Loka cria agente de voz com Amazon Nova 2 Sonic e latência abaixo de um segundo

A Loka publicou uma análise detalhada da arquitetura que usou para criar um agente de voz baseado no Amazon Nova 2 Sonic, o modelo de fala de nova geração da AWS. O objetivo era bem definido: construir um bot que não fizesse o cliente desligar depois de alguns segundos de espera.

O problema a resolver

A voz robotizada dos bots telefônicos vai além de um incômodo estético. Para as empresas, ela representa prejuízo direto: o cliente desliga, liga de novo pedindo um atendente humano ou migra para a concorrência. A reputação da marca cai, e os custos de suporte sobem.

Os sistemas de voz tradicionais funcionam em uma cadeia longa: reconhecimento de fala (ASR) → conversão em texto → modelo de linguagem → geração da resposta → síntese de voz (TTS). Cada etapa acrescenta latência. No fim, a pausa entre a pergunta do cliente e a resposta do bot fica entre 2 e 5 segundos. Nesse intervalo, a pessoa já conclui que o sistema não está funcionando e desliga ou exige falar com um atendente.

A Loka se propôs a quebrar essa cadeia e criar um agente que reagisse dentro de uma pausa natural de conversa, como um interlocutor real. A solução foi o Amazon Nova 2 Sonic.

O que o Nova 2 Sonic faz de diferente

O Nova 2 Sonic é um modelo multimodal speech-to-speech da AWS que trabalha diretamente com áudio, sem as etapas separadas de transcrição ASR e síntese TTS. Ele recebe um fluxo de áudio como entrada e gera um fluxo de áudio como saída, sem conversão intermediária para texto.

Isso muda radicalmente o perfil de latência:

• A resposta começa entre 300–500 ms após a pausa do usuário
• O modelo entende interrupções naturais na fala e reage a elas corretamente
• O sistema percebe a entonação e o contexto emocional — e ajusta o tom da resposta
• A sensação de "o sistema está processando" desaparece totalmente do diálogo
• A integração com a lógica de negócio via function calling não interrompe o fluxo da conversa

O Nova 2 Sonic está disponível pelo Amazon Bedrock, o que permite que empresas na AWS o adotem sem trocar de provedor nem reconstruir toda a infraestrutura.

A arquitetura em produção

A Loka usou streaming de áudio em tempo real com buffer mínimo. O sistema não espera o usuário terminar de falar: o processamento começa imediatamente, o que permite ao Nova 2 Sonic responder exatamente no momento da pausa natural, e não depois de um silêncio prolongado.

"A voz robotizada é o principal motivo pelo qual os clientes desligam.

Isso não é um problema tecnológico — é um problema de confiança", afirma a equipe da Loka.

Para acessar dados de negócio em tempo real — status do pedido, histórico do cliente, estoque —, o agente usa function calling em tempo real. Para o cliente, isso aparece como uma resposta instantânea, e não como uma pausa perceptível de "aguardando resultado".

Em produção, o sistema se mostra resiliente a interrupções, mudanças de assunto e pausas fora do padrão — justamente os cenários em que os sistemas ASR tradicionais costumam falhar.

O que isso significa

Os modelos speech-to-speech eliminam a principal barreira para a adoção em massa de bots de voz: a latência perceptível, que destrói a ilusão de uma conversa real. Se a latência não é sentida e a voz soa natural, a fronteira entre agente e atendente se dissolve. Para as empresas, esse é um caminho direto para automatizar o call center sem prejudicar o NPS. Depois do Nova 2 Sonic, modelos semelhantes de outros provedores devem chegar ao mercado — a concorrência no segmento de voice AI está só começando.