Como funciona um agente de voz com IA: toda a chamada é processada nos seus servidores

A chamada chega através do seu fornecedor SIP ou da sua central telefónica (PBX). A partir daí, tudo — reconhecimento de fala, decisão sobre o que dizer, síntese de voz, gravações — acontece dentro da sua infraestrutura.

Arquitetura

Ilustração: Ilustração: call center com IA on-premise — os dados ficam nas suas instalações AS SUAS INSTALAÇÕES — OS DADOS NUNCA SAEM Servidor GPU AI Fortis reconhecimento de fala · voz · hub Modelo de linguagem local (opcional) SIP trunk / PBX O seu CRM / ERP Cliente o seu fornecedor (API) Ilustração
Com o seu fornecedor de LLM via API, sai apenas o texto dos turnos; com um LLM local, não sai nada.

Os componentes

Gateway de telefonia

Funciona no seu servidor e liga-se ao seu trunk SIP ou PBX. Chamadas de entrada e de saída, deteção de ocupado, transferência para um colega.

Reconhecimento de fala

O nosso próprio reconhecimento de fala, no servidor GPU, otimizado para áudio telefónico e para cada idioma que fornecemos.

Voz

As nossas próprias vozes neuronais, otimizadas para conversas telefónicas e acentuação correta. Uma voz personalizada para a sua marca, a pedido.

Controlo da conversa

Quem fala quando, interrupção pelo cliente, pausas, proteção contra repetições, divulgação de IA e aviso de gravação.

Modelo de linguagem

Formula as respostas e decide quando usar uma ferramenta. O seu fornecedor atual via API, ou um modelo totalmente local, sem internet.

Sala de controlo

Agentes e versões, campanhas, lista de exclusão, horários de chamada, gravações, transcrições, extração de dados, portais de cliente, funções, registo de auditoria.

O percurso de um turno — com tempos medidos

Ilustração: Ilustração: um turno de uma chamada com tempos medidos
Cliente
Gateway SIP
Reconhecimento de fala
Modelo de linguagem + ferramentas
Voz
atendida em 0,14–0,31 s primeiro áudio 136 ms (mediana) fim da fala → primeiro som 1,4 s (mediana, chamadas de teste) Ilustração
  1. A pessoa fala; o áudio chega por SIP ao gateway no seu servidor.
  2. O reconhecimento de fala converte a fala em texto enquanto a pessoa ainda está a terminar.
  3. O modelo de linguagem decide a resposta e recorre a uma ferramenta se necessário (por exemplo, uma consulta de saldo no CRM).
  4. A voz sintetiza a resposta por partes, de modo que o primeiro som começa antes de a resposta completa estar pronta.
  5. A chamada, a transcrição e os campos extraídos são guardados no hub; um webhook notifica os seus sistemas.

Os tempos são medições de laboratório e de chamadas de teste (outubro de 2026). O tempo total de um turno depende sobretudo do modelo de linguagem que escolher.

O que acontece nos seus servidores durante uma chamada

Uma chamada chega ao seu gateway de telefonia através do trunk SIP ou da central existente. Daí segue para o nosso reconhecimento de voz, que converte as palavras do interlocutor em texto dentro das suas instalações. A camada de conversa decide o passo seguinte, com o modelo de linguagem que escolher: o seu fornecedor atual através de uma API, caso em que só é enviado o texto dos turnos, ou um modelo totalmente local, sem ligação à internet.

Se o agente precisar de dados, chama os seus sistemas através de ferramentas HTTP, usando apenas as ações que autorizou. A resposta segue depois para as nossas vozes, que a dizem na chamada. Gravações, transcrições e registos ficam nos seus servidores, com a retenção que definir para cada cliente.

Como cada passo corre dentro da sua infraestrutura, a sua equipa de segurança pode verificar o fluxo de dados, as regras de rede e o registo de auditoria como em qualquer outro sistema interno. Nada na chamada depende de um serviço de voz na cloud, pelo que mantém o controlo dos dados e também dos custos.

Durante um piloto medimos estes passos no seu hardware e com o modelo de linguagem que escolheu, porque é esse modelo a maior parte do atraso. Recebe os números para a sua configuração e a sua equipa vê como o agente se comporta em chamadas reais antes de qualquer arranque. A mesma sala de controlo mostra depois as chamadas em curso, as campanhas, as gravações e o registo de auditoria de cada agente.

Hardware e capacidade

Fornecemos servidores GPU empresariais dimensionados para o seu volume. Foi isto que medimos num dos nossos servidores de laboratório:

ConfiguraçãoChamadas simultâneasPrimeiro áudio da voz (mediana / p95)
Servidor GPU empresarial: configuração standard50 000+136 / 178 ms
Servidor GPU empresarial: configuração de máxima precisão16p95 156 ms
Servidor só com CPU (instalações pequenas)697 / 179 ms

Medido com reconhecimento de fala real sobre fala búlgara gravada. Os servidores de produção são dimensionados para o seu volume; mais volume significa mais servidores.

Ver os níveis de hardware no configurador →

Perguntas frequentes

Tudo funciona mesmo nos nossos servidores?

Sim: o nosso próprio reconhecimento de fala e os nossos modelos de voz, o controlo da conversa, o gateway de telefonia, as campanhas e as gravações. O modelo de linguagem é escolha sua: o seu fornecedor atual via API (nesse caso, apenas o texto dos turnos é enviado) ou um modelo totalmente local, sem internet.

Que hardware é necessário?

Fornecemos servidores GPU empresariais dimensionados para o seu volume. Como referência, um dos nossos servidores de laboratório suportou 50 000+ chamadas simultâneas. Veja o passo 2 do configurador.

Com que rapidez responde o agente?

Nas nossas chamadas de teste com um modelo de linguagem na cloud, o tempo mediano entre o fim da frase do cliente e o primeiro som da resposta foi de 1,4 s; a voz em si começa 136 ms depois de o texto da resposta estar pronto. O modelo de linguagem é a maior parte, por isso medimo-lo com a sua escolha no piloto.

Com que telefonia funciona?

Com qualquer trunk SIP padrão ou PBX: os seus números e o seu operador mantêm-se.

Veja-o a funcionar no seu próprio cenário

Agende uma chamada de 20 minutos, ouça o agente ou peça-nos um agente de exemplo gratuito para um dos seus tipos de chamada. Sem compromisso.

  • RGPD desde a conceção
  • Funciona nos seus próprios servidores
  • Operação e suporte 24/7
  • Uma equipa de 5 pessoas em Sófia, UE

Já em produção em organizações na Bulgária — nomes sob NDA.

Como o demonstramos →