IA de voz da ElevenLabs evita cortar o tutor que liga com o pet em emergência

A ElevenLabs lançou o Scribe v3 Live, um modelo de voz que usa o contexto da conversa para não cortar quem fala no meio da frase. Isso pode mudar a forma como a clínica veterinária faz a triagem de chamadas de emergência.

O problema real: o tutor fala rápido demais para o robô de atendimento

Quando o telefone da clínica toca às 23h e a tutora conta, sem parar, que o cachorro comeu chocolate, está vomitando e treme, cada segundo de fala pode decidir se é caso de internação imediata. Um agente de voz tradicional costuma usar temporizadores fixos de pausa: se a pessoa para de falar por um instante para respirar ou lembrar o nome do remédio, o sistema interpreta que ela terminou e já começa a responder, cortando a frase no meio. Em uma emergência veterinária, essa informação perdida pode ser justamente o sintoma que classificaria o caso como grave.

Esse é o problema que a ElevenLabs diz atacar com o Scribe v3 Live, lançado em 12 de novembro de 2026 junto com o Scribe v3 (versão para áudio já gravado), segundo reportagem do site The Decoder. Os dois são modelos de reconhecimento de fala, a tecnologia que transforma voz em texto, pensados para situações de áudio bagunçado: gente falando ao mesmo tempo em reuniões ou ligações com ruído de fundo.

Como o modelo decide quando o tutor realmente terminou de falar

A diferença do Scribe v3 Live para um bot comum está em como ele decide a vez de falar. Em vez de contar apenas o tempo de silêncio, o modelo analisa o contexto da conversa junto com o sinal de áudio, tentando entender, pelo sentido da frase, se a pessoa está fazendo uma pausa para pensar ou se já concluiu o raciocínio. Na prática, isso significa menos interrupções quando o tutor lê um número de telefone devagar, soletra o nome de um remédio ou trava no meio da frase por estar nervoso.

A ElevenLabs também permite pré-carregar milhares de termos especializados, como nomes de marcas e de medicamentos, para reduzir erros de transcrição em vocabulário técnico. Para uma clínica veterinária, isso abre a possibilidade, ainda não confirmada pela empresa como produto pronto para o setor, de alimentar o sistema com nomes de princípios ativos, raças e protocolos internos, para que termos como ivermectina ou piometra não virem lixo na transcrição. O modelo também tem um modo multilíngue que lida com troca de idioma no meio da fala, útil em regiões com tutores que misturam português e espanhol.

Os números dos testes independentes: mais precisão custa mais tempo e mais dinheiro

A publicação Artificial Analysis testou o Scribe v3 de forma independente e confirmou que ele está entre os modelos de transcrição mais precisos do mercado, atrás apenas de uma versão preview de um modelo da Alibaba e à frente de concorrentes da Microsoft, da Mistral, da xAI, do Google e da OpenAI. Essa precisão, porém, vem com um custo.

Para quem precisa processar grande volume de áudio rápido e barato, por exemplo uma rede com dezenas de unidades gravando todas as ligações do dia, os concorrentes da Microsoft e da xAI saem na frente. O benchmark, porém, mede só o erro de transcrição em arquivos gravados: ele não avalia a identificação de quem fala (a diarização) nem o comportamento em tempo real do Scribe v3 Live, que é justamente o diferencial para uma triagem ao vivo.

O precedente mais próximo é saúde pública, não clínica de bairro

A ElevenLabs não lançou um produto específico para veterinária. O anúncio fala em expansão de parcerias empresariais: integração do modelo de linguagem aberto Nemotron 3.5 Super VL, da Nvidia, na plataforma ElevenAgents, mais capacidade de computação rodando em infraestrutura Nvidia, controle de voz local para robôs e, o caso mais próximo da área da saúde, um agente telefônico para o sistema público de saúde da Polônia. A empresa também anunciou aliança com a consultoria McKinsey, um programa de parceiros para integradores de sistemas e um marketplace onde empresas como Salesforce, IBM e Zendesk oferecem agentes de voz prontos.

Isso importa porque mostra o caminho real de adoção: a tecnologia não chega pronta para o veterinário autônomo instalar sozinho. Ela chega embutida em um produto de terceiro, como um CRM de clínica, um sistema de agendamento ou uma central telefônica, que licencia a tecnologia da ElevenLabs por trás. Uma rede de hospitais veterinários tem mais chance de encontrar isso num pacote de atendimento telefônico do que um consultório de profissional liberal que atende sozinho.

O que muda na recepção, e o que continua sendo trabalho humano

Para a rotina da clínica, a promessa é que o primeiro filtro de uma ligação de emergência, decidir se é caso de internação agora ou se pode esperar a manhã, chegue mais completo ao atendente ou ao veterinário de plantão, porque a transcrição não perdeu o final da frase do tutor. Isso não substitui o julgamento clínico. O sistema transcreve e organiza a fala, não decide se o animal precisa de atendimento imediato, e essa decisão continua sendo de quem atende o telefone e, no limite, do médico veterinário responsável pelo plantão.

O dado do tutor: o que pode entrar no sistema de voz e o que precisa ficar fora

O nome do tutor, o telefone e o histórico da conversa são dados pessoais protegidos pela Lei Geral de Proteção de Dados, a Lei 13.709 de 2018. O dado de saúde do animal em si não é dado sensível na definição da lei, que trata de pessoas físicas, mas o conjunto (quem ligou, de onde, contando o quê sobre a vida do bicho de estimação) ainda identifica uma pessoa e exige cuidado. A ElevenLabs oferece, para clientes corporativos, servidores isolados na União Europeia e um modo de retenção zero que apaga o áudio logo após processar cada requisição, mas isso é configuração contratual, não um padrão automático.

Antes de assinar com qualquer fornecedor que venda IA de atendimento por voz para a clínica, vale perguntar:

• Onde o áudio da ligação fica armazenado e por quanto tempo?
• Existe opção de apagar a gravação logo após a transcrição (retenção zero)?
• O contrato permite que o fornecedor use os dados do tutor para treinar outros modelos?
• Há como auditar quem acessou a gravação de uma ligação específica?
• O sistema usa temporizador fixo de silêncio ou análise de contexto para saber quando a fala terminou?

Essas perguntas valem tanto para quem avalia um produto baseado no Scribe v3 Live quanto para qualquer concorrente que prometa resolver o mesmo problema.

Fonte: The Decoder