Nova transcrição da ElevenLabs tenta resolver o atendente de voz que corta o aluno no meio do cancelamento

Quem terceiriza o agendamento da academia ou do estúdio para um atendente automatizado por telefone já viu essa cena: o aluno liga para remarcar, hesita por dois segundos pensando no novo horário, e o sistema interpreta o silêncio como "terminei de falar" e corta a ligação, ou pior, registra falta em vez de remarcação. Isso acontece porque a maioria dos assistentes de voz usa um cronômetro fixo de silêncio: parou de falar por X milissegundos, a vez passa para a máquina.

A ElevenLabs, empresa de voz sintética e transcrição, anunciou em 12 de novembro de 2026 dois modelos novos de reconhecimento de fala que atacam justamente esse problema, segundo reportagem do site The Decoder. Chamam-se Scribe v3 e Scribe v3 Live, e o segundo é o que interessa direto para quem atende aluno por telefone ou WhatsApp.

O defeito que vira falta registrada por engano

O relato da ElevenLabs, citado pelo The Decoder, descreve o problema como algo comum em call centers e centrais de atendimento: sistemas que cortam a pessoa no meio porque ela parou para pensar ou está lendo devagar uma sequência de números (tipo um CPF ou um número de convênio). O corte não é falta de educação da máquina, é limitação técnica: o sistema só enxerga o áudio, não o sentido da frase.

O Scribe v3 Live, versão em tempo real do novo modelo, tenta corrigir isso analisando o contexto da conversa junto com o sinal de áudio, não só a pausa. Na prática, o sistema tenta entender se a frase "ah, eu queria... deixa eu ver aqui minha agenda..." ainda está em andamento, mesmo com uma pausa de um segundo no meio, em vez de assumir que a pessoa terminou de falar.

Para quem usa um bot de voz para marcar e remarcar aulas, essa diferença decide se um aluno indeciso na ligação sai com o horário remarcado ou com uma falta anotada por engano no sistema, o tipo de erro que depois vira cobrança indevida ou cliente chateado.

O que a ElevenLabs lançou de fato

São dois produtos distintos, e vale separar porque eles servem a usos diferentes:

• Scribe v3: transcreve áudio já gravado (reuniões, ligações salvas), com foco em situações bagunçadas como pessoas falando ao mesmo tempo ou ruído de fundo. Segundo a ElevenLabs, reduz em cerca de 25% os erros de palavra em relação ao modelo anterior, em 102 idiomas, com melhora relatada também na separação de quem fala (o chamado "diarização de falantes") em conversas com vários participantes.
• Scribe v3 Live: a versão de baixa latência para uso em tempo real, a que atende o problema do corte no meio da frase.

Os dois já estão disponíveis pela interface de desenvolvedores da ElevenLabs (a ElevenAPI) e pela plataforma de agentes de voz da empresa, a ElevenAgents. Isso significa que o personal trainer não abre conta direto na ElevenLabs: quem usa essa tecnologia são as empresas que constroem os sistemas de agendamento por voz ou WhatsApp que, eventualmente, chegam até o estúdio ou a academia como produto pronto.

Quanto custa e como se compara com os concorrentes

O site Artificial Analysis, que faz benchmarks independentes de modelos de IA, testou o Scribe v3 e colocou o modelo entre os mais precisos do mercado, atrás apenas de um modelo em fase de teste da Alibaba e à frente de concorrentes da Microsoft, da Mistral, da xAI, do Google e da OpenAI. O preço de referência do benchmark é de 3,33 dólares por mil minutos de áudio processado.

Mas precisão não é tudo. O mesmo benchmark mostra que o Scribe v3 fica no meio da tabela em velocidade e em custo: modelos da Microsoft e da xAI rodam várias vezes mais rápido, custam cerca de metade do preço, e erram só um pouco mais.

Um detalhe importante: esse benchmark mede só erro de transcrição em arquivo gravado. Ele não avalia o comportamento do Scribe v3 Live em tempo real, nem a separação de falantes, nem o desempenho em idiomas menos comuns, pontos em que a ElevenLabs diz ter avançado mas que ainda não foram confirmados de forma independente.

Isso chega na sua agenda, ou é coisa de empresa grande?

A ElevenLabs também anunciou, junto com o lançamento, uma expansão de parcerias empresariais: integração com a Nvidia, um acordo com a consultoria McKinsey, um programa de parceiros para integradores de sistema, e um marketplace onde empresas como Salesforce, IBM e Zendesk oferecem agentes de voz prontos. Isso deixa claro o público principal dessa tecnologia: empresas grandes e desenvolvedores de software, não o personal trainer autônomo configurando uma ferramenta sozinho.

Para quem atende poucos alunos e já responde mensagem de WhatsApp na mão, essa tecnologia de bastidor ainda não muda o dia a dia diretamente. O impacto real aparece quando um sistema de agendamento popular (tipo os apps de gestão de academia e estúdio que já têm chatbot ou atendente por voz embutido) decidir incorporar um modelo como o Scribe v3 Live para parar de cortar aluno no meio da frase.

Em resumo: personal com uma carteira pequena de alunos, que atende pessoalmente por telefone ou WhatsApp, não precisa correr atrás dessa ferramenta agora. Já estúdios e redes de academia que terceirizam o atendimento para uma central automatizada, ou que usam um software de agendamento com assistente de voz, valem a pena perguntar ao fornecedor se ele vai (ou já) adotar esse tipo de transcrição contextual, porque é isso que separa uma remarcação resolvida de uma falta cobrada por engano.

O que ainda fica em aberto

A ElevenLabs promete zero retenção de dados para clientes corporativos, ou seja, apagar a gravação logo depois de processá-la, e servidores isolados na União Europeia. Isso importa para quem lida com dado sensível de aluno (telefone, plano de saúde, histórico de pagamento), mas o detalhe de como isso se aplica a um contrato de academia de porte médio não aparece no material divulgado.

Também não há, até agora, um caso público de uso em academia ou estúdio de personal, só os exemplos citados pela empresa em saúde pública (um agente telefônico para o sistema de saúde da Polônia) e em robótica. O ângulo da remarcação sem corte é promissor no papel, mas ainda depende de alguém trazer essa tecnologia para um produto que o personal trainer realmente usa no balcão.

Fonte: The Decoder