Nunca ponha dados de tolerância zero atrás da voz

UX de vozPost-mortemASR
Atualizado 2026-09-07

Se uma etapa do seu produto não tolera nem um caractere errado, não faça da fala o único caminho por ela. Essa é a lição inteira, e ela custou um relacionamento com um cliente.

O que estávamos construindo

Um cliente queria um dispositivo de voz para uma escola. O fluxo central era simples. O aluno diz o próprio ID de estudante ao dispositivo, o sistema busca os registros de aprendizagem e os comentários do professor e os lê em voz alta. Sem tela, sem app, sem login. Chegar e falar.

A lógica era limpa e a experiência soava bem numa sala de reunião. Ela quebrou na primeira etapa.

Reconhecer intenção e reconhecer dígitos são problemas diferentes

O reconhecimento de voz é muito bom em descobrir o que a pessoa quis dizer. É sensivelmente pior em capturar uma sequência exata de dígitos, e aqui o ID de estudante tinha oito dígitos. Um dígito errado e não existe registro correspondente, então o fluxo para completamente. Não há crédito parcial.

Três modos de falha apareceram nos testes, e eles se somaram.

Sotaque e quase-homófonos

Em mandarim, 三 (três) e 四 (quatro) se confundem com facilidade, assim como 一 (um) e 七 (sete). Sotaques regionais aumentam a distância. O inglês tem o mesmo tipo de problema com fifteen e fifty, ou com M e N num canal ruim. Qualquer idioma tem pares assim, e uma sequência de ID é exatamente onde eles mais doem.

Rede fraca

Numa conexão lenta, o ciclo de ida e volta do reconhecimento se alonga. O usuário espera, e a resposta que finalmente chega continua errada. A latência não apenas irrita, ela tira a sensação de que tentar de novo vai adiantar.

Como as crianças realmente falam

As crianças não articulam na hora certa, e a distância entre a boca e o microfone muda o tempo todo porque elas se mexem. A precisão que parecia boa num teste silencioso com adultos cai de forma notável na sala real.

Sem tela, uma etapa ruim virou um beco sem saída

Num celular ou tablet, um erro de reconhecimento é recuperável. O usuário vê 38472619 na tela, percebe que o 7 deveria ser um 1 e corrige. Num dispositivo sem tela, o usuário nunca fica sabendo o que a máquina ouviu. Tudo o que recebe é "nenhum registro encontrado". Então fala de novo, falha de novo, e não existe caminho da falha de volta ao sucesso.

Vale dizer isso com clareza, porque é fácil deixar passar durante a especificação. Remover a tela não remove apenas a exibição. Remove o ciclo de correção.

O que mudamos

Agora o ID de estudante é vinculado a uma conta durante o cadastro, pelo celular. No dispositivo, a fala cuida da confirmação de identidade e da conversa comum, e nunca precisa carregar uma sequência exata de dígitos. A voz faz o que a voz faz bem, que é uma entrada imprecisa e tolerante a erros, em que estar aproximadamente certo ainda é útil.

Refizemos o projeto e voltamos ao cliente. O atraso foi nosso e a frustração deles era razoável, e não há muito a dizer em nossa defesa além de corrigir o design.

A pergunta que fazemos hoje

Nesta etapa, se o modelo errar, o usuário vai perceber, e consegue corrigir?

Se sim, a voz serve. Se não, não coloque essa etapa atrás da voz. Faça o vínculo antes, mova-a para outro canal ou adicione uma confirmação sobre a qual o usuário realmente consiga agir.

"Uma IA consegue fazer isso" e "uma IA consegue fazer isso com confiabilidade nesta situação específica" são afirmações distintas. Mantê-las separadas é a disciplina mais básica em hardware de voz, e costuma ser mais barato aplicá-la na fase de especificação do que depois do ferramental.

Relacionados

• Cartão Gravador com IA — protocolo Bluetooth aberto, sua própria pilha de transcrição
• Companheiro de Aprendizagem com IA 4G — base de conhecimento escolar e painel para os pais