AssemblyAI detalha uma build de agente de chamada fria de IA compatível

A AssemblyAI publicou um guia técnico em 29 de outubro de 2026, descrevendo como construir um agente de chamadas frias de saída IA que disca prospects, os qualifica em uma conversa estruturada e escreve resultados para um CRM. O guia foca em um portal de conformidade falha-fechado, Twilio para telefonia, Universal-3.6 Pro Realtime para reconhecimento de fala, um LLM através do LLM Gateway para o script e ferramentas, e AssemblyAI Text-to-Speech para respostas.

Evidências e contexto

O artigo diz que o fluxo de chamadas deve ser construído em torno de quatro elementos: uma porta de conformidade que bloqueia a chamada antes de ser realizada, um caminho de telefonia, um agente que executa o script e uma camada de ferramentas que registra o resultado. Especifica que um chave API do AssemblyAI pode cobrir Universal-3.6 Pro Realtime, Gateway LLM e Texto para Fala, enquanto o Twilio faz a chamada e carrega o áudio. O exemplo de implementação usa um único arquivo Python, server.py, e um WebSocket de Fluxos de Mídia para conectar o áudio entre o Twilio e o servidor.

A AssemblyAI enquadrou o sistema como adequado para qualificação estruturada, em vez de persuasão aberta. O guia defende um conjunto fechado de resultados, com dois ou três perguntas conhecidas, ramificação explícita e um de seis disposições escritas para o CRM. Também diz que o agente deve divulgar que isso é IA na primeira frase e, quando a gravação for habilitada, divulgar isso também.

A seção de conformidade coloca o portão antes do discador e recomenda comportamento de falha fechada para fusos horários desconhecidos ou verificações de não ligar indisponíveis. Ela lista listas internas de supressão, limpeza do registro, janelas locais de chamadas e regras de consentimento ou divulgação como verificações pré-discagem. O artigo diz que as regras de telemarketing dos EUA, incluindo a TCPA, podem impor danos legais por chamada infratora, e que alguns estados e outros países adicionam suas próprias regras.

No lado da telefonia, o guia usa a API do Calls.create() Twilio com detecção de secretária eletrônica, retornos de status e limite de tempo de chamada. Se o Twilio detectar uma máquina, o exemplo desliga e registra uma no_answer disposição. Se um humano atender, o Twilio abre um Media Stream e passa o ID do lead para o servidor.

O código da ponte descrito no artigo usa o streaming de voz para texto do AssemblyAI com encoding=pcm_mulaw e sample_rate=8000, igualando o áudio μ-law de 8 kHz do Twilio, enquanto o Text-to-Speech retorna o áudio no mesmo formato após reamostragem do lado do servidor a partir de sua saída nativa de 24 kHz. O AssemblyAI também afirma que a sessão TTS pode ser mantida ativa durante toda a chamada e que a detecção de giro geralmente deve permanecer nas configurações padrão, a menos que evidências medidas sugiram o contrário.

O script é construído como um prompt do sistema com ramificações explícitas para descoberta, objeções e encerramento de chamadas. O artigo diz que o prompt deve evitar improvisações, nunca informar preços, nomes de clientes, estatísticas ou compromissos, a menos que esses valores tenham vindo de um resultado de ferramenta, e limitar as respostas a frases um ou dois curtas.

O AssemblyAI também descreveu quatro ferramentas para a chamada: book_meeting, log_disposition, e honor_dnc mark_callback. O guia diz que os argumentos das ferramentas devem ser validados antes de qualquer escrita de CRM, com o tempo de reunião limitado aos intervalos oferecidos durante a chamada e ao e-mail correspondendo ao que o prospect realmente disse. Também diz que opt-outs devem ser adicionados imediatamente à lista de supressão.

Para o relatório de status, o artigo diz que os callbacks do Twilio devem ser verificados X-Twilio-Signature e tratados de forma idempotente porque o Twilio tenta entregas falhadas. Esses retornos fornecem o status da chamada, duração e resultado da secretária eletrônica, que o guia posiciona como fonte de relatórios de taxa de conexão, taxa de conversa e taxa de livro.

A AssemblyAI apoiou a proposta técnica com alegações de desempenho de seu benchmark de voice-agent em inglês de 12,460 cenários roteirizados. Disse que Universal-3.6 Pro Realtime registrou uma taxa de erro de 5.19% palavras e uma taxa de erro de 2.4% número de telefone, comparados com 13.50% e 11.5% respectivamente para o Deepgram Flux EN na mesma tabela. A empresa também citou um tempo mediano de 307 ms até a transcrição final no benchmark aberto da Pipecat, embora essas comparações tenham sido apresentadas como alegações do fornecedor, e não como medições verificadas de forma independente.

O guia também incluiu contexto de preços das próprias tarifas da AssemblyAI: Universal-3.6 Pro Realtime streaming a $0.45 por hora e Texto para Fala a $15 por 1 milhão de caracteres de entrada. Disse que uma chamada de qualificação de 90 segundos usaria cerca de $0.011 de streaming de fala para texto, antes de adicionar os custos de LLM, TTS e operadoras.

A AssemblyAI vinculou o artigo a postagens anteriores de produtos datadas de 29 de setembro de 2026 no Universal-3.6 Pro Realtime e 30 de setembro de 2026 sobre transcrição de comutação de código em tempo real, além de uma comparação de 20 de outubro de 2026 de APIs de agentes de voz. O novo guia estende essa narrativa do produto para um padrão completo de implementação para chamadas de qualificação de saída, mas as alegações de desempenho da empresa permanecem fornecidas pelo fornecedor e não são verificadas de forma independente no material de origem.