Vi uma IA de Drive-Thru Interromper uma Pessoa que Gagueja. Então Construí Algo Diferente.

Tem um vídeo circulando no Reddit. Uma mulher no drive-thru de um Wendy's está tentando pedir um Baconator. Ela gagueja — um bloqueio no "b" — e a IA a interrompe no meio da palavra, sugerindo animadamente um Frosty. Ela tenta de novo. O sistema interpreta a repetição dela como um novo pedido. Três tentativas depois, ela está gritando "ATENDENTE" para uma caixa de som que não se importa.

Já assisti a esse vídeo umas trinta vezes, provavelmente. Não porque seja engraçado — não é — mas porque cada falha naquela interação corresponde precisamente a uma decisão arquitetural que alguém tomou numa sala de reunião, provavelmente enquanto olhava para um slide que dizia "taxa de sucesso de 86%".

Aqueles 14% restantes? São pessoas reais. E eu diria que a arquitetura nunca foi construída para elas em primeiro lugar.

Esta é a história de por que minha equipe na Veriprajna passou a maior parte de dois anos rejeitando o caminho mais rápido para o mercado em IA de voz — e do que construímos no lugar.

O Que "IA de Voz de Nível Empresarial" Realmente Significa?

A maioria das empresas do nosso setor faz algo notavelmente simples: conectam um microfone a uma API. OpenAI, Google, Anthropic — escolha seu grande modelo de linguagem favorito, envie o áudio, receba o texto de volta, gere uma resposta. Pronto, lançou.

Eu chamo isso de abordagem de wrapper de API, e ela funciona lindamente em uma demonstração. Sala silenciosa, quem fala com clareza, pedido simples. A demo sempre funciona.

A demo sempre funciona. O drive-thru às 23h47 com um caminhão a diesel em marcha lenta atrás de você e uma criança pequena gritando no banco de trás — é aí que a arquitetura realmente importa.

O sistema FreshAI do Wendy's — construído sobre o Vertex AI do Google Cloud — é provavelmente o exemplo mais notório dessa abordagem em escala. E as experiências relatadas pelos clientes dizem tudo o que você precisa saber sobre seus limites: clientes precisando de três ou mais tentativas para pedidos simples, o sistema interrompendo as pessoas no meio da frase para sugerir itens que elas não pediram, e uma experiência descrita como "inutilizável" para qualquer pessoa com uma disfluência na fala.

Mesmo assim, o Wendy's está expandindo para 500 a 600 locais. A razão é matemática simples — o sistema aumenta o valor médio do pedido por meio de upselling, e os números de eficiência de mão de obra ficam bem em uma teleconferência trimestral de resultados. Se você está otimizando para a média, a arquitetura é um sucesso. Se você é a pessoa para quem ela não funciona, a arquitetura está quebrada.

Explorei essa tensão em profundidade na versão interativa da nossa pesquisa. Mas o argumento central é um que quero apresentar pessoalmente, porque ele moldou a forma como construímos tudo.

A Noite em Que Percebemos Que o Microfone Era o Lugar Errado para Começar

Eram cerca de 21h de uma quinta-feira no fim da primavera. Eu, meu cofundador e dois engenheiros parados no estacionamento de um Taco Bell fechado que tínhamos conseguido permissão para usar em testes. Tínhamos nosso protótipo montado em um poste — um alto-falante, um microfone, um pouco de fita adesiva segurando tudo. Vínhamos rodando ele no laboratório havia semanas a cerca de 95% de precisão. Nos sentíamos prontos.

O primeiro carro que parou era de uma mulher em um Honda Civic com o vidro meio abaixado. Ela disse "eu queria o combo número três" com clareza suficiente. O sistema ouviu "ilha número recon tigela". Olhei para meu cofundador. Ele olhou para o chão.

A precisão não estava apenas ruim — estava inutilizável. Ficamos naquele estacionamento por mais duas horas, fazendo teste após teste, e os números só pioravam à medida que o tráfego da noite aumentava. Lembro do momento exato em que parei de me sentir frustrado e comecei a sentir algo mais próximo do pavor: isso não era um problema de ajuste. Toda a nossa abordagem estava errada.

O problema não era o modelo de linguagem. O modelo estava bem. O problema era tudo o que acontecia antes de o áudio chegar ao modelo. Ruído de vento. Ronco de motor. O zumbido mecânico de uma unidade de ar-condicionado a seis metros de distância. Uma buzina de carro a três quarteirões. Nosso sistema não conseguia distinguir uma voz humana de um motor a diesel porque, no nível do sinal, ninguém o havia ensinado a fazer isso.

Aquele foi o momento em que entendi algo que acho que a maioria das pessoas nesse setor ainda não internalizou: IA de voz não é um problema de PLN. É primeiro um problema de processamento de sinais, em segundo um problema de linguística e, em terceiro, um problema de PLN. Se sua primeira camada está quebrada, nada mais abaixo na cadeia pode salvá-lo.

Por Que a IA de Drive-Thru Vive Interrompendo as Pessoas?

O culpado é algo chamado Detecção de Atividade de Voz — VAD (Voice Activity Detection). É o sistema que decide quando você começou a falar e quando parou. Na maioria das soluções de wrapper, é um simples limiar de energia: o som ultrapassa uma linha, a gravação começa; o som cai abaixo da linha, a gravação para.

Pense nisso em um drive-thru. Você faz uma pausa de meio segundo para dar uma olhada no painel do cardápio. A energia cai. O VAD decide que você terminou. Ele envia um fragmento de frase para o modelo, o modelo alucina uma resposta a uma pergunta que você nunca terminou de fazer, e agora você está discutindo com uma caixa de som.

Reconstruímos nosso VAD do zero. Em vez de limiares de energia, usamos modelos neurais — Silero, Cobra — que produzem uma pontuação de probabilidade de fala humana em diversas frequências. Em vez de um liga/desliga binário, nosso sistema fornece um nível de confiança. E em vez de uma tolerância de pausa estática de 500 milissegundos, usamos uma janela dinâmica de 600 a 1.000 milissegundos que se ajusta com base no contexto da conversa.

O truque que fez a maior diferença, porém, foi o que chamamos de transcrição especulativa. O sistema começa a processar o áudio aos 250 milissegundos, mas não se compromete com um ponto final até 600 milissegundos de silêncio confirmado. Essa sobreposição reduz a latência percebida em 350 a 600 milissegundos e, ao mesmo tempo, elimina as interrupções prematuras.

Meu cofundador argumentou durante semanas que a janela de pausa dinâmica era excesso de engenharia. Estávamos no escritório até tarde numa noite — café frio, quadros brancos cobertos de diagramas de latência — e ele empurrou a cadeira para trás e disse: "Estamos gastando três semanas-engenheiro em um recurso que economiza meio segundo. Ninguém faz uma pausa de um segundo inteiro num drive-thru. Isso é um problema de vaidade." Eu disse algo como: "E se você estiver errado, teremos construído um sistema que interrompe todo cliente que precisa pensar." Não conversamos pelo resto da noite. Ele foi embora por volta da meia-noite. Eu fiquei e continuei rodando simulações.

Então testamos com clientes reais. Acontece que as pessoas fazem pausas o tempo todo — olhando o cardápio, virando para perguntar a um passageiro o que ele quer, pensando se realmente precisam de batatas fritas. Um segundo inteiro de pausa natural não é silêncio. É pensamento. Meu cofundador me mandou uma mensagem de uma linha depois de ver os resultados do teste: "Você estava certo. Desculpa pela cadeira."

Quando você otimiza para velocidade em vez de paciência, você constrói um sistema que só funciona para pessoas que já sabem o que querem.

80 Milhões de Pessoas

A gagueira afeta mais de 80 milhões de pessoas no mundo todo. Esse número teve um peso diferente para mim depois do estacionamento.

Ela se manifesta como repetições ("b-b-b-baconator"), prolongamentos ("llllleite") e bloqueios — pausas silenciosas no meio de uma palavra em que a pessoa fisicamente não consegue produzir som.

Agora pense no que um VAD padrão faz com um bloqueio. A pessoa para de emitir som no meio da palavra. O sistema interpreta o silêncio como conclusão da vez de falar. Ele responde a meia palavra. A pessoa tenta de novo. O sistema trata a repetição como um novo pedido. Em dez segundos, você tem uma IA confusa, um ser humano frustrado e uma fila de carros se formando atrás.

Isso não é um caso extremo. É uma escolha de design. Quando você treina um modelo de ASR (Reconhecimento Automático de Fala) quase exclusivamente em inglês "padrão" dos EUA — bem articulado, com pausas mínimas — você está tomando uma decisão sobre para quem o seu sistema serve. Pesquisas mostram que os modelos de ASR baseados em Conformer (uma arquitetura neural que combina convolução com autoatenção para processamento de áudio), a espinha dorsal da maioria dos sistemas modernos, veem seu desempenho se degradar de forma tão severa em fala desordenada que alguns retornam pontuações de similaridade semântica negativas. Não apenas imprecisas — semanticamente invertidas.

Quando o seu modelo de IA retorna pontuações semânticas negativas em fala desordenada, você não construiu um sistema que tem dificuldade com casos extremos. Você construiu um sistema que nunca foi projetado para ouvir uma parcela significativa da humanidade.

Um investidor me disse uma vez, sem rodeios: "É só usar a API e fazer o fine-tuning depois. Você está queimando caixa em um problema que afeta uma pequena porcentagem de clientes." Puxei os números no meu celular — 80 milhões de pessoas só com gagueira, antes de contar sotaques, falantes de ESL (inglês como segunda língua), clientes idosos, qualquer um pedindo dentro de um carro barulhento. Vi o rosto dele mudar. "Isso não é uma pequena porcentagem", ele disse. "Não", eu disse. "Não é."

Fazemos o fine-tuning de modelos auto-supervisionados em conjuntos de dados de fala disfluente reanotados. Usamos a inserção sintética de disfluências — pegando transcrições fluentes, adicionando bloqueios e repetições, sintetizando-os em áudio de treinamento. É um trabalho meticuloso. Não é o tipo de coisa que aparece em uma tabela comparativa de recursos. Mas é a diferença entre um sistema que funciona para todos e um sistema que funciona para a média.

O Que Acontece Quando a IA de Voz Roda na Borda em Vez da Nuvem?

Cada palavra dita em um microfone de drive-thru do Wendy's viaja pela internet pública até um data center do Google e volta. Essa ida e volta custa de 100 a 500 milissegundos antes mesmo de o modelo começar a processar. Na interação por voz, o padrão-ouro é um tempo de resposta abaixo de 300 milissegundos — qualquer coisa acima disso, e a conversa deixa de parecer natural. Aos 700 a 900 milissegundos, parece uma ligação telefônica ruim. Aos dois segundos, as pessoas começam a falar por cima do sistema.

Movemos tudo para a borda. Processamento local em hardware especializado no próprio local do restaurante. Nossa latência caiu para 5 a 10 milissegundos.

Mas a verdadeira percepção não era só a velocidade — era o tamanho do modelo. Um LLM de uso geral precisa saber tudo sobre tudo. Um Small Language Model específico de domínio precisa saber que "Dave's Single" é um hambúrguer, não um álbum de música. Esse foco significa inferência mais rápida, respostas mais previsíveis e uma fração do custo computacional. Vimos melhorias de velocidade de 3x e custos operacionais de 30 a 40% mais baixos em comparação com abordagens baseadas em nuvem.

A arquitetura de borda também resolveu um problema que não havíamos antecipado completamente: confiabilidade. Quando a internet cai — e ela vai cair — um sistema dependente da nuvem se torna um peso de papel muito caro. Nosso sistema continua funcionando. Para o detalhamento técnico completo da nossa arquitetura de borda em comparação com as abordagens de nuvem, você pode se aprofundar no artigo de pesquisa.

A Barreira Regulatória de Que Ninguém Está Falando

A CAN-ASC-6.2:2025 chegou à minha mesa no início de 2025, e lembro de lê-la com algo entre alívio e reivindicação — ali estava uma norma que finalmente dizia o que vínhamos construindo: pessoas com deficiência precisam estar envolvidas no design, nos testes e na governança de sistemas de IA. Não como algo secundário. Desde o início. O European Accessibility Act começa a ser aplicado em junho de 2025 com multas altas, e o ADA está sendo reinterpretado para abranger barreiras digitais para pessoas com deficiências de fala. Readaptar um sistema não conforme em 600 locais custa aproximadamente cinco vezes o que custa construí-lo certo desde o início.

"E se estivermos apenas construindo uma forma muito cara de anotar um pedido de hambúrguer?"

Esse pensamento me atingiu por volta das 2h da manhã, talvez seis meses após o início do desenvolvimento. Eu estava sozinho no escritório, encarando um espectrograma de uma palavra gaguejada que nosso sistema ainda não conseguia interpretar. Estávamos nisso havia meses. Tínhamos queimado a maior parte do nosso financiamento inicial. E as empresas de wrapper de API estavam lançando produto enquanto nós ainda depurávamos pipelines de processamento de sinais.

Quase desisti. Quase decidi só embrulhar a API, lançar alguma coisa e iterar depois, como todo mundo.

Mas "iterar depois" é uma mentira em IA de voz. Uma vez que você construiu sua arquitetura em torno de premissas de dependência de nuvem, limiar de VAD e apenas fala fluente, cada interação com o cliente reforça essas premissas nos seus dados de treinamento. Você não itera em direção à acessibilidade. Você itera para longe dela.

Construa primeiro para o caso extremo, e o caso médio se resolve sozinho. Construa para a média, e o caso extremo nunca é corrigido.

O Problema da Alternância de Turnos Que Me Fez Repensar Tudo

Há uma sutileza na conversa humana que tomamos completamente como certa. Quando você diz "eu queria um Baconator e..." — aquele "e" arrastado sinaliza que você não terminou. Um atendente humano esperaria. A maioria das IAs de drive-thru não espera.

Construímos o que penso como uma gramática conversacional em nossa lógica de detecção de fim de fala. O sistema analisa pistas linguísticas em tempo real: conjunções que sinalizam continuação, mudanças de tom que sinalizam conclusão, a frase "é só isso" que significa exatamente o que diz. Quando um cliente diz "é só isso", nosso sistema responde em menos de 200 milissegundos porque a intenção é inequívoca. Quando ele deixa a frase se arrastar com "e...", ele espera, mesmo diante de um segundo inteiro de silêncio.

É também aqui que vive nossa filosofia de humano no circuito (human-in-the-loop). Não acreditamos que a IA deva conduzir a transação inteira sem supervisão. Pedidos simples e transacionais — a IA cuida deles. Situações complexas, clientes frustrados, momentos de alto atrito — esses são escalados a um humano antes que a interação desande, não depois.

O objetivo nunca foi substituir o humano no drive-thru. Foi garantir que nenhum cliente jamais precise gritar "ATENDENTE" para uma máquina que não está ouvindo.

Eu volto sempre àquela taxa de sucesso de 86% que o Wendy's relatou. Na maioria dos contextos de software, 86% seria um fracasso. Imagine um aplicativo de banco que processa 86% das transações corretamente. Imagine um sistema de navegação que leva você ao destino certo 86% das vezes. O drive-thru de alguma forma normalizou uma taxa de falha que seria inaceitável em qualquer outra interação de consumo.

Isto É um Problema de Arquitetura, Não um Problema de IA

O padrão que vejo em todo o setor é o de empresas tratando a IA de voz como uma camada de software — algo que você acopla sobre a infraestrutura existente com a chave de API certa. E eu entendo por quê. É rápido, é barato e as demos são incríveis.

Mas o drive-thru não é uma demo. É motor a diesel, vento, crianças pequenas, sotaques, gagueira e pessoas que fazem pausas para pensar. É a complexidade completa e irredutível da comunicação humana acontecendo no pior ambiente acústico possível. Você não consegue atravessar isso à base de wrapper.

As empresas que vencerão neste mercado — e digo isso com o viés de alguém que apostou a carreira nisso — são aquelas dispostas a ir a fundo. A fundo no processamento de sinais. A fundo na modelagem acústica. A fundo na linguística de como as pessoas realmente falam, não de como os dados de treinamento de ASR dizem que elas deveriam falar. A fundo em infraestrutura de borda que não dependa de um data center a mil e seiscentos quilômetros de distância.

Não há atalhos em IA de voz. Há apenas o trabalho rigoroso, sem glamour e profundamente técnico de construir sistemas que ouçam cada cliente. Não 86% deles. Cada um, sem exceção.

É isso que "nível empresarial" significa. E até que o setor aceite essa definição, continuaremos assistindo a vídeos de caixas de som de drive-thru que não conseguem entender a palavra "Baconator".