ElevenLabs lança modelo de voz que entende quando o paciente fez uma pausa para pensar

Quem trabalha na recepção de um consultório odontológico conhece a cena: o paciente liga, começa a ditar o CPF, para no meio para conferir o número no documento, e o sistema automático já corta e responde outra coisa. A ElevenLabs, empresa de inteligência artificial de voz, anunciou em 12 de novembro de 2026 dois modelos novos de reconhecimento de fala que tentam resolver exatamente esse problema, segundo reportagem do site The Decoder.

Os modelos se chamam Scribe v3 e Scribe v3 Live. O primeiro foi desenhado para transcrever áudio já gravado, como a ligação de uma consulta que ficou gravada para auditoria. O segundo atua em tempo real, e é o que interessa diretamente para quem atende telefone no consultório: ele foi feito para rodar dentro de atendentes de voz automatizados, os chamados agentes de voz, no momento exato da ligação.

O problema do corte no meio da frase

Hoje, a maioria dos sistemas de atendimento por voz usa um temporizador rígido de silêncio: se o paciente fica calado por um certo número de milissegundos, o sistema assume que ele terminou de falar e já dispara a resposta. Funciona bem quando a pessoa fala de forma fluida. Mas quebra quando o paciente para para pensar, soletra um nome difícil ou lê um número de telefone devagar, como costuma acontecer quando alguém de mais idade liga para remarcar uma consulta.

O Scribe v3 Live ataca esse ponto específico. Segundo a ElevenLabs, o modelo analisa o contexto da conversa junto com o sinal de áudio, e não só a pausa em si, para decidir se a pessoa realmente terminou de falar ou só fez uma parada natural no meio da frase. Na prática, isso significa que um agente de voz construído sobre esse modelo tende a esperar mais antes de interromper, em vez de assumir silêncio como sinal de fim de fala.

O que muda para quem agenda consulta por telefone

Para uma clínica que usa, ou pensa em usar, um atendente automatizado para marcar, remarcar ou cancelar consultas, três recursos do anúncio merecem atenção direta:

• Vocabulário especializado: desenvolvedores podem pré-carregar o modelo com milhares de termos específicos, como nomes de marcas e medicamentos, para evitar que o sistema entenda errado uma palavra fora do vocabulário comum. Para a odontologia, isso vale para termos como resina composta, aparelho ortodôntico ou o nome de um anti-inflamatório que o paciente menciona ao relatar dor.
• Formatação de números e datas em linguagem natural: é possível configurar regras para como o sistema deve escrever um horário ou uma data ditados por telefone, o que reduz o erro clássico de confundir "dia 3" com "dia 13".
• Modo multilíngue: o sistema lida com troca de idioma no meio da fala, útil em clínicas que atendem pacientes estrangeiros ou bilíngues.

Segundo a ElevenLabs, o Scribe v3 também reduz em cerca de 25% os erros de palavra em relação ao modelo anterior, em 102 idiomas, com melhora relatada especificamente em alemão. A separação entre vozes diferentes numa mesma gravação, útil quando mais de uma pessoa fala ao telefone, também teria ficado mais confiável, agora disponível em tempo real pela primeira vez.

Precisão alta, mas mais lento e mais caro que a concorrência

Um benchmark independente da empresa Artificial Analysis, citado pelo The Decoder, testou o Scribe v3 contra modelos concorrentes de transcrição de fala. O resultado: o modelo da ElevenLabs ficou entre os mais precisos do mercado, superando opções da Microsoft, da Mistral, da xAI, do Google e da OpenAI, perdendo apenas para um modelo em fase de teste da Alibaba.

A precisão, porém, tem custo. O preço de referência do Scribe v3 no benchmark é de 3,33 dólares a cada 1.000 minutos de áudio processado, e o modelo roda mais devagar do que rivais diretos.

Vale uma ressalva importante: esse benchmark mede apenas erro de transcrição em arquivos gravados. Ele não avalia a separação de vozes, o desempenho em idiomas raros, nem o comportamento em tempo real do Scribe v3 Live, que é justamente o diferencial que a ElevenLabs promete para atendimento ao vivo.

O que fazer (e o que não fazer) com o dado do paciente

Uma ligação de agendamento quase sempre carrega dado sensível: nome completo, telefone, e muitas vezes o motivo da consulta, que pode revelar condição de saúde. Pela Lei Geral de Proteção de Dados (Lei 13.709, de 14 de agosto de 2018), dado de saúde é categoria de dado pessoal sensível, com regras mais rígidas de tratamento e consentimento.

A ElevenLabs oferece, para clientes corporativos, servidores isolados na União Europeia e um modo de retenção zero, que apaga o áudio logo após processar a solicitação. Isso é relevante, mas não resolve sozinho a questão para uma clínica brasileira: servidor na Europa não é o mesmo que servidor no Brasil, e a existência do recurso não dispensa a clínica de checar, por contrato, onde o áudio da ligação do paciente é processado e por quanto tempo fica armazenado antes de ser apagado.

Em resumo: antes de ligar qualquer atendente de voz ao telefone do consultório, vale exigir do fornecedor, por escrito, onde o áudio é processado, se ele é retido e por quanto tempo, e se existe anonimização do conteúdo clínico mencionado na ligação. Sem essas respostas, o risco de descumprir a LGPD recai sobre a clínica, não sobre o fornecedor da tecnologia.

Vale a pena para o consultório pequeno hoje?

Os novos modelos não chegam como um produto pronto para dentista instalar sozinha. Scribe v3 e Scribe v3 Live são peças de infraestrutura, acessadas via interface de programação (API) pela plataforma ElevenAgents, voltadas a quem constrói o atendente de voz, não a quem vai usá-lo no dia a dia.

A ElevenLabs também anunciou, junto com o lançamento, um mercado próprio de agentes de voz prontos, com parceiros como Salesforce, IBM e Zendesk oferecendo soluções já configuradas, além de uma parceria ampliada com a Nvidia e uma aliança com a consultoria McKinsey. Isso sugere que, nos próximos meses, é provável que surjam produtos de atendimento por voz voltados a clínicas e consultórios, construídos sobre essa tecnologia, em vez de a dentista precisar contratar um desenvolvedor para integrar a API diretamente.

Para quem avalia investir agora, a conta é simples: se a clínica já perde consulta por ligação mal atendida ou erro de agendamento por telefone, um atendente de voz com transcrição mais precisa pode valer o teste. Se o volume de ligações é pequeno e a recepcionista dá conta bem, o custo e a complexidade de implantar esse tipo de sistema ainda não se justificam só pelo anúncio de um modelo mais preciso.

Fonte: The Decoder