Modos de Assistentes

Entenda os três modos de geração de voz disponíveis para seus assistentes de IA e quando usar cada um.

Os assistentes de IA na MayaHub.ai podem falar em três modos distintos. Cada modo determina como a fala do cliente é compreendida e como a resposta do assistente é gerada:

Escolher o modo certo pode melhorar o tempo de resposta, a naturalidade e a experiência geral da chamada.

1. Pipeline

Rótulo na interface	Pipeline
Como funciona	Speech-to-Text → LLM → Text-to-Speech
Latência	~800 – 1500 ms (depende do idoma e modelo)
Mais Indicado para	Raciocínio complexo, prompts dinâmicos, respostas com múltiplas frases

O modo Pipeline primeiro transcreve as palavras do cliente em texto, processa esse texto no modelo de linguagem e depois converte a resposta de volta em áudio. É uma abordagem consolidada que oferece máxima flexibilidade:

• Suporta todas as vozes da biblioteca (incluindo vozes clonadas personalizadas).
• Lida bem com respostas longas ou em formato de parágrafo.
• Permite que o LLM insira variáveis e faça referência ao contexto anterior de forma clara.

Quando escolher Pipeline

• Você precisa de respostas ricas e com múltiplas frases (ex.: consultas de suporte, explicações detalhadas).
• O assistente precisa raciocinar sobre dados estruturados ou prompts complexos.
• Você prefere controle absoluto sobre a voz falada (clonada ou da marca).

2. Speech-to-Speech (Multimodal)

Rótulo na interface	Speech-to-speech
Como funciona	Geração direta de fala para fala (sem texto intermediário)
Latência	~300 – 600 ms (ultra baixa)
Mais Indicado para	Conversas naturais, respostas curtas e reativas

O modo Speech-to-Speech ignora a transcrição separada e o TTS. Em vez disso, usa um modelo multimodal que ouve e fala diretamente, proporcionando um fluxo mais conversacional:

• Troca de turnos rápida – os clientes recebem respostas quase instantâneas.
• Gera prosódia mais expressiva de forma nativa (entonação, pausas, fillers).
• Atualmente suporta um conjunto limitado de vozes, mas mais estão sendo adicionadas regularmente.

Quando escolher Speech-to-Speech

• A conversa precisa ser ágil (vendas, confirmações de reserva).
• Suas respostas são geralmente frases curtas ou confirmações rápidas.
• Você aceita as opções de voz fornecidas pelo sistema para interação mais rápida.

O modo Speech-to-Speech está evoluindo rapidamente. Se você precisar de uma voz clonada personalizada com baixa latência, experimente o Dualplex.

3. Dualplex (Beta)

Rótulo na interface	Dualplex
Como funciona	Multimodal STT + LLM (speech-to-speech) com saida ElevenLabs TTS
Latência	Baixa (varia conforme voz e modelo)
Mais Indicado para	Respostas rápidas e naturais com vozes de alta qualidade/marca (clonadas)

O Dualplex combina a rapidez do modo Speech-to-Speech com as vozes premium e clonagem da ElevenLabs usadas no Pipeline. O assistente utiliza o modelo multimodal para entender o cliente e planejar a resposta, e depois renderiza a fala final pelo ElevenLabs, garantindo saída consistente e de alta fidelidade.

• Troca de turnos quase instantânea, semelhante ao Speech-to-Speech.
• Acesso à biblioteca de vozes ElevenLabs, incluindo vozes clonadas personalizadas.
• Excelente para respostas curtas a médias com prosódia expressiva.
• Recomendado como padrão para a maioria dos casos de uso atualmente; atualmente em Beta.

Quando escolher Dualplex

• Você quer respostas rápidas e naturais, mas precisa de uma voz de marca ou clonada.
• Você deseja uma entrega mais expressiva sem abrir mão da escolha precisa da voz.
• Você está confortável usando um recurso novo que ainda está em Beta.

Mudando de modo
Você pode selecionar o modo para cada assistente em Assistente → Configurações → Motor de Voz. Teste os três modos para ver qual oferece o melhor equilíbrio entre velocidade e qualidade para seu caso de uso. O Dualplex atualmente está rotulado como Beta.

---

Dica profissional: Grave duas chamadas – uma em cada modo – e compare a latência percebida pelo cliente e o nível de engajamento para decidir qual se adapta melhor ao seu fluxo.