Construir um sistema de reconhecimento de voz que funcione bem em português brasileiro é um desafio técnico significativamente mais complexo do que parece. O Brasil tem dimensões continentais, com variações linguísticas que vão do sotaque gaúcho ao cearense, do paulistano ao carioca. Cada região traz particularidades fonéticas, velocidade de fala e expressões idiomáticas que modelos treinados predominantemente em inglês simplesmente não capturam.
O primeiro desafio que enfrentamos foi o de dados de treinamento. Enquanto existem centenas de milhares de horas de áudio transcrito em inglês, o português brasileiro conta com uma fração desse volume. Construímos um pipeline de coleta de dados diversificado, com falantes de todas as regiões do Brasil, diferentes faixas etárias e contextos de uso. Incluímos cenários realistas como ambientes com ruído de escritório, comandos rápidos durante reuniões e instruções técnicas com termos em inglês mesclados ao português — algo extremamente comum no ambiente corporativo brasileiro.
O segundo desafio foi a latência. Para que um comando de voz seja útil no fluxo de trabalho, o tempo entre falar e ver a ação executada precisa ser inferior a um segundo. Implementamos um modelo de streaming que começa a processar o áudio em chunks de 200ms, fazendo inferência parcial enquanto o usuário ainda está falando. Isso nos permite iniciar a execução do comando antes mesmo da frase terminar, desde que o intent seja identificado com alta confiança. O resultado é uma experiência que parece instantânea.
O terceiro desafio, e talvez o mais sutil, foi o de desambiguação contextual. Quando um usuário diz "marca reunião com o Gabriel", o sistema precisa saber se "Gabriel" é um contato do calendário, um membro do time no Slack ou um cliente no CRM. Desenvolvemos um grafo de contexto que cruza informações do ambiente atual do usuário (quais apps estão abertos, qual foi o último comando, qual é o horário) para resolver essas ambiguidades com precisão superior a 94%. Esse é o tipo de detalhe que faz a diferença entre um assistente que frustra e um que encanta.
