Um agente de voz que leva um segundo e meio para responder soa como uma ligação que caiu. Na Coru a resposta chega em menos de 800 ms depois que o cliente termina de falar, e esse limite separa uma ligação que fecha com uma promessa de pagamento de uma que termina com o cliente desligando.
O dado que sustenta isso é recente. Uma análise publicada em janeiro de 2026 sobre mais de um milhão de ligações com agentes de voz mediu que cada 100 ms de latência acima de 800 ms reduz entre 4 e 6 % a taxa de tarefas concluídas, e que acima de 1.200 ms o abandono sobe entre 15 e 25 pontos (Hamming, 2026). Para serviços financeiros e saúde, o mesmo estudo coloca o abandono aceitável abaixo de 3 %.
Por que o limite está em 800 ms
A conversa humana tem um ritmo medido. Uma pesquisa publicada na PNAS sobre dez idiomas encontrou que a pausa entre o fim de um turno e o começo do seguinte fica em torno de 200 ms, com variações culturais, mas quase sempre abaixo de meio segundo (Stivers et al., citado pela Telnyx). Uma pausa maior é lida como dúvida, confusão ou falha. A partir de 800 ms o silêncio aparece; depois de 1.500 ms, o cliente acha que a linha caiu: fala por cima, repete ou desliga.
Na cobrança o efeito é direto. O cliente já chega desconfortável à ligação, e cada silêncio do agente dá a ele um motivo para encerrar. Na originação a perda tem outro nome: a venda que não fecha.
Onde os milissegundos se perdem
Cada turno de voz passa por cinco etapas, e cada uma soma tempo. Estas são faixas típicas em agentes de voz do mercado; a ordem de grandeza importa mais que o número exato.
| Etapa | O que faz | Custo típico | Onde o tempo se perde |
|---|---|---|---|
| Detecção de fim de fala (VAD) | Decide que o cliente terminou de falar | 100 a 300 ms | Limites conservadores que esperam “por via das dúvidas” |
| Transcrição (STT) | Converte o áudio em texto | 150 a 400 ms | Modelos que esperam a frase inteira em vez de transcrever em streaming |
| Raciocínio (LLM) | Decide o que responder e qual ferramenta usar | 300 a 900 ms | Prompts longos, modelos superdimensionados, consultas a sistemas externos em série |
| Síntese de voz (TTS) | Converte o texto em voz | 100 a 300 ms | Esperar o texto completo antes de começar a falar |
| Rede e telefonia | Leva o áudio até o telefone | 50 a 200 ms | Fornecedores encadeados, cada um em uma região diferente |
Com os valores mínimos, a soma já fica perto de 800 ms. Com os máximos, passa de dois segundos. Por isso um agente lento raramente tem um componente lento: o comum são cinco componentes razoáveis encadeados em série, cada um esperando o anterior terminar por completo.
Como ficar abaixo de 800 ms
O ganho vem de mudar como as etapas se encadeiam, mais do que de otimizar uma só.
- Tudo em streaming. A transcrição avança enquanto o cliente fala, o modelo começa a gerar com a primeira frase transcrita e a síntese começa a falar com a primeira oração gerada. Nenhuma etapa espera a anterior terminar.
- Interrupção natural (barge-in). A detecção de atividade de voz roda em paralelo enquanto o agente fala. Se o cliente interrompe, o agente para e escuta, em vez de terminar uma frase de oito segundos enquanto o cliente repete que não era isso.
- Pilha de voz própria. Quando transcrição, modelo e síntese são três fornecedores em três regiões, a rede soma mais do que qualquer modelo. A Coru opera sua própria camada de voz: o servidor de mídia e a ponte de áudio rodam na mesma rede privada, e o modelo de linguagem pode ser trocado sem mudar a rota do áudio.
- Pronúncia resolvida antes de falar. Uma taxa, um CPF ou um valor lido errado obrigam a repetir, e repetir custa um turno inteiro. O dicionário de pronúncia de cada agente resolve siglas e números do setor antes que cheguem à síntese de voz.
- Latência monitorada em produção. Os painéis de operação mostram o desempenho de voz por agente e por canal, com alertas quando um fornecedor de voz se degrada e troca para uma voz alternativa.
O resultado em produção: menos de 800 ms entre o fim da fala do cliente e o primeiro áudio do agente, sobre o tronco SIP do próprio banco, em ligações receptivas e em campanhas ativas.
Três perguntas para qualquer fornecedor de voz
- Qual é a latência por turno medida em produção, fora da demo, e onde eu vejo isso?
- O que acontece quando o cliente interrompe no meio da frase?
- Por quantos fornecedores o áudio passa antes de voltar ao telefone?
Se a primeira resposta for uma média, a segunda for que o agente termina a frase antes de escutar e a terceira falar em três ou quatro fornecedores, a ligação vai durar menos do que você planejou.
Se o seu projeto de voz está em revisão de Riscos, as doze perguntas que um CISO costuma fazer estão em Por que Riscos congela os projetos de agentes de IA em bancos.
Ouça como um agente da Coru responde. Na seção de voz da ADI Platform está a pilha completa, do tronco SIP ao turno de conversa. Ver a camada de voz ou agende uma demo com o seu caso.
Fontes: Hamming, Voice Agent Drop-Off Analysis, janeiro de 2026 · Telnyx, Voice AI agents compared on latency, 2026