Skip to main content

Documentation Index

Fetch the complete documentation index at: https://doc.omnitechsolucoes.com.br/llms.txt

Use this file to discover all available pages before exploring further.

Os assistentes de IA da OmniTech IA podem operar em três modos distintos de voz.
Cada modo define como a fala do usuário é interpretada e como a resposta do assistente é gerada.
A escolha correta do modo pode melhorar o tempo de resposta, a naturalidade da conversa e a experiência geral da chamada.

​
1. Pipeline

Nome na interfacePipeline
Como funcionaFala → Texto (STT) → Modelo de IA (LLM) → Voz (TTS)
Latência~800 – 1500 ms (varia conforme idioma e modelo)
Ideal paraRaciocínio complexo, prompts dinâmicos, respostas longas
No modo Pipeline, a fala do usuário é primeiro transcrita em texto, processada pelo modelo de linguagem e depois convertida novamente em áudio.
É um método consolidado que oferece máxima flexibilidade e controle:
  • Suporta todas as vozes disponíveis, incluindo vozes personalizadas e clonadas.
  • Ideal para respostas longas, explicativas ou em formato de parágrafo.
  • Permite que o modelo utilize variáveis e contexto anterior de forma precisa.

​
Quando escolher Pipeline

  1. Quando são necessárias respostas ricas e com múltiplas frases (ex.: suporte técnico, explicações detalhadas).
  2. Quando o assistente precisa raciocinar sobre dados estruturados ou prompts complexos.
  3. Quando é essencial ter controle total da voz utilizada (voz de marca ou clonada).

​
2. Speech-to-Speech (Multimodal)

Nome na interfaceSpeech-to-Speech
Como funcionaGeração direta fala → fala, sem texto intermediário
Latência~300 – 600 ms (ultra baixa)
Ideal paraConversas naturais, respostas rápidas e reativas
No modo Speech-to-Speech, não há etapas separadas de transcrição e síntese de voz.
Um modelo multimodal escuta e responde diretamente em áudio, criando uma experiência mais fluida:
  • Respostas quase instantâneas, com excelente tempo de reação.
  • Entonação mais natural, incluindo pausas e variações de fala.
  • Suporte atual a um conjunto limitado de vozes, que é ampliado continuamente.

​
Quando escolher Speech-to-Speech

  1. Quando a conversa precisa ser rápida e dinâmica (vendas, confirmações, agendamentos).
  2. Quando as respostas são curtas e objetivas.
  3. Quando não há necessidade de voz personalizada ou clonada.
O modo Speech-to-Speech evolui rapidamente.
Se você precisa de baixa latência e voz clonada, utilize o modo Dualplex.

​
3. Dualplex (Beta)

Nome na interfaceDualplex
Como funcionaModelo multimodal + LLM com saída de voz via ElevenLabs
LatênciaBaixa (varia conforme voz e modelo)
Ideal paraRespostas rápidas, naturais e com vozes premium ou de marca (clonadas)
O modo Dualplex combina a velocidade do Speech-to-Speech com a qualidade de voz do ElevenLabs, também utilizada no Pipeline.
O assistente entende a fala do usuário em tempo real e renderiza a resposta final com alta fidelidade de áudio.
  • Alternância de fala quase instantânea, semelhante ao Speech-to-Speech.
  • Acesso à biblioteca de vozes do ElevenLabs, incluindo vozes clonadas.
  • Ideal para respostas curtas e médias, com entonação expressiva.
  • Modo recomendado para a maioria dos casos de uso atuais (em Beta).

​
Quando escolher Dualplex

  1. Quando você precisa de velocidade e voz personalizada ou de marca.
  2. Quando deseja respostas expressivas sem abrir mão da identidade sonora.
  3. Quando está confortável em utilizar um recurso avançado ainda em Beta.

​
Alternando entre os modos

Você pode selecionar o modo de operação de cada assistente em:
Assistente → Configurações → Motor de Voz. Recomenda-se testar os três modos para encontrar o melhor equilíbrio entre velocidade, qualidade de voz e experiência do usuário para o seu cenário.
Dica prática:
Grave chamadas de teste usando modos diferentes e compare a latência percebida e o engajamento do usuário para definir o melhor fluxo.