Quão humano um agente de voz com IA precisa soar antes de conseguir vender?



Um agente de voz com IA precisa soar humano o suficiente para que o prospect continue falando, e o quanto isso exige depende da chamada: um lembrete precisa de uma voz clara e com bom ritmo, enquanto uma ligação de prospecção a frio precisa de uma entrega que mude conforme o momento. Você descobre de que lado dessa linha está dividindo chamadas ativas reais entre duas configurações de voz e comparando a conversão. Ouvir uma demonstração diz do que você gosta. Não diz o que seus prospects fazem.
Este guia é para quem responde pela conversão das chamadas ativas. Ele separa o que um prompt muda do que as configurações de voz e do agente mudam, define um padrão por tipo de chamada e apresenta um teste para chamadas reais.
O que os compradores querem dizer quando afirmam que a voz não soa humana o suficiente?
Eles estão falando de prosódia: o tom, o ritmo, o volume, as pausas e a ênfase que alguém usa ao falar, e como tudo isso muda conforme a situação. Um bom vendedor baixa a voz antes de falar o preço, desacelera quando o prospect hesita e se anima quando a resposta é sim. Um agente pode dizer a frase certa de um jeito monótono ou uniformemente alegre, e o prospect percebe um roteiro.
As equipes que esbarram nesse problema geralmente já reescreveram o prompt muitas vezes. O texto melhorou e a objeção continuou, porque o texto e a entrega vêm de partes diferentes do sistema.
O que um prompt pode mudar, e o que ele não pode?
Um prompt muda o que o agente diz. Como isso é dito é definido pela voz que você escolhe e pelas configurações de fala do agente. Se você continua editando o prompt para corrigir um problema de entrega, está trabalhando na camada errada.
Na Retell, as camadas são estas. Os nomes das configurações são os usados na documentação do produto.
| Camada | O que ela controla | Onde você configura | O que ela não resolve |
|---|---|---|---|
| Palavras | Tamanho das frases, formulação, palavras de preenchimento, linguagem empática, como os números são escritos | O prompt, mais as predefinições do Agent Handbook: Default Tone (Professional + Conversational), Natural Filler Words, High Empathy, Speech Normalization | Uma entrega monótona ou rígida de falas bem escritas |
| Voz | Quem está falando: timbre, sotaque, idade, energia de base | Select Voice: Platform Voices, Custom Providers ou um clone de voz | O texto, ou o momento em que o agente fala |
| Entrega | Velocidade, volume, emoção, ênfase, pausas | Voice Speed, volume, Expressive mode, controles de pausa e pronúncia | Uma voz que não combina com o seu público |
| Timing | Quanto tempo o agente espera, com que facilidade ele é interrompido, pequenos sons de escuta | Configurações de fala: Response Wait time, Interruption Sensitivity, Enable Backchanneling, Background sound | O tom emocional dentro de uma frase |

As predefinições do Agent Handbook continuam sendo ferramentas no nível do prompt. A documentação descreve Professional + Conversational como um tom com falas curtas e uma pergunta por vez, adequado para vendas. Ele muda o roteiro, não o áudio.
Quais configurações mudam o som da voz?
Quatro grupos de configurações mudam o próprio áudio, e cada um tem um limite documentado.
Escolha da voz. As vozes da plataforma formam a biblioteca selecionada pela Retell, descrita na documentação como ajustada para IA conversacional por telefone e calibrada para clareza nas taxas de bits de telecom. Você também pode adicionar uma voz de um provedor personalizado ou clonar uma voz. Uma frase da documentação de clonagem importa para equipes de vendas: o clone reproduz a entrega que ouve, então grave no tom, no ritmo e com a energia que você quer nas chamadas.
Velocidade e volume. O Voice Speed vai de 0,5x a 2,0x. Com a opção "Dynamically adjust based on user input" marcada, o agente acompanha as palavras por minuto do prospect e ajusta gradualmente a própria velocidade para acompanhá-lo. O volume é um valor único para o agente. A documentação não descreve nenhuma configuração que aumente ou diminua o volume momento a momento durante uma chamada, então não conte com isso.
Expressive mode. Este é o controle documentado mais próximo de uma entrega sensível à situação. Com ele ativado, o agente adiciona tags de voz expressivas ao áudio que gera e as escolhe com base na conversa. As tags cobrem emoções (empático, animado, feliz, curioso, surpreso), efeitos (suspiro, pigarro, pausa, pausa longa) e ênfase na palavra que importa. Você escolhe quais tags são permitidas, pode reescrever as orientações sobre quando cada uma se aplica e pode inserir uma tag manualmente em uma fala específica, como a abertura.
Os limites são igualmente específicos. O Expressive mode funciona apenas com vozes da plataforma. As tags se aplicam em 13 idiomas, e um agente multilíngue precisa que todos os seus idiomas estejam nessa lista. O agente usa as tags com moderação, e a maioria das falas não tem nenhuma. Ele nunca aplica tags a números, nomes, horários ou preços, então não espere uma mudança de entrega marcada por tag no próprio preço.
Timing. Uma voz com bom tom ainda soa errada se responde rápido demais ou fala por cima das pessoas. Response Wait time, Interruption Sensitivity e backchanneling controlam isso, e a alternância de turnos e o tratamento de interrupções têm um guia próprio.
Nenhuma dessas configurações é documentada como capaz de tornar um agente indistinguível de uma pessoa. Trate cada uma como uma variável a ser testada. Soar humano também é uma questão separada da divulgação: a predefinição AI Disclosure When Asked vem ativada por padrão em novos agentes, e quais divulgações suas chamadas exigem é uma questão para seu jurídico ou responsável por compliance.
Se você vende em mais de um idioma, a saudação pesa ainda mais. Veja os primeiros 30 segundos de um agente de voz com IA multilíngue.
Quão humana a voz precisa ser para o seu tipo de chamada?
O padrão sobe conforme a confiança que o prospect precisa depositar antes de dizer sim. A tabela abaixo é um ponto de partida para o seu próprio teste, com base no que cada chamada exige de quem ouve. Não é um benchmark.
| Tipo de chamada ativa | O que o prospect decide | Padrão de voz | Por onde começar |
|---|---|---|---|
| Lembretes, confirmações, avisos de renovação | Confirmar ou remarcar | Clara e precisa em nomes, datas e valores | Uma voz da plataforma, Speech Normalization, entradas de pronúncia para nomes de marcas e produtos |
| Retorno a um lead que pediu uma ligação | Se vai responder a algumas perguntas | Texto conversacional e alternância de turnos limpa importam mais do que emoção | Tom Professional + Conversational, backchanneling, Voice Speed dinâmico |
| Ligação a frio para uma lista | Se vai continuar na linha depois da abertura | Alto, e concentrado na frase de abertura | Adicione o Expressive mode com um conjunto pequeno de tags, aplique tags manualmente na abertura, faça um teste dividido com duas vozes |
| Fechamento consultivo ou de alto valor | Se vai confiar ao vendedor dinheiro ou uma decisão sensível | Mais alto do que você deveria supor que qualquer configuração atinge | Deixe o agente qualificar e agendar, depois passe para uma pessoa com uma transferência assistida até que seu teste indique o contrário |
A última linha é a mais honesta. Se a venda depende de um closer que saiba ler o ambiente, mantenha o closer. Uma transferência assistida mantém o agente na linha para passar o contexto à pessoa que atende, para que o prospect não precise repetir tudo.
Como testar o quanto a voz soa humana em chamadas reais em vez de confiar no ouvido?
Coloque dois agentes que diferem apenas na configuração de voz no mesmo tráfego de chamadas ativas e avalie ambos com base em um evento de conversão que você define antes da primeira chamada. Seu ouvido é um único ouvinte. Seus prospects são a amostra.
Use este checklist:
- Descarte primeiro os problemas de alcance. Se os prospects não estão atendendo, a voz não é a causa. Confira as taxas de atendimento de chamadas ativas e o checklist de números de telefone para chamadas ativas antes de mexer nas configurações de voz.
- Não use a simulação em texto para avaliar a voz. O teste por simulação roda como uma conversa em texto. Ele avalia o texto e os resultados e não ouve nada.
- Ouça em uma chamada web, depois em uma chamada telefônica. A documentação indica o teste por chamada web para ouvir como a voz realmente soa (ritmo, pronúncia, palavras de preenchimento) e o teste por chamada telefônica para o áudio da operadora.
- Defina a conversão como um campo, não como uma impressão. Adicione um campo personalizado de Post Call Extraction, por exemplo um Boolean para "reunião agendada" ou um Selector para o resultado da chamada, para que todas as chamadas sejam rotuladas da mesma forma.
- Mude uma camada. Clone o agente e altere apenas a voz, ou apenas o Expressive mode. Mantenha o prompt idêntico, ou você não saberá o que mexeu no número.
- Divida o tráfego real. O A/B Testing no número de telefone envia uma porcentagem das chamadas para cada agente, por exemplo 80/20 ou 50/50, e é documentado tanto para chamadas ativas quanto receptivas.
- Compare no Analytics. Filtre por agente e versão e coloque seu campo personalizado em gráfico ao lado do número de chamadas, da taxa de sucesso das chamadas e da duração.
- Avalie o áudio além do resultado. O AI QA avalia uma amostra de chamadas reais, e sua métrica Agent Naturalness usa tanto o áudio quanto a transcrição para sinalizar velocidade ou entonação artificiais, pronúncia incorreta e falhas. O campo nativo
user_sentimenté inferido apenas a partir da transcrição, então não o interprete como uma avaliação do tom. - Defina a regra de parada com antecedência. Decida o número mínimo de chamadas conectadas por variante e a diferença que mudaria sua decisão. Registre as duas coisas antes do lançamento.
Se a variante mais expressiva não converter melhor, a voz não era sua limitação. Olhe em seguida para a lista, a oferta e a pergunta de abertura. Se converter, você terá um número para defender a escolha. O mesmo ciclo vale quando você passa da demonstração para a produção.
O que perguntar a um fornecedor sobre voz antes de fazer um piloto?
Faça perguntas cujas respostas você possa verificar no produto durante o piloto:
- Quais configurações mudam a entrega e quais mudam apenas o texto?
- A entrega expressiva funciona com a voz e os idiomas que pretendemos usar, incluindo uma voz clonada?
- O volume, o ritmo ou o tom podem mudar durante uma chamada, e o que dispara essa mudança?
- Podemos dividir o tráfego real de chamadas ativas entre duas configurações de voz e ver a conversão por variante?
- Quais métricas de qualidade ouvem o áudio e quais leem apenas a transcrição?
- Quando uma chamada precisa de uma pessoa, como a transferência soa para o prospect?
Um fornecedor que responde com uma gravação de demonstração impecável respondeu a outra pergunta.
Comprove a voz nas suas próprias chamadas
Diferente de sistemas otimizados apenas para fala realista, a Retell foi criada para a conversa inteira: a voz, o timing ao redor dela, a transferência para uma pessoa e a medição que mostra se alguma parte disso converteu. Veja como as peças se encaixam na página de agentes de voz com IA e como o AI QA avalia chamadas reais. Depois, rode um piloto em chamadas reais com duas configurações de voz e seu próprio evento de conversão, e decida com base nesse número antes de assinar qualquer coisa.
Veja quanto seu negócio poderia economizar ao migrar para agentes de voz com IA.
Your submission has been sent to your email
Resultado do ROI
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Estimate your monthly voice AI cost
Read Other Blogs
Revolucione sua operação de chamadas com a Retell

Comece hoje a criar conversas mais inteligentes.




