Novo motor de voz da ElevenLabs responde em 0,57 segundo: o que muda pro atendimento por áudio da esteticista

O que a ElevenLabs lançou

A empresa de inteligência artificial de voz ElevenLabs anunciou em 20 de outubro de 2026 dois modelos novos chamados Eleven Realtime, segundo reportagem do site The Decoder. São modelos de "fala para fala" (speech to speech, no termo técnico): eles ouvem o áudio da pessoa e já respondem em áudio, sem passar por um texto escrito no meio do caminho.

Isso importa porque a maioria dos assistentes de voz que existem hoje funciona em três etapas: primeiro transcrevem o que você falou em texto, depois um modelo de linguagem pensa a resposta em texto, e só então uma terceira etapa transforma esse texto de volta em voz. Cada etapa consome um tempinho. Cortar esse caminho é o que permite uma resposta quase imediata.

Os números por trás da promessa

O modelo maior, chamado Eleven Realtime v1 Max, alcançou 98,8% de acerto no Big Bench Audio, um teste padrão que mede se um sistema de voz entende perguntas faladas e responde corretamente. O tempo de resposta médio foi de 0,57 segundo, o que é mais rápido do que o tempo que a maioria das pessoas leva pra formular uma frase.

A ElevenLabs afirma que, no momento do lançamento, nenhum outro modelo listado no ranking da Artificial Analysis (um site independente que compara modelos de voz de diferentes empresas) combina essa velocidade com essa precisão. É uma afirmação da própria empresa, não uma validação externa, mas o ranking é público e qualquer concorrente pode contestar o resultado com seus próprios números.

Mini ou Max: qual serve pra quê

Além do v1 Max, a ElevenLabs lançou o v1 Mini, uma versão menor e mais barata, pensada para conversas simples. Ele consegue perceber quando a pessoa realmente terminou de falar ou só deu uma pausa (tipo quando alguém solta um "hum, tá" no meio da frase sem querer passar a vez). O v1 Max mira tarefas mais complexas, como atendimento ao cliente.

Pra uma esteticista, essa distinção importa na hora de escolher: perguntas básicas de horário e endereço pedem o modelo mais simples e barato, enquanto dúvidas sobre procedimento, contraindicação ou negociação de pacote pedem o modelo mais caro e mais preciso.

Como isso chegaria no WhatsApp do salão

Aqui vai o ponto que precisa ficar claro: a ElevenLabs não lançou um aplicativo pronto pra responder áudio no WhatsApp. Ela lançou um motor de voz, disponível pela plataforma ElevenAgents e por uma API (uma porta de conexão para programas conversarem entre si) compatível com o padrão Realtime da OpenAI. Isso significa que alguém, a própria esteticista com ajuda técnica, um desenvolvedor contratado ou uma ferramenta de automação que já use esse motor por trás, precisa montar a ponte entre o Eleven Realtime e o WhatsApp Business.

Na prática, o caminho mais realista pra quem tem um salão de uma ou duas cadeiras não é contratar a API diretamente. É esperar, ou procurar, plataformas de atendimento automatizado para WhatsApp que anunciem ter incorporado esse tipo de motor de voz em tempo real. Hoje, a maioria dos chatbots de salão ainda funciona só por texto ou com áudios gravados prontos, não com resposta gerada na hora.

O cenário de uso que faz sentido: a cliente manda um áudio perguntando o preço da limpeza de pele ou se tem horário na sexta à tarde, e o sistema responde no mesmo minuto, por áudio, enquanto a esteticista está com as mãos ocupadas aplicando um procedimento. Perguntas sobre contraindicação de um tratamento específico, reação alérgica ou negociação de valor continuam precisando passar por um humano antes de qualquer confirmação.

O preço ainda não está claro, e isso pesa pro pequeno negócio

A reportagem do The Decoder não traz valores exatos: diz apenas que a cobrança é por minuto de conversa mais o custo de tokens (a unidade que mede o processamento de texto e voz usada), e que o v1 Max custa mais que o v1 Mini. Os detalhes completos ficam na página de preços da ElevenLabs, que não foi reproduzida na fonte consultada.

Isso é relevante porque modelo cobrado por minuto de uso muda de custo conforme o volume de mensagens do salão. Um salão que recebe 20 áudios por dia pede uma conta bem diferente de uma rede com várias unidades recebendo centenas. Antes de qualquer esteticista buscar uma ferramenta que use esse motor, vale pedir uma simulação de custo mensal baseada no volume real de atendimento, e não só olhar o preço por minuto isolado.

O que fica de fora dessa conta

Resposta rápida não substitui confiança. Uma cliente que manda áudio perguntando sobre dor, sangramento ou reação alérgica depois de um procedimento espera alguém que conheça o histórico dela, não uma resposta genérica, por mais rápida que seja. O ganho real do Eleven Realtime é tirar do caminho as perguntas repetitivas (preço de tabela, horário de funcionamento, endereço), liberando a esteticista pra responder pessoalmente o que exige julgamento clínico ou tato.

Por enquanto, o que existe é a peça de infraestrutura, lançada agora, que torna esse tipo de atendimento tecnicamente viável com baixa demora. Falta a ponte pronta até o WhatsApp da esteticista comum, e falta o preço final que vai dizer se isso cabe no orçamento de um salão pequeno ou só de redes maiores.

Fonte: The Decoder