VozSaúde AI: como construir inteligência de voz para saúde que realmente funciona em produção

A proposta é direta: automatizar atendimento por voz com baixa latência, execução validada de ações e monitoramento contínuo de qualidade, em um ambiente onde erro não é uma opção.

Este artigo documenta o que é o sistema, o que ele faz, como funciona por dentro e quais tecnologias sustentam cada camada da arquitetura.

O problema que motivou o projeto

Um paciente que liga para agendar uma consulta espera, em média, 8 minutos em fila.

Para tirar uma dúvida sobre o plano: 12 minutos.

Para triagem fora do horário comercial: não há atendimento.

As soluções existentes de Voice AI prometem resolver isso, e falham na prática. Chatbots com menus rígidos que frustram, transcrição que não entende sotaque regional, agentes que confirmam ações que nunca aconteceram. Sistemas que funcionam na demo e quebram quando o volume escala.

O VozSaúde AI foi construído para não falhar.

O que é

O VozSaúde AI é uma plataforma de atendimento inteligente por voz para o setor de saúde.

Não é um chatbot de texto adaptado para voz. É um sistema concebido com voz como canal primário, onde cada decisão de arquitetura, desde o modelo de linguagem até o formato das respostas, foi tomada pensando primeiro no paciente que está falando ao telefone.

O agente virtual se chama Sofia. Ela atende por telefone, widget web ou WhatsApp, compreende linguagem natural, detecta a intenção do paciente sem menus de navegação e executa ações reais nos sistemas da instituição, com confirmação verificada de backend antes de informar o paciente.

O que o sistema faz

O VozSaúde AI opera em quatro cenários de atendimento:

🩺 Triagem de sintomas Sofia coleta o sintoma principal, há quanto tempo está presente, intensidade (escala 1–10) e sintomas associados. Classifica a urgência em quatro níveis: emergência, urgente, consulta programada ou cuidados em casa. Para sintomas críticos como dor no peito ou dificuldade severa de respirar, o protocolo de encaminhamento ao SAMU é ativado automaticamente.

📅 Agendamento de consultas O paciente agenda, remarca ou cancela em linguagem natural, sem navegar por menus. Sofia identifica a especialidade, verifica disponibilidade e confirma o agendamento com envio de SMS. Tempo médio: menos de 90 segundos.

📋 Dúvidas sobre plano e convênio Carências, coberturas, autorização prévia, reembolso, rede credenciada. Sofia responde com precisão e, quando a dúvida exige verificação individual, registra com contexto completo da conversa para o time especializado.

💊 Medicamentos e lembretes Orientação sobre horário de medicação, o que fazer ao esquecer uma dose, interações alimentares básicas e renovação de receitas. Para dúvidas que exigem avaliação médica, a questão é registrada para o médico responder na próxima consulta.

Em todos os cenários, as respostas têm entre 10 e 25 palavras, o formato natural de uma resposta falada. Nenhum paciente quer ouvir um parágrafo.

Como funciona: a arquitetura por dentro

A arquitetura é estruturada em cinco camadas independentes, cada uma com responsabilidade isolada e stack próprio.

Paciente (voz / texto)
        │
        ▼
  ┌─────────────┐
  │  Domain ASR │  → Whisper PT-BR + vocabulário médico
  └──────┬──────┘
         │ transcrição limpa
         ▼
  ┌──────────────────┐
  │  Voice-Native LLM│  → OpenAI GPT-4o mini / Groq LLaMA 3.1
  │  Sofia           │  → temp 0.4 · max 80 tokens · streaming
  └──────┬───────────┘
         │ tool calls estruturadas
         ▼
  ┌──────────────────┐
  │  Action Gateway  │  → FastAPI + Pydantic + Redis + Celery
  │  (Verificado)    │  → confirmação antes de anunciar ao paciente
  └──────┬───────────┘
         │ resposta confirmada
         ▼
  ┌──────────────┐
  │     TTS      │  → ElevenLabs / Deepgram Aura (streaming)
  └──────┬───────┘
         │
         ▼
  ┌──────────────────┐
  │  QA Automatizado │  → scoring em 100% das interações
  └──────────────────┘

Camada 1: ASR (Reconhecimento de fala)

O reconhecimento de fala usa Whisper com idioma fixo em português e biasing de vocabulário médico injetado via prompt de contexto, nomes de medicamentos, especialidades, termos de convênio, procedimentos.

O áudio passa por um pipeline antes do ASR: detecção de voz com Silero VAD, supressão de ruído com RNNoise, normalização de volume via pydub. Isso reduz a taxa de erro de transcrição mesmo em chamadas telefônicas comprimidas a 8kHz.

Para a arquitetura distribuída em produção, o ASR evolui para AssemblyAI com vocabulário customizado, atingindo WER abaixo de 12% em áudio telefônico de domínio médico.

Camada 2: LLM com calibração para voz

Aqui mora o diferencial mais contraintuitivo do projeto.

Modelos de linguagem são treinados em texto de internet, e produzem respostas em formato de parágrafo. Para voz, isso é um erro crítico. Uma resposta de 200 tokens soa robótica, cansa e não funciona em contexto telefônico.

A Sofia opera com:

• Temperature 0.4, consistência sem robotismo
• Max tokens 80, força respostas curtas
• Streaming ativo, o áudio começa a ser sintetizado antes da resposta estar completa
• System prompts calibrados por cenário, cada um dos quatro cenários tem um prompt dedicado com restrições semânticas, fluxo estruturado e protocolo de segurança

No MVP, dois providers são intercambiáveis via sidebar: OpenAI (GPT-4o mini, GPT-4o) e Groq (LLaMA 3.1 8B instant, LLaMA 3.3 70B). O Groq entrega latência média abaixo de 150ms, indetectável para o ouvido humano.

Para produção, a arquitetura prevê fine-tuning do modelo base em transcrições reais de chamadas do domínio, usando Unsloth + TRL com técnica QLoRA.

Camada 3: Action Gateway (a camada que elimina alucinações)

Este é o componente que mais diferencia o VozSaúde AI de soluções genéricas.

O maior risco em agentes baseados em LLM não é resposta errada. É ação confirmada que nunca aconteceu. Sofia diz "agendei sua consulta". Nada foi agendado.

O Action Gateway resolve isso com uma pipeline transacional:

1. LLM gera uma tool call estruturada (JSON com schema validado)
2. FastAPI + Pydantic valida o schema antes de qualquer execução
3. A ação é enviada ao backend (CRM, agenda, prontuário) via httpx assíncrono
4. O backend retorna confirmação (HTTP 200) ou erro
5. Sofia anuncia o resultado somente após confirmação
6. Cada ação recebe uma chave de idempotência via Redis, sem duplicatas em retentativas
7. Falhas são tratadas por Celery com backoff exponencial

O resultado: zero ações anunciadas sem execução real.

Camada 4: TTS (síntese de voz)

A resposta da Sofia começa a ser sintetizada em áudio enquanto os primeiros tokens ainda estão sendo gerados, técnica de streaming que reduz a latência percebida pelo paciente.

Providers avaliados: ElevenLabs (qualidade natural, streaming nativo), Deepgram Aura (TTFB abaixo de 100ms) e Coqui XTTS v2 (open-source, on-premise).

Camada 5: QA automatizado em 100% das interações

Revisar chamadas manualmente não escala. A 1 milhão de atendimentos por mês, nenhuma equipe humana consegue cobertura real.

O VozSaúde AI monitora cada interação com um modelo de scoring que avalia quatro dimensões em tempo real:

Score abaixo do threshold dispara alerta automático. A arquitetura de produção usa OpenTelemetry para rastreamento distribuído ponta a ponta.

O MVP: simulador funcional em Streamlit

Antes de construir a infraestrutura completa, o projeto tem um simulador funcional em Streamlit que replica o comportamento de produção em ambiente controlado.

O simulador oferece:

• Três modalidades de entrada simultâneas: microfone ao vivo (WebRTC via st-audiorec), upload de arquivo de áudio (WAV, MP3, M4A) e texto digitado
• Painel de QA em tempo real na mesma tela: latência por turno com semáforo visual, score de qualidade com breakdown por dimensão, intenção detectada com badge por cenário, log exportável em JSON
• Detecção automática de intenção, o sistema identifica qual dos quatro cenários o paciente está pedindo sem seleção manual
• Alerta de emergência automático, quando a fala contém sintomas críticos, um banner vermelho com o número do SAMU é exibido imediatamente
• Dois providers intercambiáveis na sidebar sem reiniciar a aplicação

O simulador não é apenas uma demo. É o ambiente de validação da arquitetura: onde cada decisão técnica pode ser observada, medida e ajustada antes de ir para produção.

Stack tecnológico completo

Frontend / MVP Streamlit · st-audiorec · pydub

ASR Whisper (OpenAI API) · Silero VAD · RNNoise · AssemblyAI (produção)

LLM OpenAI GPT-4o mini / GPT-4o · Groq LLaMA 3.1 8B / 3.3 70B · LangGraph (orquestração)

Fine-tuning (produção) Unsloth · TRL · PEFT (QLoRA) · vLLM (serving)

Action Gateway FastAPI · Pydantic · httpx · Celery · Redis · RabbitMQ

TTS ElevenLabs · Deepgram Aura · Coqui XTTS v2

Infraestrutura Docker · Kubernetes · Helm · Apache Kafka · PostgreSQL + pgvector

Observabilidade OpenTelemetry · Grafana · Prometheus · MLflow

Os três pilares que diferenciam a arquitetura

A maioria das soluções de Voice AI conecta APIs sem controle de estado, sem validação transacional e sem monitoramento real.

O VozSaúde AI foi construído sobre três pilares que mudam isso:

1. Voz como canal nativo, não como adaptação Cada componente, do modelo à forma da resposta, foi projetado pensando em voz primeiro. Respostas de 10–25 palavras não são uma limitação: são uma decisão de arquitetura.

2. Separação entre geração de linguagem e execução de ações O LLM gera intenção. O Action Gateway executa e confirma. Nunca o contrário. Isso elimina a classe inteira de bugs de alucinação de ação.

3. Qualidade como dado, não como percepção 100% das interações são pontuadas automaticamente. Regressões de qualidade são detectadas antes que o paciente perceba.

Esses três pilares juntos transformam um protótipo de IA em um sistema operável.

Conformidade e segurança

O setor de saúde não tolera descuido com dados. O projeto foi desenhado com isso em mente desde o início:

• LGPD: pipeline de anonimização de PII ativo antes de qualquer armazenamento; consentimento registrado no início de cada sessão
• CFM: Sofia nunca diagnostica: coleta, orienta e encaminha; protocolos de segurança embutidos em todos os system prompts
• Segurança: TLS 1.3 em trânsito, AES-256 em repouso, logs de auditoria imutáveis

O que vem a seguir

O simulador MVP está operacional. A arquitetura de produção está especificada em detalhe: ASR com fine-tuning, Action Gateway transacional completo, TTS com streaming, painel de analytics e integração com sistemas de prontuário (Tasy, MV, Soul MV).

Voice AI aplicada à saúde não é apenas sobre processamento de linguagem natural.

É sobre engenharia de latência, controle transacional, segurança semântica e governança de qualidade.

O VozSaúde AI nasce como projeto técnico com foco claro em aplicação real: atendimento automatizado confiável, auditável e escalável. Que não quebra quando o volume chega.

Se você trabalha com sistemas conversacionais, saúde digital, contact centers ou infraestrutura de IA e quer discutir arquitetura de Voice AI com profundidade técnica, fico aberto à conversa.

#VoiceAI #Saúde #HealthTech #LLM #Streamlit #OpenAI #Groq #ArquiteturaDeSoftware #InteligênciaArtificial #ContactCenter