A maioria dos sistemas de inteligência artificial de voz é treinada em amostras de fala de falantes de inglês perfeito, o que raramente corresponde à realidade na Índia. No entanto, para Ritu Mehrotra e Saurav Bandopadhyay, fundadores da United We Care, uma empresa focada em saúde mental, essa lacuna tornou-se evidente.
Os usuários frequentemente mudavam entre idiomas no meio das frases, falavam com vários sotaques, usavam terminologia médica especializada e expressavam preocupações sobre a transmissão de dados confidenciais através de servidores de terceiros. Ao mesmo tempo, a infraestrutura de voz existente não conseguia atender a esses requisitos.
Mehrotra observou que, ao estudar o mercado, ficou claro que ninguém havia criado modelos capazes de processar adequadamente a diversidade de padrões de fala em toda a Ásia. Em vez de contornar essas limitações, os fundadores decidiram desenvolver a infraestrutura necessária por conta própria, o que levou à criação da Shunya Labs.
Atualmente, a empresa está criando sua própria infraestrutura de IA de voz, projetada para trabalhar com fala multilíngue, acentuada e mista (code-switching). Essa tecnologia é usada por grandes clientes corporativos nos setores bancário, de saúde, telecomunicações, automotivo e comércio eletrônico, tudo isso ocorrendo em processadores centrais (CPU), e não em soluções caras que exigem poderosas unidades de processamento gráfico (GPU).
A Shunya Labs construiu sua pilha de IA de voz do zero. A plataforma consiste em três componentes principais: modelos de conversão de fala para texto (speech-to-text), uma camada de orquestração para processar informações considerando contexto e memória, e modelos de conversão de texto para fala (text-to-speech) para vocalizar as respostas.
A empresa afirma que todo esse conjunto pode funcionar em CPU, independentemente de ser usado um telefone, carro ou servidores próprios da empresa, e até mesmo sem conexão com a internet. Isso permite reduzir os custos de implantação em cerca de vinte por cento em comparação com fornecedores semelhantes, ao mesmo tempo que suporta mais de 220 idiomas, incluindo 55 idiomas indianos.
Os modelos são proprietários, mas os clientes corporativos recebem uma camada adicional personalizável que é treinada com vocabulário específico do negócio, nomes de produtos, termos de planos de telecomunicações, nomes farmacêuticos e catálogos de produtos bancários. A criação de um modelo personalizado como esse leva cerca de 40 horas em GPU, e a adição de um novo idioma requer aproximadamente 100 horas, o que é significativamente menor do que o padrão da indústria de 10.000 horas.
Antes que o sinal de áudio chegue ao motor de transcrição, um supressor de ruído patenteado elimina o ruído de fundo, e outra ferramenta ajusta o volume, a frequência e as distorções. O sistema foi projetado para operar em condições de qualidade de som instável, como em call centers ou gravações de campo.
Além da transcrição, a plataforma oferece recursos como análise de sentimento, rastreamento de emoções, detecção de intenção e identificação de falante. Mehrotra enfatizou que o modelo Hinglish da Shunya pode gerar tokens de idiomas mistos em tempo real, sem forçar os usuários a se limitarem a um único idioma.
Em fevereiro de 2026, a empresa apresentou o Vāķ — um sistema de tradução em tempo real de código aberto que abrange 55 idiomas indianos — no India AI Impact Summit em Nova Delhi. O Vāķ foi desenvolvido em colaboração com a Nasscom, que inclui o grupo GenAI Shunya. O sistema garante uma latência ponta a ponta inferior a 1,5 segundos, suporta clonagem de voz sem pré-treinamento (zero-shot voice cloning) e opera na plataforma Zero Suite. Os pesos dos modelos estão disponíveis no Hugging Face.
Bandopadhyay descreve o Vāķ como uma 'inovação soberana e autossustentável', acrescentando que o objetivo é que 'cada desenvolvedor possa criar, cada governo possa implementar e cada indiano possa ser ouvido em sua língua nativa'.
A Shunya colabora exclusivamente com grandes clientes corporativos. O processo de vendas envolve três etapas: prova de conceito (proof of concept) sob um acordo de não divulgação (NDA), teste piloto em uma região e idioma, e, finalmente, implementação em grande escala, que geralmente leva de seis a oito meses até a transição para um contrato permanente.
Recentemente, a empresa alterou sua política, tornando a fase de prova de conceito paga. A política de preços é implementada em um modelo de três estágios. Desenvolvedores individuais podem usar a plataforma gratuitamente ou comprar créditos de uso pré-pagos, a partir de US$ 500. Clientes corporativos recebem preços personalizados, opções de hospedagem própria, acordos de nível de serviço (SLA) dedicados e suporte com maior paralelismo.
De acordo com a empresa, um agente de voz típico que combina speech-to-text, LLM e text-to-speech custa cerca de US$ 0,0154 por minuto de operação. Mehrotra relatou que a receita da empresa dobrou mensalmente nos últimos três meses, e o uso da plataforma aumentou 6 a 8 vezes no mesmo período.
A empresa também aponta para altas taxas de reconhecimento automático de fala em vários benchmarks públicos no Hugging Face, incluindo conjuntos de dados financeiros, TED Talks e linguísticos europeus, onde seus modelos superaram as ofertas da Nvidia e da Meta. Entre as métricas apresentadas, o Zero STT Med demonstra uma taxa de erro de palavras de 11,1% e uma taxa de erro de caracteres de 5,1% ao lidar com áudio médico ruidoso com múltiplos falantes. O Zero Tinny ONNX mostra uma taxa de erro de palavras de 3,10%, e o Zero STT Indic declara uma precisão 200% superior à do próximo melhor modelo para fala indiana.
A plataforma é certificada pela norma ISO 27001, cumpre os requisitos HIPAA e GDPR, e pode ser implantada em ambientes de nuvem, de borda (edge) ou locais (on-premise). A base de clientes da Shunya abrange telecomunicações, setor bancário e serviços financeiros, saúde, indústria automotiva e comércio eletrônico. Entre os clientes estão Panasonic, NASSCOM, Gomotto nos EUA, OMG Pharma na Austrália e ZET na Índia.
No setor bancário, a plataforma é usada para verificação KYC, lembretes de pagamento e troca de idioma durante chamadas. Na área da saúde, ela transcreve conversas clínicas em tempo real, separa vozes de médicos e pacientes, estruturando resultados para prontuários eletrônicos enquanto mantém os dados localmente. Call centers utilizam a plataforma para transcrição ao vivo e assistência a agentes em tempo real. Na indústria automotiva, os modelos funcionam em sistemas de entretenimento sem necessidade de conexão de rede. Clientes de comércio eletrônico usam a tecnologia para converter solicitações verbais em resultados de pesquisa relevantes, o que a Shunya chama de intenção de voz (voice-to-intent).
O trabalho da empresa é sustentado por 12 patentes, cobrindo áreas como tradução clínica, mitigação de alucinações e mapeamento de texto para emoções. Além disso, foram publicados mais de 18 trabalhos revisados por pares, e a empresa possui 23 recordes mundiais. Muitos modelos estão disponíveis como código aberto no Hugging Face.
De acordo com a Grand View Research, o mercado de IA conversacional na Índia deve atingir US$ 3,7 bilhões até 2033, demonstrando uma taxa de crescimento anual composta (CAGR) de 26,4% a partir de 2026. Jogadores como Sarvam, Gnani.ai e Yellow.ai já estão presentes no mercado, operando em diferentes níveis do ecossistema de IA de voz.
A Shunya levantou cerca de US$ 5,5 milhões em rodadas pré-seed e seed e planeja realizar uma rodada Série A nos próximos três a quatro meses. No entanto, atualmente, a prioridade é alcançar a lucratividade. Mehrotra declarou que, nos próximos seis a oito meses, a principal tarefa é atingir um resultado positivo de P&L, concentrando-se na criação de uma infraestrutura de receita mantendo a eficiência de custos.
A empresa não segue a estratégia de 'queimar e escalar', mas sim foca na construção de uma receita recorrente sustentável por meio de implementações corporativas nos setores de telecomunicações, BFSI, saúde e automotivo da Ásia. As ambições de longo prazo da empresa vão além da Índia. Mehrotra indicou que o público-alvo inclui pessoas em toda a Ásia, Europa Oriental e outras regiões com alta diversidade linguística e baixa alfabetização digital. Ela acredita que as pessoas que não sabem digitar em inglês ou não sabem digitar nada ainda podem falar em sua língua materna, e esses usuários precisam de uma infraestrutura de voz básica desenvolvida especificamente para eles, e não de sistemas orientados a interfaces dominadas pelo inglês e com grande poder computacional.
Apesar do desenvolvimento das tecnologias de inteligência artificial, os trabalhadores continuam a preferir métodos de comunicação por voz, especialmente quando é necessária uma resposta rápida a problemas emergentes. De acordo com um recente relatório da Mitel intitulado «State of Workforce Communication», 79% dos funcionários afirmaram dar prioridade à comunicação por voz para coordenação operacional, utilizando mensageiros ou videoconferências apenas para esclarecimentos posteriores.
Ao escolher um método de comunicação para momentos urgentes ou críticos, a voz permanece a opção mais popular entre todos os grupos etários. Essa escolha varia de 43% entre os trabalhadores da Geração Z a 54% entre os baby boomers. Isso destaca a importância contínua da comunicação em tempo real em ambientes de trabalho de alto risco, onde atrasos podem afetar negativamente o atendimento, a segurança ou a produtividade das operações.
A pesquisa, realizada pela Vanson Bourne sob encomenda da Mitel, abrangeu líderes de TI, funcionários de escritório e pessoal de linha de frente para entender melhor a eficácia das ferramentas de comunicação em diferentes funções e condições de trabalho. Uma atenção especial foi dada ao fato de que oito em cada dez (80%) trabalhadores em todo o mundo trabalham na linha de frente, incluindo os setores de saúde, manufatura, varejo, hospitalidade, serviços financeiros e setor público, onde falhas de comunicação podem ter consequências imediatas e significativas.
À medida que as tecnologias de trabalho são modernizadas e as ferramentas baseadas em IA são implementadas, a avaliação do progresso deve levar em conta o quanto esses investimentos simplificam a comunicação em condições reais, se correspondem ao perfil da força de trabalho e se contribuem para alcançar o resultado desejado diretamente no ponto de execução da tarefa.
Muitos funcionários que trabalham na linha de frente, apesar de seu papel central na prestação de serviços e condução de operações, estão em ambientes de comunicação que não foram originalmente projetados para trabalho móvel, sensível ao tempo e de campo. Na verdade, isso muitas vezes significa a necessidade de procurar informações em mais locais e um risco aumentado de mensagens serem perdidas nos momentos mais importantes.
Funcionários de escritório e de linha de frente utilizam em média sete canais de comunicação, o que leva à fragmentação da experiência. Isso dificulta a localização da informação necessária, o contato com a pessoa apropriada ou uma resposta rápida. Entre o pessoal de linha de frente, 65% relatam perda de tempo devido à alternância entre diferentes ferramentas, e 64% relatam mensagens perdidas devido à sua distribuição por múltiplos canais.
Esses problemas afetam não apenas a produtividade. A Mitel descobriu que 70% dos trabalhadores de linha de frente acreditam que ferramentas de comunicação complexas ou não confiáveis os impedem de fornecer o melhor suporte aos clientes, pacientes ou pedidos. Mais de um terço dos entrevistados afirma que problemas de comunicação criam riscos para a segurança de clientes, pacientes ou pessoal.
Martin Bitzinger, vice-presidente sênior de gerenciamento de produtos na Mitel, declarou: «O futuro da comunicação na força de trabalho não será exclusivamente por voz, mas deve ser prioritariamente por voz nos momentos em que a coordenação em tempo real é mais importante». Ele acrescentou que, para trabalhadores de setores críticos e pessoal de linha de frente, a voz é frequentemente a maneira mais rápida, clara e confiável de coordenar quando o trabalho não pode esperar. Ele também observou que, ao modernizar e implementar a IA, as organizações não devem esquecer de criar uma infraestrutura de comunicação flexível que apoie os funcionários independentemente de seu papel ou função na execução de tarefas e no alcance de resultados.
O setor de saúde serve como um exemplo claro. Em ambientes clínicos dinâmicos, os trabalhadores precisam coordenar rapidamente ações entre equipes de cuidados, diferentes locais e dispositivos. Falhas de comunicação podem levar a atrasos na assistência em momentos críticos, aumentando o tempo de espera por consultas ou alta do paciente e diminuindo a capacidade do hospital de atender aos próximos pacientes.
Para gestores no setor de saúde, esses riscos não são abstratos; eles estão diretamente ligados à satisfação do paciente, aos custos operacionais e aos resultados de segurança. O estudo da Mitel mostrou que a saúde é um dos setores onde os problemas de comunicação têm maior probabilidade de criar ameaças à segurança, e os trabalhadores de linha de frente neste setor relatam as lacunas mais agudas em relação às suas necessidades ao tomar decisões sobre tecnologia e infraestrutura de comunicação. Essas dificuldades se estendem a outros setores críticos, incluindo manufatura, serviços financeiros, hotelaria e varejo.
Zeus Kerravala, fundador e analista principal da ZK Research, enfatizou: «Em uma situação de crise, a interface deve desaparecer. A voz faz isso». Ele explicou que não se pode treinar uma enfermeira ou despachante a navegar em uma interface de usuário sob pressão — é preciso fornecer um canal que funcione no momento da necessidade. É por isso que a voz permanece a única modalidade que resiste ao teste quando as apostas são altas.
À medida que a implementação da IA cresce em todos os setores de negócios, a voz também se torna o método mais natural e eficaz para os trabalhadores interagirem com a tecnologia. Especialmente para o pessoal de linha de frente, a interface de IA orientada por voz pode aumentar a adoção pelo usuário e a produtividade, reduzindo o tempo gasto navegando em menus, alternando entre aplicativos ou digitando mensagens de texto.
As estratégias de desenvolvimento de tecnologias de trabalho não devem considerar a voz como um canal obsoleto ou de reserva; ela deve se tornar uma parte integrante da estratégia moderna de comunicação. Isso permite que a voz atue como um nível de interface através do qual a IA fornece o maior valor aos trabalhadores que mais precisam dela.
Luis Domingos, diretor técnico da Mitel, afirmou: «A IA tem o potencial de influenciar drasticamente aqueles trabalhadores que foram menos providos de transformação digital, mas devemos encontrá-los onde eles estão». Ele concluiu que, seja uma enfermeira na sala de emergência ou um técnico em campo, a IA por voz elimina a lacuna de uma forma que nenhuma tecnologia anterior conseguiu. Na sua opinião, o aplicativo do futuro, especialmente para trabalhadores de linha de frente, não é uma caixa de bate-papo ou um painel de controle, mas sim um diálogo.
>
