pode soar muito bem num portátil e perder corpo ao telefone, ainda mais na rua. Uma voz de locutor, daquelas dos anúncios de rádio e dos audiolivros, pode manter-se perfeitamente clara ao telefone e, ainda assim, soar a gravação. E quando ouvem uma gravação, as pessoas desligam.

A voz é só uma parte da diferença entre uma demonstração e uma chamada real. O resto está no nosso artigo sobre agentes que passam na demonstração e tropeçam nas chamadas reais.

Como deve soar a voz?

Primeiro, a língua. A voz tem de ser a de um falante nativo da língua dos seus clientes, na variante que eles falam. O português do Brasil e o português de Portugal distinguem-se logo ao primeiro som, por isso uma voz que serve os clientes de São Paulo não é a certa para os clientes de Lisboa, por muito bem que soe.

Depois, pense no operador com quem os seus clientes mais gostam de ficar ao telefone e procure uma voz do dia a dia, a de alguém da sua equipa a conversar, em vez da de um locutor. Seja qual for a voz, regule-a para um ritmo constante, que abranda um pouco nas horas e nos números, para o cliente os conseguir apontar.

A voz tem ainda de condizer com a persona, o nome e o tom com que o agente se apresenta. Um agente que se chama Mia precisa de uma voz de mulher. Soar natural não é o mesmo que fingir ser uma pessoa. Onde o seu mercado o exigir, o agente diz na saudação que é uma IA, seja qual for a voz com que fala.

Que momentos deve testar?

Veja o caso da [loja], uma loja online de mobiliário. A loja, as pessoas, o painel, as pontuações e as chamadas deste artigo são um exemplo, não dados reais. Na véspera de cada entrega, o agente de IA da [loja] liga ao cliente para confirmar a janela de entrega e a morada. A Inês, responsável pelo apoio ao cliente da [loja], tem uma pré-seleção de três vozes da página de demonstração do fornecedor, todas de mulher porque o agente se apresenta como Mia. Na reunião, toda a gente gostou mais da Voz C, uma voz brilhante, com muito sopro.

Comece, como a Inês, pela chamada que o seu agente faz com mais frequência. Ela escreve a chamada de entrega da [loja] um pouco mais longa do que o habitual, para durar cerca de três minutos e levar todos os momentos difíceis, e põe cada voz a dizer essa chamada de teste, ouvindo-a no seu próprio telemóvel, uma vez no escritório e outra na rua.

A chamada de teste abre com «Bom dia, fala a Mia, a assistente de IA da [loja].» A Mia confirma que está a falar com a senhora Albuquerque, um apelido difícil da lista de clientes da [loja], e diz-lhe que o sofá chega «amanhã, quinta-feira, entre as 9h00 e as 12h00», na Rua do Moinho, n.º 14. Depois lê o número da encomenda em dois grupos, 4471 2093. A cliente diz «Desculpe?» e a Mia volta a lê-lo, mais devagar. A cliente pede então a parte da tarde, que amanhã já está cheia, por isso a Mia diz que lamenta e propõe segunda-feira, entre as 13h00 e as 16h00. A cliente aceita, a Mia repete o dia, a janela de entrega e a morada, e despedem-se.

Uma frase de demonstração dura uns seis segundos, quase tanto como a saudação. A reunião avaliou as vozes por esse primeiro momento e não ouviu nenhum dos outros sete.

Como pontuar a pré-seleção?

A Inês reúne um painel de ouvintes com cinco pessoas: dois operadores que falam todos os dias com os clientes da [loja], ela própria, um coordenador de entregas que sabe do que os clientes se queixam e uma pessoa de fora do projeto. Ouvem às cegas a Voz A, a Voz B e a Voz C, sem nomes de fornecedores nem preços. Cada um ouve a chamada de teste inteira ao telefone e dá a cada voz uma nota de 1 a 5 em cinco perguntas.

As três vozes leem a chamada de teste com as mesmas definições, o mesmo ritmo e o mesmo agrupamento dos números, por isso qualquer diferença que o painel ouça vem da própria voz. Na tabela «Como o painel pontuou as três vozes», cada célula é a soma das notas dos cinco ouvintes, por isso vai de 5 a 25, e o total de 25 a 125.

A Voz C, a favorita da reunião, ficou em último ao telefone, com 75 de 125. Teve a nota mais baixa das três na facilidade de acompanhar ao telefone, 12 de 25, e na clareza dos números e das horas, 13. O brilho que soava tão nítido no portátil perdeu corpo na linha telefónica.

A Voz A, a voz de locutor da pré-seleção, foi a mais clara das três nos números e nas horas, com 21 de 25, e a pior no terceiro minuto, com 11. Em «Soa a alguém de cá» ficou-se pelos 14, e dois ouvintes escreveram «soa a anúncio» ao lado da nota.

A Voz B somou 103 de 125 e foi a primeira em quatro das cinco perguntas. Só nos números e nas horas a Voz A ficou à frente, com 21 de 25 contra 20.

A linha dos nomes e da marca ficou quase igual, 18, 19 e 18 de 25, porque as três vozes erraram o apelido da senhora Albuquerque da mesma maneira.

A Inês leva as duas vozes com os totais mais altos, a Voz B e a Voz A, para um teste com chamadas reais. Dois ouvintes acharam que a Voz A soava a anúncio, e só as chamadas reais mostram se os clientes desligam ao ouvi-la.

O que pode corrigir depois?

Escolha pelo carácter da voz, porque as definições podem ser mudadas depois, qualquer que seja a voz. As regras de pronúncia determinam como a voz diz nomes, locais, a sua marca e os termos dos seus produtos, e o ritmo, as pausas e a forma de agrupar os números, incluindo o número da encomenda, também são definições.

Por isso a linha dos nomes, na tabela da Inês, não deve decidir nada. O apelido foi mal pronunciado, e uma regra corrige-o em qualquer das três vozes. Escrever regras destas é o tema do nosso artigo sobre dicionários de pronúncia para nomes, marcas e produtos.

O carácter vem com a voz. O modo como soa numa linha telefónica, se soa a locutor e se ainda é fácil de ouvir no terceiro minuto não mudam, por muito que se mexa nas definições. Abrandar a Voz C não a torna mais cheia ao telefone, e nenhuma definição impede a Voz A de soar a anúncio.

Que voz mantém os clientes na linha?

Durante duas semanas, cada cliente da lista de entregas da [loja] é chamado, ao acaso, pela Voz A ou pela Voz B, com o mesmo guião e às mesmas horas, de modo que só a voz muda. No fim das duas semanas, cada voz tem 400 chamadas atendidas. A Inês não compara antes, porque umas dezenas de chamadas por voz seriam poucas.

Ela classifica cada chamada atendida num de três desfechos, que juntos somam as 400. Quem desliga nos primeiros dez segundos entra em «Desligaram logo», e quem aceita uma janela de entrega, a prevista ou uma nova, entra em «Confirmaram um horário». Qualquer outro desfecho vai para a coluna «Outros», por exemplo quando o cliente pede para falar com uma pessoa, a chamada cai ou não se chega a acordo sobre um horário. Conta ainda os clientes que pediram para repetir pelo menos uma vez. Um cliente pode fazê-lo e confirmar o horário na mesma, por isso a coluna «Pediram para repetir» não entra nas 400.

Com a Voz B, 338 de 400 clientes confirmaram um horário, contra 296 com a Voz A. São mais 42 clientes a aceitar um horário de entrega. A Voz B teve também menos clientes a desligar logo, 44 contra 72, e 18 das suas chamadas terminaram de outra maneira, contra 32 da Voz A.

Todos os clientes que pediram para repetir tinham ficado para lá dos primeiros dez segundos, por isso a comparação justa é feita com esses clientes: 36 de 328 na Voz A contra 41 de 356 na Voz B, uma proporção quase igual. Acompanharam a voz de locutor quase tão bem como a Voz B e, ainda assim, houve mais clientes a desligar ao ouvir a Voz A nos primeiros dez segundos.

Aqui, os clientes deram razão ao painel e a Inês fica com a Voz B em todas as chamadas de entrega da [loja].

Onde entra a DRING?

No núcleo de voz da DRING, cada marca escolhe uma voz da biblioteca selecionada para cada língua, com uma persona para o ritmo, a formalidade e o tom, correção de sotaque e um dicionário de pronúncia para nomes, locais e termos de produto. A sua equipa aprova o texto, a persona e a voz antes de se marcar qualquer número.

A frase de abertura, o tom ou a voz que resultam decidem-se em chamadas outbound reais, não numa reunião. Nas campanhas outbound da DRING, duas vozes podem correr lado a lado na mesma campanha para comparar resultados. Os exemplos de voz da nossa página inicial são demos de processos da DRING. Ouça-os no telemóvel e não no portátil.