Compreensão de Voz e Mídia
Seu agente de IA entende notas de voz, fotos e vídeos recebidos — e, no WhatsApp, também pode responder com uma nota de voz falada.
Duas capacidades
A Waslo lida com mídia rica de duas formas distintas. Ajuda mantê-las separadas:
- Compreensão de entrada — os clientes enviam uma nota de voz, foto ou vídeo e a IA entende e responde em texto.
- Respostas em voz (Growth) — a IA responde com uma nota de voz falada, não apenas em texto.
A primeira funciona em todos os principais canais. A segunda é uma funcionalidade do Growth e, hoje, envia respostas faladas no WhatsApp. Detalhes abaixo.
Compreensão de mídia recebida
Os clientes nem sempre digitam. Eles gravam uma nota de voz rápida, tiram uma foto ou enviam um clipe curto. A IA da Waslo é multimodal — ela consegue ver e ouvir o que um cliente envia e responder com base nisso, em texto.
Ativa em:
- Telegram
- Messenger
O que os clientes podem enviar
| Mídia | Exemplo de uso |
|---|---|
| Nota de voz | "Você tem isto em estoque?" falado em vez de digitado |
| Foto | "Esta é a peça certa?" / uma foto de um produto ou modelo |
| Vídeo | Um clipe curto mostrando um relato de dano ou um defeito |
Usos do mundo real: um cliente fotografa um produto e pergunta se está disponível; alguém envia uma foto de um compromisso; um cliente grava uma pergunta em voz no próprio idioma; um comprador filma um defeito para um pedido de garantia. A IA recebe a mídia e responde em texto, fundamentada na sua Base de Conhecimento e no Catálogo exatamente como faria com uma mensagem digitada.
As respostas permanecem em texto
Na compreensão de mídia recebida, a resposta é em texto nos quatro canais. Isso é intencional — entender a mídia e falar de volta são duas funcionalidades separadas (veja Respostas em Voz abaixo).
Respostas em Voz (Growth)
No plano Growth, sua IA pode responder com uma nota de voz falada de verdade — uma resposta em áudio com som natural, no idioma do cliente.
A regra do espelho
A Waslo nunca surpreende um cliente com uma nota de voz inesperada:
- Um cliente envia uma nota de voz → a IA responde com uma nota de voz.
- Um cliente envia uma mensagem digitada → a IA responde com texto.
Então a resposta em voz só acontece quando o cliente escolheu a voz primeiro. Uma cópia em texto de cada resposta falada também é salva na conversa, para que sua equipe possa ler o que foi dito.
Onde as respostas em voz funcionam hoje
| Canal | Entende mídia recebida | Responde com voz |
|---|---|---|
| Sim | Sim | |
| Telegram | Sim | Apenas texto |
| Sim | Apenas texto (a API não consegue enviar áudio) | |
| Messenger | Sim | Apenas texto |
As respostas faladas atualmente saem no WhatsApp. No Telegram, Instagram e Messenger, a IA ainda entende voz, fotos e vídeos recebidos — ela apenas responde em texto por enquanto. A API do Instagram não consegue enviar áudio de forma alguma, então as respostas em voz não são possíveis lá.
Ativando Respostas em Voz
- Esteja no plano Growth com uma assinatura ativa.
- Abra Agente de IA → Respostas em Voz.
- Ative o botão de respostas em voz para sua organização.
- Escolha uma voz — selecione por idioma e gênero e pré-escute-a antes de salvar.
- Salve. A partir daí, entrada em voz gera saída em voz no WhatsApp, seguindo a regra do espelho.
Créditos
Mídia custa mais do que texto simples porque usa IA multimodal:
- Uma resposta em texto é o custo base.
- Eventos de voz, imagem e vídeo (entender mídia recebida ou sintetizar uma resposta falada) custam mais por evento do que uma resposta em texto.
No PAYG, isso sai do seu saldo de créditos; no Growth, o envio de mensagens está incluído. Veja Cobrança e Planos para as tarifas atuais.
Limitações honestas
- As respostas em voz são prioritariamente para o WhatsApp. Telegram e Messenger entendem mídia recebida, mas respondem em texto hoje; o Instagram não consegue enviar áudio de forma alguma.
- A voz em árabe é Árabe Padrão Moderno. As respostas faladas em árabe usam o MSA (
ar-XA) — não há vozes de dialetos regionais no momento. - As respostas em voz exigem o Growth. A compreensão de entrada é mais ampla, mas as respostas faladas precisam de uma assinatura Growth ativa mais o botão da organização ligado.
- A mídia tem limites de tamanho. Arquivos muito grandes podem não ser processados.
Perguntas frequentes
Meu cliente pode enviar uma nota de voz e receber uma resposta falada de volta? Sim, no WhatsApp com as Respostas em Voz ativadas (Growth). A regra do espelho significa que uma nota de voz de entrada gera uma nota de voz de saída. No Telegram, Instagram e Messenger, a IA entende a nota de voz, mas responde em texto.
Clientes que digitam vão receber notas de voz de repente? Não. Texto de entrada sempre gera texto de saída. A saída em voz só acontece quando o cliente enviou voz primeiro.
Que idioma a resposta em voz usa? O idioma do cliente. O árabe usa o Árabe Padrão Moderno.
A IA consegue entender uma foto de um produto? Sim — ela é multimodal. Ela consegue raciocinar sobre a imagem e responder em texto, usando sua Base de Conhecimento e Catálogo.
Preciso do Growth para a compreensão de mídia? A compreensão de entrada de voz, fotos e vídeos está disponível nos canais suportados. Enviar respostas em voz faladas é a funcionalidade do Growth.
Existe um registro em texto das respostas faladas? Sim. Uma cópia em texto de cada resposta em voz é salva na conversa.
Próximos passos
- Configuração do Agente de IA — configure as Respostas em Voz e o Catálogo de Produtos
- Base de Conhecimento (RAG) — fundamente cada resposta no seu próprio conteúdo
- Cobrança e Planos — créditos, pacotes e o plano Growth