Calculadora de latência de voz com IA

Como isso é calculado

O intervalo percebido é a soma de cada etapa entre o fim da fala e o primeiro áudio: o silêncio que você aguarda antes de decidir que o interlocutor terminou, a finalização da transcrição, o primeiro token do modelo, o primeiro byte da voz, dois saltos de rede e o caminho da telefonia.

perceived gap = endpointing silence      ← your setting
              + STT finalisation
              + LLM time to first token
              + TTS time to first byte
              + network RTT × 2           ← your region choice
              + telephony / jitter buffer

Por que geralmente não é o modelo

Em uma configuração típica, o limiar de silêncio do endpointing é o maior item isolado — cerca de 600ms de um orçamento de aproximadamente 1.500ms, ou 40% de tudo o que o cliente espera. Não é um limite do fornecedor. É um número na sua configuração que decide por quanto tempo o sistema escuta o silêncio antes de concluir que o cliente terminou de falar, e as equipes passam semanas comparando modelos enquanto ele permanece num padrão que ninguém escolheu.

Encurtá-lo é o ganho mais barato disponível, e é um trade-off real, não algo de graça: corte demais e você interrompe quem faz uma pausa no meio da frase. A escolha de região é a outra alavanca nas suas mãos — a ida e volta na rede é contada duas vezes, então uma implantação entre regiões pode somar 400ms antes de qualquer fornecedor ter feito algo errado.

Como é o cenário bom

As pausas naturais de troca de turno entre humanos ficam perto de 200ms. Abaixo de 500ms, um agente parece imediato; abaixo de 800ms, soa como uma pausa normal. Passando de cerca de 1,2 segundo, os clientes começam a se repetir ou a falar por cima do agente, porque o silêncio soa como linha caída, não como reflexão. Um modelo de raciocínio a 1,4 segundo até o primeiro token consome o orçamento inteiro sozinho — e é por isso que esses modelos pertencem ao pós-chamada, resumindo e decidindo, e não ao turno ao vivo.

Os números por etapa aqui são faixas típicas publicadas ou observadas, não garantias. A latência real varia conforme região, carga, payload e condições de rede — meça a sua e use isto como um orçamento para projetar.

Last reviewed July 2026.

Perguntas frequentes

Qual é uma boa latência para um agente de voz com IA?

Abaixo de 800ms é confortável e abaixo de 500ms parece imediato — as pausas naturais de troca de turno entre humanos ficam em torno de 200ms. Passando de cerca de 1,2 segundo, os interlocutores começam a se repetir ou a falar por cima do agente, porque o silêncio soa como queda de ligação e não como pensamento.

Por que meu agente de voz está lento se todo fornecedor promete baixa latência?

Porque os números do fornecedor são só parte do orçamento. Numa configuração típica, o limiar de silêncio do endpointing — o tempo que você espera para ter certeza de que o interlocutor parou de falar — é o maior contribuinte isolado, muitas vezes 40% do total. É um ajuste do seu lado, não um limite do fornecedor, e nenhuma troca de modelo vai resolver isso.

Como reduzo a latência do agente de voz?

Por ordem de retorno: encurte o limiar de endpointing, implante na mesma região dos seus provedores, encurte o system prompt, faça streaming do texto para a fala em vez de esperar a resposta completa e só então considere um modelo mais rápido. Os dois primeiros são de graça e normalmente valem mais que todo o resto somado.

O que é endpointing?

Decidir quando o interlocutor terminou de falar. Espere demais e cada resposta parece arrastada; corte cedo demais e você interrompe quem faz uma pausa no meio da frase. É um trade-off legítimo, não um bug — mas é um trade-off que a maioria das equipes nunca faz de forma consciente, deixando o padrão de fábrica no lugar e culpando o modelo.

Faz sentido usar um modelo de raciocínio para voz?

Raramente no caminho crítico. Um modelo que leva 1,4 segundo até o primeiro token estoura o orçamento inteiro sozinho. Modelos de raciocínio se encaixam melhor depois da chamada — resumindo, extraindo, decidindo próximas ações — enquanto o turno ao vivo roda em algo feito para tempo até o primeiro token.

Leitura relacionada