Decagon apresenta Alto para controlar as conversas de agentes de voz

Decagon apresentou Alto em 11 de novembro de 2026. Desenvolvido pela Decagon Labs, o modelo controla a camada conversacional de seu agente de voz duplex, decidindo quando falar e o que dizer. A empresa informou que Alto elevou as taxas de resolução em mais de cinco pontos percentuais em chamadas reais de clientes, com respostas que levavam, em média, cerca de 700 milissegundos.

Decagon afirmou que o restante da lógica do agente permaneceu praticamente inalterado durante a comparação das taxas de resolução. O anúncio não identificou os clientes, o tamanho da amostra, as taxas de referência nem o período de medição desse resultado. Alto amplia a especialização dos modelos da Decagon para além da qualidade da fala, abrangendo o controle da conversa: decidir se uma resposta imediata se justifica e como manter a pessoa que está ligando envolvida enquanto um modelo de raciocínio conclui o trabalho.

A decisão entre responder ou esperar

Um pipeline convencional de voz em cascata processa cada turno em sequência: transcreve o que a pessoa diz, elabora uma resposta e, em seguida, gera a fala. Já o agente duplex da Decagon executa em paralelo um modelo conversacional rápido e um modelo de raciocínio mais potente. O primeiro escuta e fala; o segundo cuida de decisões complexas e ações nos bastidores da conversa, permitindo que o agente continue interagindo enquanto o trabalho está em andamento.

Esse paralelismo exige uma decisão a cada turno. Esperar pelo modelo de raciocínio pode interromper o fluxo, mas responder cedo demais traz o risco de fazer uma afirmação ainda não confirmada, como dizer a alguém que sua reserva foi alterada antes de o sistema confirmar a mudança. Assim, a vantagem de velocidade de um modelo conversacional menor vem acompanhada de um problema de confiabilidade que a arquitetura duplex, por si só, não resolve.

Alto acompanha continuamente o que a pessoa que está ligando disse e o que o restante do agente está fazendo, fundamentando suas respostas em um registro compartilhado da chamada. O modelo espera uma confirmação antes de anunciar que uma ação foi concluída. Durante uma consulta ou chamada a uma ferramenta, pode pedir a próxima informação ou verificar como a pessoa está, em vez de recorrer a frases genéricas para preencher o silêncio. Se um resultado chega enquanto a pessoa faz uma nova pergunta, Alto pode responder à pergunta e apresentar o resultado ao mesmo tempo.

Treinamento para chamadas ambíguas

Decagon começou com um modelo pequeno de pesos abertos para manter as respostas rápidas e, em seguida, ajustou-o com chamadas simuladas baseadas na experiência em produção. No aprendizado por reforço, Alto gerava várias respostas possíveis em cada ponto da conversa. O processo de pontuação priorizava verificar se o modelo escolhia corretamente entre responder e esperar e, depois, avaliava se a formulação seguia as políticas da empresa e refletia informações confirmadas.

Decagon concentrou o treinamento em casos ambíguos depois de constatar que Alto já lidava corretamente com a maioria das situações. A empresa também variou as políticas e as ferramentas entre empresas simuladas, com o objetivo de ensinar um discernimento aplicável a diferentes situações, em vez de um roteiro memorizado para uma única empresa.

Antes que qualquer pessoa que ligasse ouvisse o modelo, Decagon informou que o havia testado em mais de 90 milhões de chamadas simuladas. Em seguida, executou Alto em modo sombra junto ao tráfego de produção ao vivo, o que permitiu avaliar suas respostas sem que fossem ouvidas pelas pessoas que ligavam.

Dois modelos de voz especializados

Alto vem na sequência de Voice 3 e Chord, anunciados em 1º de outubro de 2026. Voice 3 combinava a geração de fala do Chord com a arquitetura duplex e suporte a mais de 70 idiomas. Chord define como soam os agentes da Decagon, enquanto Alto define como conduzem uma conversa. Anteriormente, Decagon atribuiu ao Chord um aumento independente de até sete pontos percentuais na taxa de resolução.

Em conjunto, os modelos dividem o desempenho de voz em dois objetivos de treinamento: naturalidade da fala e discernimento conversacional. O resultado informado para Alto relaciona o segundo objetivo à resolução de chamadas de clientes, mas sua principal restrição operacional continua sendo a decisão entre responder e esperar: aproveitar a velocidade do modelo conversacional sem deixar que uma conversa com som natural se antecipe a ações confirmadas.