Scaled Cognition lança Voice para PC com áudio preciso e barato

Tech Desk

Novo modelo de texto para fala oferece pronúncia inteligente e suporte a múltiplos idiomas com custo reduzido para call centers.

Leia também: PyTorch 2.15 acelera IA no Mac com FP8 e Metal até 2x mais rápido

A Scaled Cognition Inc. lançou nesta terça-feira (20) o Voice, um modelo de texto para fala voltado ao atendimento ao cliente que promete pronúncia mais precisa de números de conta, endereços e códigos alfanuméricos em mais de 25 idiomas, com custo bem abaixo das soluções tradicionais e integração direta a agentes de IA e sistemas de telefonia legados.

Modelo foca na precisão de detalhes críticos

Posicionado para uso em contact centers e sistemas de resposta de voz, o Voice foi desenhado para resolver um problema específico: erros na leitura de informações sensíveis em atendimentos automatizados. De acordo com a empresa, o modelo interpreta o significado do texto antes de gerar o áudio, usando a tecnologia Smart Pronunciation para diferenciar abreviações e tratar números de forma contextual.

“Modern generative TTS models can sound fantastic, but they often stumble over the details that matter most in customer service, like reading back an alphanumeric confirmation code, a dollar amount or a street address”, afirmou Akshay Kannan, vice-presidente de gerenciamento de produto da Scaled Cognition. Segundo ele, essas falhas se acentuam em idiomas além do inglês, o que torna o foco em precisão um diferencial para operações globais.

Um dos exemplos usados pela empresa é a leitura da instrução “Pay 1/2 by 1/2”. Em vez de simplesmente seguir caractere por caractere, o Voice converte a frase para algo que faça sentido para o usuário, neste caso “pay half by January second”, demonstrando a capacidade de interpretação antes da síntese de voz.

Quanto custa usar o Voice para pc e servidores

O Voice está disponível em dois modelos comerciais: via API hospedada, a US$ 9 por milhão de caracteres, e em opção de auto-hospedagem, a US$ 1 por milhão de caracteres, sem incluir os custos de infraestrutura. A Scaled Cognition mira especialmente grandes operações de voz, em que a conta de nuvem costuma ser o principal impeditivo para escalar agentes automatizados.

Kannan detalha que uma GPU padrão consegue sustentar cerca de 32 conversas simultâneas usando o modelo. Em um cenário típico citado pela empresa, uma configuração redundante com duas GPUs em nuvem sai por aproximadamente US$ 6.000 por mês e suporta em torno de 500 milhões de caracteres processados. Nessa escala, o custo total estimado fica em US$ 13 por milhão de caracteres, considerando tanto o modelo quanto a infraestrutura.

Na comparação com preços praticados hoje por outros serviços de voz hospedada, que variam de US$ 35 a US$ 100 por milhão de caracteres, a economia potencial é significativa, principalmente para bancos, operadoras de telecomunicações, varejistas e concessionárias de serviços públicos com alto volume de chamadas.

“Self-hosting gets economical faster than people expect”, disse Kannan. Ele ressalta, porém, que em volumes baixos a auto-hospedagem pode sair mais cara do que simplesmente consumir a API hospedada da Scaled Cognition.

Latência baixa e compatibilidade com sistemas legados

Além do custo, a empresa destaca o desempenho em tempo real. O Voice tem latência de geração de fala de 70 milissegundos — o intervalo entre receber o texto e começar a falar. Em cenários com uso compartilhado de hardware, a companhia aponta respostas típicas de 80 milissegundos, mesmo com 16 conversas simultâneas dividindo uma mesma fatia de GPU.

“Even with 16 live conversations sharing a single GPU slice, typical response time stays around 80 milliseconds”, afirma Kannan. Para ele, o principal fator de variação percebido pelo usuário é a distância física entre o modelo e o restante da pilha de atendimento, como discadores, sistemas de fila e demais agentes de IA.

Por isso, a Scaled Cognition permite que empresas levem o modelo para suas próprias nuvens ou data centers, reduzindo a latência de rede. “Most of the enterprises we work with already run their own infrastructure, so Voice just drops in”, diz o executivo. A solução transmite áudio por uma API padrão e foi ajustada para a faixa de áudio telefônico, o que facilita o encaixe em plataformas de contact center modernas ou em URAs legadas sem exigir reescrita de aplicações.

Recursos de clonagem de voz e integração com outros agentes

Entre os recursos adicionais, o Voice oferece clonagem de voz, capaz de criar uma réplica digital da voz de uma pessoa, e suporte a mais de 25 idiomas, mirando especialmente empresas com operação multinacional. A Scaled Cognition afirma que o modelo pode funcionar sozinho, sem depender de outros modelos de linguagem, mas também se integra ao APT, sistema próprio da companhia voltado a conversas de atendimento e automação de ações em sistemas corporativos.

Segundo a empresa, quando pareados, o APT fornece contexto de conversas e histórico de interação, ajudando o Voice a resolver ambiguidades que vão além de uma única frase. Na prática, isso pode evitar leituras truncadas em situações com múltiplos códigos, datas, valores e dados pessoais em uma mesma chamada.

Entenda o contexto

O lançamento do Voice acontece em um momento de forte pressão por redução de custos em centrais de atendimento e, ao mesmo tempo, de aumento da expectativa dos consumidores em relação à qualidade de interações automatizadas. Modelos de TTS generativos mais recentes já oferecem vozes bastante naturais, mas muitas empresas ainda enfrentam reclamações quando o sistema erra números de protocolo, valores de fatura ou endereços de entrega — problemas que geram retrabalho, aumento do tempo médio de chamada e, em alguns casos, risco regulatório.

Ao combinar precisão na pronúncia com opção de auto-hospedagem mais barata, a Scaled Cognition tenta ocupar um espaço entre os grandes provedores de nuvem e fornecedores tradicionais de contact center. A companhia vem se posicionando como plataforma de IA empresarial para atendimento ao cliente e, para sustentar essa estratégia, levantou recentemente US$ 100 milhões em rodada Série A liderada pelo fundo Khosla Ventures.

Como parte da divulgação, a empresa oferece um teste cego de audição que compara o @Voice com outros modelos em diferentes faixas de preço. O feedback inicial, segundo Kannan, tem sido favorável ao novo produto, o que pode acelerar a adoção por grandes contas corporativas.

A expectativa é que, a partir desse lançamento global via API e implantação local, a Scaled Cognition expanda a base de clientes, adicione novos idiomas e refine funcionalidades, enquanto concorrentes de TTS e contact center tendem a ser pressionados a rever modelos de preço e investir em maior precisão de leitura em cenários de alta complexidade.

Fonte: matéria original