O codec da sua telefonia pode dobrar os erros do seu bot de voz
Medimos o que ninguém mede: o mesmo áudio, com a mesma referência humana, atravessando os 8 codecs mais comuns da telefonia — e o que sobra dele para o reconhecimento de fala.
Quando um voicebot vai mal, a primeira suspeita é sempre o modelo de STT. Troca-se de fornecedor, ajusta-se prompt, revisa-se o fluxo — e o problema continua. Muitas vezes porque ele não está no modelo: está no caminho do áudio.
Todo áudio de telefonia atravessa pelo menos um codec — escolhido pela operadora, pelo tronco SIP ou pela configuração do PBX — que comprime a voz para caber na banda. Essa escolha costuma ser feita pela equipe de rede olhando custo e banda. Ninguém pergunta o que ela faz com os ouvidos do bot.
Nós medimos.
O experimento
O problema de medir isso com gravações reais é que elas já chegam degradadas por um caminho desconhecido — impossível isolar o efeito do codec. Então invertemos: pegamos um corpus limpo de fala espontânea em português brasileiro (CORAA NURC-SP, 500 trechos com transcrição verificada por humanos, áudio nativo em 16 kHz) e transcodificamos cada trecho, de verdade, por cada codec na sua taxa nativa:
- G.711 A-law e µ-law 64k — o clássico da telefonia fixa
- G.722 64k — wideband HD voice
- G.729 8k — o "economizador de banda"
- AMR-NB 12.2k e AMR-WB 12.65k — voz de celular (3G / VoLTE)
- Opus WB 24k — o padrão do VoIP moderno
- MP3 8 kHz 32k — gravações de plataformas legadas
Depois medimos o WER (taxa de erro de palavra, com normalização pt-BR) em cada condição, com três arquiteturas diferentes de reconhecimento — o pulse-precision, motor da SipPulse AI, o OpenAI Whisper large-v3 e o NVIDIA Parakeet-TDT — para garantir que o efeito é do codec, não de um modelo específico.
O resultado: dois codecs quase de graça, um que quase dobra o erro
A leitura é direta:
| Codec | WER adicionado (média de 3 modelos) | Veredicto |
|---|---|---|
| G.722, Opus | +0,7 a +1,0 p.p. | ≈ de graça |
| G.711 (A-law/µ-law), AMR-WB, MP3 8k | +2,8 a +3,3 p.p. | moderado |
| AMR-NB | +6,5 p.p. | alto |
| G.729 | +12,6 p.p. | crítico — quase 2× o erro |
O G.729 — justamente o codec escolhido para economizar banda — leva o WER de 15,5% para 28,9% no pulse-precision. E não é idiossincrasia de um modelo: Whisper vai de 15,0% para 26,3%, Parakeet de 15,0% para 28,2%. A degradação é propriedade do codec, não do modelo. Se o áudio chega em G.729, qualquer motor do mercado erra quase o dobro.
Por que ninguém fala disso
Porque os benchmarks públicos escondem o problema. Quase todos usam fala lida ou preparada — audiolivros, palestras. Repetimos o protocolo inteiro no MLS português (fala lida) e o estrago praticamente sumiu: o G.729 custou só +2,2 p.p., contra +12,3 p.p. na fala espontânea. O mesmo codec, 5× mais dano quando a fala é de verdade — com hesitações, sobreposições e prosódia de conversa.
A explicação: fala lida é redundante e previsível — o modelo reconstrói o que o codec destruiu. Na fala espontânea de uma ligação real, não há redundância que salve.
O que fazer com isso
- Negocie o codec do leg do bot. O trecho SIP que alimenta o STT pode usar um codec diferente do resto da chamada. G.711, G.722 ou Opus nesse leg recuperam quase toda a precisão — sem trocar de modelo, sem custo novo.
- Se o tronco entrega G.729, não re-transcodifique para "melhorar". O dano já foi feito na primeira codificação; cada transcodificação extra só soma perda.
- Dimensione expectativas por codec. Um bot homologado com áudio limpo vai errar ~3 pontos a mais em G.711 e ~13 pontos a mais em G.729. Isso muda meta de contenção e SLA.
- Meça o seu caso. A distribuição de codecs do seu tráfego define quanto de precisão está sendo deixado na mesa.
No pulse-precision, esse cenário tem tratamento dedicado: um perfil de decodificação robusto para tráfego majoritariamente narrowband, e a possibilidade de ajustar o modelo com áudio do seu próprio tronco — absorvendo o canal específico da sua operação.
A conclusão em uma frase
A precisão de um sistema de voz não é só do modelo — é do caminho do áudio. Antes de trocar de fornecedor de STT, olhe o codec: migrar o leg do bot de G.729 para um codec wideband recupera mais precisão do que qualquer troca de motor.
Quer saber quanto o seu tronco está custando em precisão? Mande 30 minutos de chamadas do seu tráfego e devolvemos o diagnóstico: WER estimado por codec e o ganho esperado ao mudar o leg do bot. contato@sippulse.ai · sippulse.ai
Metodologia completa no estudo em PDF. Nota: o protocolo isola o dano do codec — perda de pacote, cross-talk e acústica de viva-voz são fatores adicionais em produção.
Artigos Relacionados
Por que treinamos nossos próprios modelos para a telefonia brasileira
O benchmark que importa: 261 chamadas reais revisadas por humanos
