Saltar para o conteúdo
Descreva um processo. A DRING liga-lhe em dois minutos e qualifica a necessidade. Ligamos-lhe em dois minutos
Ligamos-lhe em 2 minutos Ver o Agent Factory
Estudo explicado · Agentes de voz IA

Porque é a voz mais difícil para a IA?

No estudo τ-Voice, o melhor modelo de texto concluiu 85 % de 278 tarefas de apoio ao cliente. Três modelos de voz concluíram entre 31 e 51 % das mesmas tarefas numa linha telefónica limpa e entre 26 e 38 % numa linha realista.

As mesmas tarefas, muito menos concluídas

No teste em chat, o agente respondeu a todas as perguntas. Depois passou para a linha telefónica e quem ligava começou a pedir para falar com uma pessoa.

Um estudo publicado em março de 2026 deu números a essa diferença. O τ-Voice (tau-Voice) testou as mesmas 278 tarefas de apoio ao cliente em texto e em voz. Em texto, o melhor modelo de texto do estudo concluiu 85 %. Três modelos de voz, a quem foram dadas as mesmas tarefas numa linha telefónica limpa, concluíram entre 31 e 51 %. Numa linha realista, com sotaques, ruído de fundo e um cliente que interrompe, concluíram entre 26 e 38 %. Os autores descrevem isto como manter entre 30 e 45 % do que o texto consegue.

Na comparação entre IA de voz e IA de texto, as tarefas foram as mesmas e os modelos não, porque o resultado de texto vem de um modelo de texto e os de voz de três modelos de áudio diferentes.

O que testou o estudo?

O τ-Voice é um benchmark de agentes de voz IA escrito por Soham Ray, Keshav Dhandhania e Victor Barres, da Sierra.ai, em São Francisco, e por Karthik Narasimhan, da Universidade de Princeton. A Sierra constrói agentes de IA para apoio ao cliente, pelo que o estudo vem de dentro do setor que mede. O artigo é uma pré-publicação e, à data deste texto, ainda não tinha sido revisto por pares.

As 278 tarefas vêm de três áreas: retalho, aviação e telecomunicações. Cada tarefa é um cliente com um objetivo, como trocar um artigo ou alterar uma reserva, e um conjunto de regras da empresa que o agente tem de cumprir.

O estudo só dá uma tarefa por concluída quando os registos da empresa ficam no estado certo, com a encomenda certa alterada ou a reserva certa atualizada. Uma conversa agradável que não altera nada, ou altera o que não devia, conta como falha. Todos os valores de êxito nas tarefas desta página usam esta medida (pass@1 no artigo, concluída à primeira tentativa).

Em texto, um modelo de texto trocava mensagens com um cliente simulado. Em voz, três modelos de voz ouviam e falavam ao mesmo tempo, numa linha telefónica simulada com áudio de qualidade telefónica, e o cliente simulado respondia por voz. Cada modelo de voz recebe e devolve áudio, tudo num único modelo. Os modelos de voz tinham as mesmas instruções, incluindo a regra de pedir aos clientes que soletrassem nomes, emails e números de identificação letra a letra.

Cada modelo de voz foi testado em duas condições. Na linha limpa, o cliente tinha um sotaque americano claro, sem ruído de fundo e sem interrupções. Na linha realista, os clientes falavam com sotaques diferentes, com ruído de fundo em interiores e exteriores, sons súbitos e áudio cortado ou abafado, e interrompiam, diziam «hum-hum», tossiam ou diziam «um momento» a outra pessoa.

Quanto perdeu a voz?

Êxito nas tarefas, em texto e em voz
ÁreaTextoVoz, limpaVoz, realista
Todas as 278 tarefas85 %31 a 51 %26 a 38 %
Retalho81 %45 a 71 %30 a 45 %
Aviação83 %28 a 48 %30 a 40 %
Telecomunicações90 %20 a 58 %18 a 40 %

«Texto» é o melhor modelo de texto do estudo, o GPT-5 com raciocínio. Um segundo modelo de texto do estudo, o GPT-4.1, que responde sem raciocinar passo a passo, concluiu 54 % das 278 tarefas. As colunas de voz mostram o valor mais baixo e o mais alto dos três modelos de voz testados, Google gemini-live-2.5-flash-native-audio, OpenAI gpt-realtime-1.5 e xAI grok-voice-agent. Fonte: τ-Voice, tabela 6.

Percentagem das 278 tarefas concluídas em texto e em voz. Cada linha de voz vai do valor mais baixo ao mais alto de três modelos de voz. Fonte: τ-Voice, 2026.

A maior parte da diferença já existia na linha limpa, antes de se juntar ruído ou sotaque. Aí, os três modelos de voz ficaram entre 34 e 54 pontos abaixo do melhor modelo de texto, e, na maioria deles, a linha realista acrescentou uma perda menor.

O que piorou as coisas?

Nas tarefas de retalho, os autores juntaram à linha limpa o ruído, os sotaques e as interrupções, um de cada vez, e depois os três em conjunto.

Quanto custou cada dificuldade, tarefas de retalho
CondiçãoÊxito nas tarefasVariação face à linha limpa
Limpa55 %
Limpa mais ruído51 %4 pontos abaixo
Limpa mais sotaques44 %10 pontos abaixo
Limpa mais interrupções47 %7 pontos abaixo
Realista (os três)38 %17 pontos abaixo

Média dos três modelos de voz, só tarefas de retalho. As percentagens e as diferenças aparecem como o artigo as arredonda, pelo que uma diferença pode ficar 1 ponto fora da subtração. Fonte: τ-Voice, tabela 7.

Êxito nas tarefas de retalho, média de três modelos de voz, na linha limpa e com ruído, sotaques, interrupções ou os três juntos. Fonte: τ-Voice, 2026.

Os sotaques custaram mais em média, mas de forma muito desigual. Um modelo de voz perdeu 1 ponto com sotaques e outro perdeu 18. As interrupções custaram a dois dos modelos 14 e 11 pontos, enquanto o terceiro até se saiu um pouco melhor, com 4 pontos a mais. O ruído, por si só, custou a cada modelo de voz entre 2 e 4 pontos.

Os autores avaliaram também como os modelos de voz geriram a conversa na linha realista. O modelo que respondeu a todas as falas do cliente e cedeu a todas as interrupções (100 %) só ignorou corretamente os «hum-hum», as tosses e as conversas laterais em 6 % das vezes, pelo que respondeu também a sons que não eram para ele. Na leitura dos autores, nenhum modelo de voz do estudo era bom a concluir a tarefa e a gerir o vaivém da conversa ao mesmo tempo.

Onde falharam as chamadas?

Os autores leram à mão 91 conversas de voz falhadas, em dois grupos. Das 43 conversas falhadas em tarefas concluídas em texto mas falhadas em voz limpa, o agente causou 34 (79 %) e o cliente simulado 9 (21 %). Das 48 conversas falhadas em tarefas concluídas em voz limpa mas falhadas em voz realista, o agente causou 43 (90 %) e o cliente simulado 5 (10 %).

O que correu mal em 91 chamadas falhadas
Erro do agenteFalhou em voz limpaFalhou só em voz realista
Raciocínio errado ou um passo saltado1316
Ouviu mal o que o cliente disse1016
Disse que fez algo que não fez66
Deixou de responder14
Ficou sem tempo41
Total de erros do agente34 de 4343 de 48

Os nomes que o artigo dá às linhas são logical, transcription, hallucination, VAD/unresponsive e timeout. Fonte: τ-Voice, tabela 9.

Nos dois grupos, a verificação de identidade foi o principal ponto de rutura das chamadas. Os agentes erravam nomes e emails mesmo quando o cliente os soletrava letra a letra, como as instruções mandavam pedir. Sem o cliente identificado, nada mais na tarefa podia avançar.

Algumas falhas foram mais discretas. Numa conversa, o agente disse ao cliente «Já atualizei a sua morada de envio» e não alterou nada no sistema. Os pedidos com várias partes também deram problemas, com agentes a tratar de uma parte e a esquecer-se das outras.

Ouvir mal não explicava tudo. No grupo realista, o raciocínio errado e o ouvir mal foram igualmente comuns, 16 das 48 falhas cada um, e os autores concluem que a diferença entre voz e texto não é apenas um problema de reconhecimento de voz. Como testar a parte da audição nas suas próprias chamadas está no nosso artigo sobre como escolher o reconhecimento de voz.

O que o estudo não mostra?

O estudo foi feito só em inglês. Os clientes eram simulados, com vozes sintéticas, e os autores dizem que os resultados sobre sotaques devem ser lidos como indicativos. Notam também que os clientes reais têm menos paciência do que os simulados.

Mediu se a tarefa ficou feita e como se alternaram as falas. Não mediu como o agente soava, se os clientes ficaram satisfeitos, nem as tarefas concluídas só em parte.

As pontuações de texto e de voz vêm de modelos diferentes. O melhor modelo de texto pode raciocinar o tempo que precisar antes de responder, ao passo que um modelo de voz tem de responder em tempo real, pelo que parte da diferença vem do modelo e não da linha telefónica.

Os três modelos de voz são do mesmo tipo, com áudio à entrada e à saída, nas versões lançadas entre dezembro de 2025 e fevereiro de 2026. Não foram testados agentes feitos de partes separadas de reconhecimento de voz, raciocínio e síntese de voz, por isso estes números não dizem nada, nem a favor nem contra, sobre eles, e os autores deixam-nos como trabalho futuro. Os agentes trabalharam também com um conjunto geral de instruções e com as ferramentas do benchmark, e um agente construído e testado para as chamadas de uma empresa é outra configuração, que o estudo não mede nem a favor nem contra.

A DRING não fez este estudo e não foi testada nele. Os modelos mudam depressa e os números descrevem as versões testadas.

O que testar primeiro?

Faça o teste como uma chamada telefónica. No estudo, as mesmas tarefas tiveram pior resultado com áudio de qualidade telefónica do que em texto, e pior ainda quando se juntaram sotaques, ruído e interrupções. Um chat de texto ou o microfone de um portátil deixam as duas coisas de fora, e os seus clientes estão na coluna «Voz, realista».

Comece pela verificação de identidade, porque foi o principal ponto de rutura das chamadas falhadas do estudo. Escolha dez nomes, emails e números de encomenda como os dos seus clientes, leia-os em voz alta tal como os clientes os soletram e conte quantos o agente acerta.

Depois de cada chamada de teste, abra o sistema e veja o registo. Se o agente disse que alterou uma morada, a nova tem de lá estar. Foi isso que falhou no caso da morada de envio no estudo.

A seguir, dificulte as chamadas das formas que, no estudo, fizeram baixar o êxito dos modelos de voz. Use os sotaques que os seus clientes têm de facto. Peça a um testador que interrompa, tussa e diga «um momento» a um colega a meio da chamada, e anote se o agente responde à tosse ou à conversa lateral. Depois dê ao agente um pedido com três partes e confirme que as três ficam feitas.

Quando um fornecedor apresentar um número de êxito nas tarefas para o seu agente de voz, peça que o calcule como o estudo o fez: pelo que mudou no sistema, com áudio de telefone. Para um plano completo, o nosso guia sobre como testar um agente de voz com IA antes de entrar em produção cobre a bateria de testes e os critérios de aprovação.

Pode citar esta página?

Sim. O artigo está publicado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0), e pode reutilizar este resumo nos mesmos termos, com o crédito ao artigo em primeiro lugar. Cite o estudo assim.

Ray, S., Dhandhania, K., Barres, V., Narasimhan, K. (2026). τ-Voice: Benchmarking Full-Duplex Voice Agents on Real-World Domains. arXiv:2603.13686.

O código do benchmark é público no GitHub. Se citar um número desta página, indique o artigo e acrescente esta linha.

Resumo: DRING, dring.ai/pt/blog-voice-ai-vs-text-ai

As cinco conclusões, escritas para poderem ser citadas tal como estão:

  • Em 278 tarefas de apoio ao cliente, o melhor modelo de texto concluiu 85 % e os três modelos de voz concluíram entre 31 e 51 % numa linha limpa (τ-Voice, 2026).
  • Numa linha realista, com sotaques, ruído e interrupções, os três modelos de voz concluíram entre 26 e 38 % das tarefas, o que os autores descrevem como manter entre 30 e 45 % do que o texto consegue (τ-Voice, 2026).
  • Nas tarefas de retalho do estudo, os sotaques custaram aos três modelos de voz, em média, 10 pontos de êxito nas tarefas, as interrupções 7 e o ruído de fundo 4 (τ-Voice, 2026).
  • Em 91 chamadas de voz falhadas que os autores leram à mão, 79 % e 90 % das falhas nos dois grupos foram erros do próprio agente, e a verificação de identidade foi o principal ponto de rutura das chamadas, com nomes e emails mal ouvidos mesmo quando soletrados (τ-Voice, 2026).
  • Nenhum modelo de voz do estudo era bom a concluir a tarefa e a gerir a conversa, e o que respondeu a 100 % das falas do cliente só ignorou corretamente tosses e conversas laterais em 6 % das vezes (τ-Voice, 2026).

Onde entra a DRING?

O estudo mediu modelos de voz gerais a trabalhar com um conjunto de regras. Um agente da DRING é montado a partir de partes separadas: modelos selecionados de reconhecimento de voz, de síntese de voz e de raciocínio, com testes e monitorização na base partilhada em que funciona. Esse tipo de agente não esteve no estudo.

Antes da primeira chamada real, cada agente da DRING passa por 1 000 a 10 000 conversas simuladas, criadas para a sua empresa. São geradas a partir do seu processo, dos seus documentos e das gravações das suas chamadas, e um agente só entra em produção depois de passar nesse conjunto, como descreve a nossa página de qualidade. Os testes de «O que testar primeiro?» são os que deve pedir a qualquer fornecedor, DRING incluída.

Leia também: Agente de voz com IA: o que é e como a DRING o opera

Comece pela chamada mais difícil

Deixe o seu número e a DRING liga-lhe em dois minutos. Diga-lhe qual é a chamada que a sua equipa mais teme.