Elevenlabs lança modelos de voz em tempo real com 98,8% precisão

Tecnologia

Elevenlabs introduz modelos de voz avançados para interações em IA com alta precisão e eficiência via API.

Leia também: Eric Schmidt pode ganhar US$ 20 bi com 1% da Anthropic avaliada

A Elevenlabs lançou hoje dois novos modelos de fala para fala, batizados de Eleven Realtime, que prometem conversas de inteligência artificial em tempo quase instantâneo e com alta precisão, voltadas de aplicações simples a operações complexas de suporte ao cliente.

Quais são os novos modelos de fala para fala lançados pela ElevenLabs?

Os novos modelos de fala para fala da Elevenlabs são o Eleven Realtime Max e o Eleven Realtime v1 Mini, ambos focados em conversas em tempo real, mas com públicos e custos diferentes.

O Max é a versão mais avançada e chega com 98,8% de precisão no benchmark Big Bench Audio, além de tempo de resposta de apenas 0,57 segundo, o que coloca o modelo entre os mais rápidos e eficientes da categoria para entendimento e resposta de áudio em tempo real. Segundo a empresa, ele é pensado para tarefas mais exigentes, como atendimento ao cliente e operações que não podem tolerar atrasos na interação.

Já o v1 Mini é um modelo menor e mais barato, voltado a conversas naturais do dia a dia. Ele é capaz de perceber se a pessoa terminou de falar ou se está apenas emitindo sons de acompanhamento, como um “mm-hmm” durante a fala de outra pessoa, o que ajuda a deixar a interação menos robótica e mais parecida com um diálogo humano.

A Elevenlabs afirma que “nenhum modelo na liderança do Artificial Analysis é ao mesmo tempo mais rápido e mais preciso atualmente”, posicionando o Eleven Realtime Max como referência em desempenho no segmento de IA conversacional baseada em voz.

Como funcionam os modelos de fala para fala da ElevenLabs para conversas em tempo real?

Os modelos Eleven Realtime funcionam transformando a fala do usuário diretamente em fala gerada pela IA, sem passar por etapas visíveis de transcrição e texto intermediário para o usuário final. O áudio é recebido, processado e respondido com outro áudio sintetizado em frações de segundo.

No caso do Max, a combinação de 98,8% de acerto no Big Bench Audio com resposta média de 0,57 segundo permite que um sistema automatizado atenda uma ligação de suporte ou uma consulta de voz praticamente sem atraso audível, entendendo comandos, perguntas e nuances da fala com alta fidelidade. Isso reduz o tempo de espera e tende a diminuir frustrações em canais como SAC e centrais de atendimento.

O v1 Mini, por sua vez, sacrifica parte da potência para oferecer custo reduzido, mirando usos como assistentes de voz simples, bots de recepção, ferramentas educacionais ou aplicações em que a prioridade é manter o serviço acessível financeiramente. A habilidade de identificar pausas reais de fala ajuda a evitar interrupções e sobreposição de vozes, melhorando a fluidez da conversa.

Ambos os modelos estão disponíveis na plataforma ElevenAgents e por meio de uma API compatível com o ecossistema da OpenAI, o que facilita a adoção por empresas e desenvolvedores que já trabalham com esse tipo de integração. A cobrança é feita por minuto de uso, com custo adicional por tokens processados, e o Max custa mais caro que o Mini.

Entenda o contexto

Com os dois modelos Eleven Realtime, a Elevenlabs mira diretamente o mercado de IA conversacional em áudio, que hoje disputa espaço em call centers, bancos, saúde, varejo e serviços públicos. A promessa de respostas em menos de um segundo e de precisão próxima ao entendimento humano reforça a corrida para automatizar parte relevante do atendimento por voz.

Para empresas, o modelo de cobrança por minuto somado a tokens tende a ser vantajoso em usos moderados ou projetos piloto, mas pode se tornar um custo expressivo em operações com altíssimo volume de chamadas e interações contínuas, exigindo planejamento e análise de retorno financeiro.

Do lado da concorrência, o movimento aumenta a pressão para que outras fornecedoras de tecnologia lancem modelos tão rápidos e precisos quanto o Max ou tão acessíveis quanto o v1 Mini. A expectativa é que, a partir de agora, mais serviços de atendimento automático, assistentes virtuais, soluções de acessibilidade e plataformas educacionais passem a testar e incorporar esse tipo de tecnologia de fala para fala em tempo real.

Fonte: matéria original