Voz em tempo real: latência abaixo de 1 segundo virou padrão, não diferencial

Por que latência deixou de ser argumento de venda?#

Porque todo mundo resolveu. Em 2026, latência de ponta a ponta abaixo de um segundo é o básico: qualquer fornecedor relevante entrega isso em condições normais de rede. Quando um fornecedor destaca "menos de 1 segundo" como diferencial, ele está comunicando que chegou ao patamar mínimo.

O que avançou de verdade foi o piso. Modelos nativos de speech-to-speech empurram a latência para menos de 400 milissegundos, e o ganho não é só velocidade: preservam emoção e nuance, porque não passam pela etapa de transformar fala em texto puro e perder entonação no caminho.

Isso importa em cobrança e vendas mais do que parece. Um agente que responde rápido mas soa robótico não sustenta uma negociação. Um agente que percebe hesitação e ajusta o tom, sustenta.

Cascata ou nativo: qual arquitetura escolher?#

Existem dois desenhos, e a escolha não é óbvia.

Cascata: três componentes em sequência, transcrição em streaming, modelo de linguagem, síntese de voz. Mais peças, mais latência, mas você vê o texto no meio do caminho. Isso significa que pode aplicar guardrails sobre o texto, registrar transcrição para auditoria, trocar cada peça separadamente e cumprir exigência de conformidade com mais facilidade.

Nativo (speech-to-speech): uma API que recebe áudio e devolve áudio, treinada de ponta a ponta em áudio. Menor latência, entendimento mais rico do áudio, incluindo riso e tom. Em 2026 isso passou de demonstração interessante para forma padrão de colocar um agente de voz em produção. Em contrapartida, você tem menos pontos de inspeção no meio.

Para ambientes corporativos, a leitura de mercado é que a cascata segue como padrão nos próximos 12 a 18 meses, justamente pelo controle. Operações que exigem auditoria de cada frase dita ao cliente tendem a preferir ver o texto.

O que avaliar de fato ao contratar um agente de voz?#

A compra corporativa se organiza em quatro dimensões: qualidade de voz, latência, conformidade e flexibilidade de implantação. Debaixo delas, as perguntas que revelam o fornecedor:

• Voz: soa natural em português do Brasil, com sotaque e prosódia locais? Lida com números, valores e datas ditos como brasileiro fala?
• Latência: qual a latência medida na sua rota de rede, não no material de marketing? E o que acontece quando o agente precisa consultar um sistema no meio da frase?
• Conformidade: onde o áudio fica armazenado, por quanto tempo, e existe transcrição pesquisável para auditoria?
• Implantação: integra com a sua telefonia SIP atual ou obriga a trocar? Suporta transferência para humano no meio da ligação?

Essa última pergunta elimina muitos fornecedores. Voz corporativa sem integração com a telefonia existente e sem transferência para humano é demonstração, não operação.

Onde a voz ganha da mensagem em uma operação comercial?#

Voz e WhatsApp não competem, resolvem coisas diferentes. Voz ganha em três situações claras:

1. Contato ativo em base fria. Ligação ainda tem taxa de atenção maior que mensagem não solicitada em muitos segmentos.
2. Assuntos que exigem explicação. Explicar uma condição de parcelamento por voz leva 40 segundos; por mensagem, leva seis turnos.
3. Público que não usa texto com fluidez. Existe uma parcela grande da base que negocia por voz e não responde mensagem.

Com a mudança da precificação do WhatsApp para cobrança por mensagem a partir de outubro de 2026, essa comparação passa a ter também um lado de custo. Vale simular os dois canais por resultado, não por preferência.

É por isso que a DOM360 AI trata voz e texto como canais da mesma operação, com as mesmas regras de negócio e a mesma auditoria, em vez de dois produtos separados.

Arquitetura de agente de voz: cascata x nativa