Enterprise AI CallcenterOn-premise
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
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
- A pessoa fala; o áudio chega por SIP ao gateway no seu servidor.
- O reconhecimento de fala converte a fala em texto enquanto a pessoa ainda está a terminar.
- O modelo de linguagem decide a resposta e recorre a uma ferramenta se necessário (por exemplo, uma consulta de saldo no CRM).
- A voz sintetiza a resposta por partes, de modo que o primeiro som começa antes de a resposta completa estar pronta.
- 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:
| Configuração | Chamadas simultâneas | Primeiro áudio da voz (mediana / p95) |
|---|---|---|
| Servidor GPU empresarial: configuração standard | 50 000+ | 136 / 178 ms |
| Servidor GPU empresarial: configuração de máxima precisão | 16 | p95 156 ms |
| Servidor só com CPU (instalações pequenas) | 6 | 97 / 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.
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.