Por que a nossa agente não diz “hum, certo” enquanto pensa

Preencher o silêncio com ruído de concordância é o conselho padrão. Testamos, soou ridículo, e a solução era outra.

Existe um recurso quase obrigatório em agentes de voz chamado backchannel: os “hum”, “certo”, “sei” que um humano solta enquanto o outro fala. A lógica é boa. Numa conversa real, o ouvinte emite esses sinais o tempo todo, e a ausência deles é desconfortável: é o que faz uma ligação com atraso de satélite parecer hostil.

Implementamos. Ligamos. Foi horrível.

O problema não é o recurso, é a frequência

Um humano solta um “hum” quando tem alguma coisa a sinalizar: que está acompanhando, que concorda, que quer o turno de volta. Não a cada frase. Ele também sabe ficar completamente calado por quatro segundos enquanto você explica algo complicado, e esse silêncio comunica atenção, não ausência.

Uma máquina que emite “certo” a cada turno não soa atenciosa. Soa como um vendedor mal treinado. Depois de três ou quatro repetições, a pessoa do outro lado começa a reparar no padrão, e a partir daí é a única coisa que ela escuta.

Desligamos. VOZ_BACKCHANNEL=false é o padrão até hoje.

Mas o silêncio digital é insuportável

Aqui está o detalhe que quase nos fez reverter a decisão: uma linha telefônica em silêncio absoluto não soa como uma pausa. Soa como uma ligação que caiu.

Numa conversa presencial nunca há silêncio absoluto: há sala, respiração, o mundo. O telefone digital remove tudo isso. Quando a agente pensa por 900 ms, o que a pessoa ouve é o nada perfeito, e o reflexo é dizer “alô? alô?”.

A solução não foi voltar a falar. Foi devolver o mundo.

Um leito de ambiência

Geramos uma faixa de ruído suave, num nível bem baixo (cerca de −34 dBFS) e a misturamos por baixo de tudo. Ela é gerada uma vez, guardada em memória e reaproveitada, então custa praticamente nada.

O efeito é desproporcional ao esforço. A linha passa a soar viva. As pausas viram pausas em vez de quedas. Ninguém diz “alô?”. E, o mais interessante, ninguém percebe conscientemente o ruído: em testes, quem ouviu não soube dizer o que tinha mudado, só que “estava melhor”.

O que isso ensinou

A pergunta original estava errada. Não era “como preencher o silêncio com fala?”, era “por que o silêncio incomoda?”. E a resposta não tinha nada a ver com conversa: tinha a ver com o fato de o canal digital ter removido a ambiência que existe em qualquer conversa física.

Vale notar o contrapé: no navegador, a ambiência fica desligada. Ali a pessoa está olhando para uma página, com um indicador visual dizendo que ela está pensando. O silêncio tem contexto, e o ruído só atrapalharia. O mesmo recurso, ligado num canal e desligado no outro, pela mesma razão.

Ela também sabe se calar

Uma última consequência disso, e talvez a mais difícil de acertar: quando alguém pergunta “tudo bem com você?”, a resposta certa é devolver o cumprimento e parar.

Modelos de linguagem odeiam parar. Eles devolvem o cumprimento e emendam uma pergunta, uma oferta, um resumo do que podem fazer. Precisamos de uma regra explícita para isso, e descobrimos que ela só funciona quando está no fim do prompt. Enterrada no meio, era ignorada. No fim, a violação caiu de oito em oito para zero em oito.

Humano também sabe calar. Custou mais trabalho ensinar isso do que ensinar a falar.