O que a gente mediu.
Textos de engenharia sobre voz em tempo real: o que funcionou, o que não funcionou e os números que produziram cada decisão, inclusive quando o número contrariou a nossa intuição.
Como tiramos 368 milissegundos de silêncio de uma conversa
O reconhecimento de fala não ficou mais rápido. A gente só parou de esperar por ele, e descobriu que o custo era zero desde sempre.
LerPor que a nossa agente não diz “hum, certo” enquanto pensa
Preencher o silêncio com ruído de concordância é o conselho padrão para agentes de voz. Testamos, soou ridículo, e o remédio era outro.
LerAumentamos a folga do servidor e ele ficou 20× mais lento
De 10 para 16 requisições simultâneas “para ter margem”. O tempo de resposta dobrou em chamada única e explodiu sob carga.
LerNo forno
Assuntos com material medido esperando ser escrito.
- Por que a gente não usa fonemas para corrigir pronúncia. A resposta óbvia é SSML com alfabeto fonético. Ela não funciona no modelo multilíngue, e a alternativa, reescrever a grafia, é melhor por três motivos.
- A gravação precisa ser estéreo. Cliente de um lado, agente do outro. Parece firula até você precisar auditar quem interrompeu quem.
- Ela não pode ouvir a si mesma. Como um relógio de reprodução resolve o problema de a agente transcrever a própria fala numa linha telefônica.
- Modelo é otimista. Por que quem avança o roteiro de uma conversa não pode ser o mesmo componente que fala nela.
Quer ser avisado? Escreva para o time, mandamos um e-mail quando sai texto novo, e só quando sai texto novo.
Prefere ver funcionando?
Todo número citado nestes textos aparece no produto. Duas horas de áudio por mês, sem cartão.