Construir uma voz: falar, compreender, responder
Quando falamos com XNeuronal, tudo parece instantâneo. Por trás, três camadas distintas revezam-se para transformar a tua voz numa resposta, com uma escolha de arquitetura que assumimos plenamente.
Três camadas: ouvir, pensar, falar
O percurso de uma frase segue sempre o mesmo caminho. Primeiro a transcrição (STT): o áudio torna-se texto. Depois o raciocínio: um modelo de linguagem compreende a intenção, organiza os neurónios, decide o que responder. Finalmente a síntese (TTS): o texto volta a ser uma voz. Cada camada é um serviço independente, substituível sem afetar os outros. Esta modularidade não é um luxo: permite-nos mudar de fornecedor quando um melhor aparece, sem reescrever o produto.
Sempre uma rede de segurança
Um serviço externo pode ser lento, saturado ou falhar. Por isso, concebemos cada camada em cascata: se o motor principal falhar, um motor de reserva assume o controlo sem que o utilizador perceba. A transcrição muda de um fornecedor para outro, a síntese volta a uma voz do mesmo género. O objetivo é simples: uma falha de um prestador nunca deve tornar-se uma falha do assistente.
Porquê o push-to-talk, e não a interrupção
Poderíamos ter visado desde o início a conversação contínua, onde a IA te interrompe e responde antes do fim da tua frase. Escolhemos o inverso: um simples toque para falar, um soltar para ouvir. Não é falta de ambição, é um cálculo. O mercado da voz em tempo real muda todos os meses; pré-codificar hoje o full-duplex para um fornecedor é escrever código morto em seis meses. É melhor uma base sóbria e sólida, pronta para acolher esta escolha no momento certo.
A latência que aceitamos, aquela que recusamos
Todo o desafio está aqui: que espera é tolerável. Um a dois segundos para uma resposta ponderada é aceitável; é até reconfortante, sinaliza que o assistente pensa. O que recusamos é a espera sofrida: uma falha silenciosa, uma voz que nunca chega. A sobriedade do pipeline é precisamente o que nos permite controlar esta fronteira.