ElevenLabs lança par de modelos de voz que responde em 0,57 segundo: o que muda para quem atende telefone no bar

A ElevenLabs lançou em 20 de outubro dois modelos de fala em tempo real, um deles respondendo em 0,57 segundo. Para o bar que vive tocando telefone na hora do pico, isso muda a conta entre contratar mais uma linha, usar WhatsApp automatizado ou testar um atendente por voz.

A ElevenLabs anunciou em 20 de outubro dois modelos novos de conversa por voz, batizados de Eleven Realtime. A notícia foi publicada pelo site The Decoder, que reportou os números divulgados pela própria empresa. O destaque é a velocidade: a versão maior, chamada v1 Max, responde em 0,57 segundo e acerta 98,8% das tarefas do teste Big Bench Audio.

Segundo a ElevenLabs, nenhum outro modelo no ranking da Artificial Analysis (um site que compara modelos de voz por velocidade e precisão) consegue ser mais rápido e mais preciso ao mesmo tempo que o v1 Max. Para quem nunca encostou numa fila de atendimento automatizado, 0,57 segundo pode parecer um detalhe técnico. Na prática, é a diferença entre o cliente sentir que está falando com alguém e sentir que está gritando num corredor vazio esperando eco.

Por que a demora é o problema de verdade

Um sistema de voz tradicional funciona em três etapas separadas: primeiro transcreve o que a pessoa falou, depois manda esse texto para um modelo de linguagem decidir a resposta, e só então converte a resposta de volta em áudio. Cada etapa soma algum tempo de processamento, e é esse acúmulo que faz o cliente perguntar "alô, você está aí?" no meio da ligação.

Os modelos speech-to-speech (fala para fala) da ElevenLabs tentam resolver isso processando a voz de ponta a ponta, sem passar por texto no meio. O v1 Max mira tarefas mais complexas, como atendimento ao cliente com várias opções e exceções. Já o v1 Mini foi feito para conversas mais simples e mais baratas, e tem uma habilidade específica: reconhecer quando a pessoa só deu uma pausa para pensar e soltou um "hum" ou "deixa eu ver", em vez de interpretar isso como o fim da fala e começar a responder por cima.

Essa distinção importa mais do que parece para quem atende reserva por telefone. É comum o cliente dizer "então... deixa eu checar aqui com a galera... hum... pode ser sexta às 21h" com pausas no meio. Um atendente de IA que atropela essas pausas interrompe o cliente e cria a sensação de robô ruim, exatamente o que o v1 Mini foi desenhado para evitar.

Como isso chegaria no telefone do bar

Os dois modelos ficam disponíveis pela plataforma ElevenAgents, da própria ElevenLabs, e também por uma API de tempo real compatível com o padrão da OpenAI. Essa compatibilidade importa para quem vai programar o sistema (seja um desenvolvedor contratado, seja uma agência de automação): quem já tinha montado um assistente de voz usando a API da OpenAI consegue trocar o motor para a ElevenLabs sem reescrever o projeto do zero.

Um cenário concreto: um bar com movimento de sexta e sábado recebe ligações pedindo reserva de mesa e também pedidos de delivery no mesmo número. Hoje, se o garçom está ocupado, a ligação cai ou a pessoa espera. Com um atendente de voz montado em cima do Eleven Realtime, a ligação é respondida na hora, o sistema confirma horário e número de pessoas para a reserva, ou anota o pedido de delivery e repassa para a cozinha, e só transfere para um humano quando o pedido foge do script (promoção que não existe no cardápio, reclamação, mesa para evento grande).

O que isso custa de verdade

A ElevenLabs cobra por minuto de conversa mais um custo por token (a unidade de processamento de texto e áudio que o modelo consome), e o v1 Max sai mais caro que o v1 Mini por minuto. A empresa não divulgou os valores exatos no anúncio, só confirmou essa estrutura e remeteu para a página oficial de preços do produto. Isso significa que antes de contratar, o dono do bar precisa pedir uma simulação com o volume real de ligações do estabelecimento, não confiar em estimativa de terceiro.

Para comparar com a alternativa mais comum hoje, vale separar por formato:

O WhatsApp automatizado continua sendo a opção mais barata e mais fácil de montar para o bar pequeno, porque o cliente já está acostumado a digitar o pedido e não exige que o sistema entenda sotaque, ruído de fundo de música ao vivo ou interrupção no meio da frase, que é justamente onde a voz por IA ainda erra mais.

Já o bar que perde cliente porque a linha está sempre ocupada, ou que roda duas ou três frentes (salão, delivery, reserva de evento) no mesmo número, é o caso em que pagar por minuto de atendimento de voz pode compensar, porque cada ligação perdida é um pedido ou uma reserva que foi para o concorrente.

O que ainda fica com o humano

Nenhum dos dois modelos resolve o que exige julgamento: negociar uma exceção no cardápio, acalmar um cliente insatisfeito, decidir se vale abrir uma mesa extra numa noite lotada. O atendente de voz serve para o volume repetitivo (confirmar horário, repetir o cardápio do dia, anotar endereço de entrega), e esse é o ganho real: tirar do garçom ou do dono a tarefa mecânica para sobrar tempo de atender quem está na porta.

Vale lembrar também que o anúncio da ElevenLabs saiu em 20 de outubro de 2026, então ainda não existe caso público de bar brasileiro usando especificamente o Eleven Realtime. Quem quiser testar entra numa fase de pioneiro: vai precisar validar com o próprio volume de ligações se a economia em minutos cobre o custo de implementação, e se o sotaque e o ruído do salão não atrapalham o reconhecimento de fala tanto quanto atrapalhariam um humano no fone.

Fonte: The Decoder, "Elevenlabs releases two new speech-to-speech models designed for real-time AI conversations"

Fonte: The Decoder