Agentes de Voz

Crie agentes que conversam por voz em tempo real: o usuário fala, o agente responde falando. Veja como criar, liberar, usar, limitar e acompanhar o custo.

Prefere assistir? Veja no vídeo como criar um agente de voz.

O Agente de Voz conversa com o usuário por voz, em tempo real, direto no navegador. O usuário fala ao microfone, o agente responde falando, e a conversa acontece como uma ligação: sem digitar, sem esperar uma resposta completa em texto. É possível interromper o agente falando por cima dele, e a transcrição aparece na tela enquanto vocês conversam.

É diferente do ditado por voz do chat de texto, que só transforma a sua fala em texto para você revisar e enviar. No agente de voz, a conversa inteira é falada.

Exemplos de uso: atendimento ao cliente, recepção virtual, suporte técnico, treino de entrevistas e prática de idiomas.

O que fica salvo. O Power Omni guarda a transcrição em texto e os dados da sessão (duração, motivo do encerramento). Não há gravação nem reprodução de áudio. Cada conversa fica visível apenas para o usuário que a realizou.

Antes de começar

Para criar agentes de voz, confira os requisitos:

  • Projeto New Foundry. A voz não está disponível em projetos do modelo antigo.
  • Modelo de voz cadastrado em Artefatos > Modelos (veja Modelos de voz e tarifas).
  • Região compatível. A disponibilidade do modelo e da voz no seu projeto é confirmada ao salvar o agente.
  • Navegador com HTTPS e acesso ao microfone. Quem usa o agente precisa permitir o microfone quando o navegador pedir.
  • Permissão para criar. Administradores, Colaboradores e Workspace Owners podem criar e editar agentes de voz.

Instalação automática. Ao instalar o Power Omni por Faturamento > Configuração, há o passo opcional Habilitar conversas por voz, que já cadastra um modelo de voz. Se a região não oferecer voz, a opção vem desmarcada e o agente é criado sem voz; um administrador pode cadastrar o modelo depois, em Modelos.

Como criar um agente de voz

  1. Abra Agentes e clique em Novo agente

    Vá em Artefatos > Agentes, clique em Novo agente e escolha Criar um agente.

  2. Escolha o tipo: Texto ou Voz

    Na janela Criar um agente, escolha Voz (conversa falada em tempo real, com escolha de voz e de idioma) e clique em Próximo. Se preferir partir de um exemplo, escolha Novo agente > Com modelo de agente para abrir a galeria de modelos.

    O tipo não muda depois. Um agente criado como Voz continua sendo de voz (e um de Texto continua sendo de texto). Para ter os dois, crie dois agentes.

  3. Escolha um modelo de partida (opcional)

    A galeria lista os modelos de agente, com busca e filtro Todos / Texto / Voz. Ao escolher um modelo, as instruções e as configurações dele são copiadas para o seu agente, que continua independente: alterar o modelo depois não muda o seu agente.

    Modelo de vozPara que serve
    Atendimento ao clienteConversas de suporte claras e curtas, com confirmação de ações importantes.
    Recepcionista virtualAtende chamadas, faz a triagem, coleta nome e motivo e encaminha.
    Suporte técnicoDiagnóstico passo a passo, confirmando o entendimento a cada etapa.
    Assistente de vendasEntende o interesse do cliente e qualifica a oportunidade sem prometer o que não sabe.
    Professor de inglêsPrática de conversação com paciência, correções breves e ritmo adaptável.
    Treinador de entrevistasSimula uma entrevista e dá um feedback curto após cada resposta.
    Assistente geralUm ponto de partida útil para conversar no idioma do usuário.
    Começar do zeroUm agente em branco: você escreve as instruções e configura a conversa.
  4. Preencha as etapas do assistente

    O assistente tem cinco etapas, descritas a seguir: Agente e modelo, Conversa, Conectores e toolboxes, Acesso e Revisar.

  5. Revise e salve

    Na última etapa, confira o resumo e salve. Salvar publica uma nova versão do agente.

Etapa 1: Agente e modelo

Campo Descrição
Nome Como o agente aparece para os usuários.
Descrição Opcional, mas recomendada: ajuda o usuário a entender para que serve o agente.
Projeto Projeto Foundry em que o agente será criado (só na criação). Escolha um projeto New Foundry.
Modelo Modelo de voz em tempo real compatível. Modelos sem voz homologada neste projeto aparecem como indisponíveis, com o motivo.
Gestão Quem gerencia o agente: a Organização (só Administradores e Colaboradores alteram) ou um workspace (os owners dele também). Veja Workspace Owner.
Instruções O comportamento do agente. Para voz, prefira frases curtas, uma pergunta por vez, e evite pedir que o agente leia links, tabelas ou código em voz alta.

O botão Melhorar com IA reescreve as instruções pensando em conversa falada (para usá-lo, escolha antes um projeto). Revise o texto antes de seguir.

Etapa 2: Conversa

Aqui você define como o agente soa e como a conversa se comporta.

  • Voz: escolha entre as vozes homologadas para o modelo. Clique em Ouvir amostra para comparar. As amostras são áudios pré-gravados: não abrem uma sessão, não usam o microfone e não aparecem no histórico.
  • Idioma da conversa: o idioma em que o usuário fala. Alguns modelos oferecem Detecção automática de idioma.
  • Modelo de transcrição: modelo que transcreve a fala do usuário para o histórico.
  • Saudação: marque O agente inicia a conversa para que ele fale primeiro. Você pode pedir que ele fale um texto exato ou que gere a saudação a partir das instruções. Algumas vozes não falam um texto exato; nesse caso, use a saudação gerada ou desative a saudação.

Configurações avançadas da conversa

Os padrões atendem à maioria dos casos. Ajuste apenas se precisar:

Opção O que faz
Detecção de turnos Como o agente percebe que o usuário terminou de falar: detecção de atividade de voz no servidor, detecção semântica Azure ou detecção semântica OpenAI.
Limiar de fala, prefixo de áudio e duração do silêncio Sensibilidade para detectar o início e o fim da fala.
Velocidade da fala Ritmo da voz do agente.
Máximo de tokens de saída Limite do tamanho de cada resposta.
Dicas de reconhecimento Termos que o agente deve reconhecer melhor (nomes de produtos, siglas), um por linha.
Supressão de ruído e cancelamento de eco Melhoram a captação em ambientes ruidosos.
Permitir interrupção pela fala Quando ativo, o usuário pode interromper o agente falando.
Mensagens intermediárias Frases curtas que o agente fala enquanto espera uma ferramenta responder.
Temperatura da voz Variação na entonação, nos modelos que oferecem a opção.

Etapa 3: Conectores e toolboxes

Dê ferramentas ao agente para que ele consulte sistemas durante a conversa. Há dois modos, mutuamente exclusivos:

  • Ferramentas individuais: conectores MCP, até 20 por agente.
  • Uma toolbox: uma toolbox do projeto. É o caminho para usar busca na web, interpretador de código, OpenAPI, Logic Apps e skills em um agente de voz.

Trocar de modo remove a seleção atual. Se não quiser ferramentas, clique em Pular. Itens que a voz não pode usar aparecem desabilitados, com o motivo. As regras principais:

  • Conectores que exigem consentimento do usuário ou que enviam o e-mail do usuário não funcionam na voz.
  • O conector MCP precisa ter URL HTTPS. Conectores antigos, que só têm o nome da conexão, não são aceitos.
  • A toolbox precisa estar publicada e ter ao menos uma ferramenta ou skill. Ferramentas MCP dentro da toolbox não podem exigir aprovação.
  • Itens suspensos pela gestão não podem ser anexados.

Versão fixada. O agente de voz guarda uma cópia dos conectores e toolboxes na versão em que foi publicado. Por isso, enquanto um agente de voz usar um conector ou toolbox, não é possível editá-lo nem alterar suas ferramentas. Para mudar, edite o agente de voz ou remova o vínculo.

Etapa 4: Acesso

Escolha quem poderá usar o agente: usuários, grupos e Áreas de Trabalho. Você pode pular esta etapa e compartilhar depois pelas ações de compartilhamento da lista de agentes. Workspace Owners compartilham apenas dentro dos seus workspaces (veja Workspace Owner).

Etapa 5: Revisar

Confira nome, modelo, voz, idioma, instruções e acesso. Use Editar em qualquer bloco para voltar à etapa correspondente e clique em Salvar.

Editando e versões

Cada vez que você salva, o Power Omni publica uma nova versão do agente de voz no Foundry.

  • Novas sessões usam a versão mais recente publicada.
  • Sessões em andamento mantêm as configurações com que começaram, mesmo que você edite o agente.
  • Se alguém alterou o agente diretamente no portal do Foundry, o Power Omni avisa que existe uma versão mais recente no Foundry. Revise e clique em Adotar versão do Foundry para trazê-la; isso substitui as configurações exibidas, inclusive alterações não salvas.

Agentes de voz podem ser suspensos e reativados pela gestão, como os demais agentes. Uma sessão em andamento é encerrada quando o agente, ou um item dele, é suspenso.

Modelos de voz e tarifas

Os agentes de voz usam modelos de voz em tempo real (família gpt-realtime, como gpt-realtime-2.1 e gpt-realtime-2.1-mini, e azure-realtime). Eles são cadastrados em Artefatos > Modelos, como os demais modelos.

  • São modelos de serviço gerenciado: não há deployment nem cota no Azure. A cobrança é pelo uso de áudio.
  • Se o modelo de voz não aparecer na etapa Agente e modelo, um administrador precisa cadastrá-lo em Modelos.
  • Na instalação automática, o passo Habilitar conversas por voz já cadastra o modelo.

Custos

Como a voz é cobrada pelo Azure, o custo depende do tempo de fala e do modelo escolhido, e é contabilizado por resposta do agente.

O que pesa no custo Detalhe
Áudio Fala do usuário (entrada) e fala do agente (saída), em tokens de áudio. É o maior componente.
Texto Instruções, contexto e ferramentas também consomem tokens de texto.
Contexto em cache Tem tarifa reduzida, quando aplicável.
Transcrição A transcrição da fala do usuário para o histórico tem tarifa própria, conforme o modelo de transcrição escolhido.

Valores de referência (preço público do Azure, por 1 milhão de tokens, em USD):

Modelo Áudio de entrada Áudio de saída Texto de entrada Texto de saída
gpt-realtime-2.1 32 31 4 24
gpt-realtime-2.1-mini 11 26 0,66 2,64

Como referência, uma estimativa só de áudio (300 tokens de entrada e 600 de saída por minuto de conversa) fica em torno de US$ 0,03 por minuto com o gpt-realtime-2.1 e US$ 0,02 por minuto com o gpt-realtime-2.1-mini.

São estimativas. Os valores acima seguem a tabela pública da Microsoft e não substituem a fatura do Azure. O custo real varia com o tamanho das instruções, o uso de ferramentas e o ritmo da conversa. Para acompanhar o gasto real, use o Monitoramento e defina um Orçamento.

Dicas para controlar o custo:

  • Prefira o modelo mini para atendimentos simples e de alto volume.
  • Mantenha instruções curtas e conecte apenas as ferramentas necessárias.
  • Reduza a duração máxima e o tempo de inatividade das sessões (veja a seção a seguir).
  • Defina orçamentos por agente, grupo ou organização.

Limites das sessões de voz

Em Artefatos > Agentes, o botão Sessões de voz abre as Configurações de sessões de voz, onde o administrador define os limites das sessões de toda a organização. Informe um valor entre 1 e 60 minutos.

Limite Padrão Descrição
Duração máxima da sessão 30 minutos A sessão é encerrada ao atingir este tempo.
Tempo limite de inatividade 5 minutos A sessão é encerrada se ninguém falar. O tempo do agente respondendo ou executando uma ferramenta não conta como inatividade.

A inatividade não pode ser maior que a duração máxima. Além desses limites, a sessão também é encerrada quando:

  • o orçamento disponível se esgota;
  • o acesso do usuário ao agente é revogado, ou a licença deixa de ser válida;
  • o agente ou um item dele é suspenso, ou um componente da versão é removido;
  • o usuário encerra, sai do painel de voz ou a conexão é interrompida.

Monitoramento e orçamento

Em Monitoramento, o custo e as requisições de voz aparecem separados do texto:

  • Total de Perguntas: mostra a contagem de perguntas de texto e, abaixo, + N respostas de voz.
  • Custo Médio / Pergunta: considera somente conversas de texto.
  • Custo Total: detalha Texto e Voz (por exemplo, "Texto US$ 12,21 · Voz US$ 0,01").
  • Nas tabelas de uso, as linhas de agentes, usuários e modelos que tiveram voz trazem uma linha extra Voz com o valor correspondente.

O consumo de voz também entra nos Orçamentos, que são verificados durante a conversa.

Consumo não conciliado. Enquanto a Microsoft não confirma que o relatório de uso de áudio está completo, a sessão acumula os componentes que o serviço informou e marca o consumo como não conciliado. Nada é estimado nem lançado como zero. Em caso de divergência, a fatura do Azure é a referência.

Boas práticas

  • Escreva instruções para conversa falada: frases curtas, uma pergunta por vez, confirmação de nomes e números.
  • Peça que o agente confirme antes de ações com consequências e que nunca diga que concluiu algo antes de a ferramenta responder.
  • Escolha a voz ouvindo as amostras e o idioma que os seus usuários realmente falam.
  • Teste o agente com o microfone e o navegador que os usuários vão usar.
  • Habilite só os conectores necessários e prefira toolboxes para integrações como busca na web.
  • Defina limites de sessão e orçamento antes de liberar para muitos usuários.

Limitações

  • Não há gravação nem reprodução de áudio; o histórico é somente em texto.
  • Cada usuário pode ter uma sessão de voz ativa por vez na organização.
  • Uma conexão interrompida não é retomada: o usuário inicia uma nova sessão, com contexto novo.
  • Voz exige HTTPS e um navegador com microfone e AudioWorklet.
  • Conectores que dependem da identidade do usuário (consentimento, envio do e-mail) não funcionam na voz.

Para ver como o usuário final conversa com o agente, consulte Conversas por Voz.

Precisa de ajuda?

Se tiver dúvidas sobre agentes de voz, modelos, custo ou limites de sessão, entre em contato com o suporte do Power Omni.

Atualizado