A Voz É Atualmente a Pior Maneira de se Comunicar com a IA

Pesquisas recentes sugerem que o método mais popularmente retratado de interface com a IA na ficção científica pode, na verdade, produzir resultados piores do que até mesmo prompts mal digitados.

Desde HAL até Deep Thought, desde C3P0 até Wall-E, a forma idealizada de relações humanas/AI sempre girou em torno do controle por voz; e isso se manifestou no mundo real, desde os primeiros sistemas de assistentes, como Siri e Alexa, até a linguagem baseada em consultas e colóquios com a atual gama de LLMs de ponta.

Essa ideia surgiu durante eras menos emancipadas, onde – com a exceção de autores e jornalistas – o ato de digitar era considerado ‘trabalho semiqualificado’, e era realizado quase exclusivamente por mulheres – com as mulheres mesmas raramente originando o conteúdo que estavam digitando.

Poder e agência eram significados por discurso: reuniões e cúpulas. Parecia óbvio, portanto, que com a linguagem complexa significando inteligência, a palavra falada inevitavelmente se tornaria o meio natural da IA.

Além de qualquer outra consideração, as trocas textuais não eram bem adaptadas para TV e filmes; mesmo thrillers de SF ousados, como Colossus: The Forbin Project (1970), que retratou um computador respondendo a comandos vocais humanos em forma de texto, rapidamente mudaram para respostas completamente vocalizadas:

Uma cena de 'Colossus: The Forbin Project' (1970), apresentando um vasto supercomputador que rapidamente excede os limites da linguagem baseada em texto, tornando-se vocal e despótico logo após ser ligado. Fonte: Universal Pictures

Digitar ou Falar?

Apesar do fato de que os principais modelos de IA oferecem interfaces de áudio nativas para os usuários, uma nova pesquisa dos EUA concluiu que falar com uma IA é provavelmente a menos eficaz maneira de obter os resultados que você deseja dela – particularmente se você está esperando formas significativas de saída, como código, em resposta à sua consulta.

De acordo com o artigo, falar a uma LLM, como ChatGPT ou Gemini, atualmente produz piores resultados do que digitar um prompt ou consulta, mesmo quando o prompt digitado contém erros comuns.

Isso ocorre porque a entrada falada é mais provável de ser reestruturada por sistemas de transcrição de maneiras que removem informações das quais o modelo depende. Isso ocorre porque a transcrição de áudio deve remover disfluências, como ‘erm’ e ‘like’, bem como a tendência a falsos começos (ou seja, ‘começar novamente’), bem como navegar por ambiguidades de gramática e construção ‘casual’ (ou seja, frases que se desviam para novas frases, sem concluir em si mesmas).

Os autores afirmam:

‘Falar agora é um caminho de primeira classe para um modelo de linguagem, e não um nicho. Agentes de codificação, como Claude Code e Codex, aceitam instruções ditadas. Assistente de telefone, como Google Assistant e Siri, roteiam uma solicitação falada para um backend de LLM. Front-ends de ditado, como Typeless, adicionam uma camada LLM-powered adicional que limpa e reformata a solicitação do usuário antes que ela seja enviada.

‘Em cada caso, o modelo recebe uma transcrição, e em cada caso, o falante pode não revisar a string que foi enviada. O que a pipeline de transcrição deixa para trás, ou reescreve, é o que o modelo tem que responder.’

Isso desmente qualquer preconceito de que a entrada digitada é superior porque é ‘nativa’; não é nativa em nenhum sentido, desde que a) é sempre redigida clandestinamente ou abertamente de alguma forma antes da transmissão para a IA, e b) a linguagem textual é apenas um componente no espaço latente que está retornando uma resposta.

O estudo encontrou que erros de digitação comuns tinham apenas um efeito modesto no desempenho, enquanto a fala conversacional, transcrições limpas e especialmente transcrições comprimidas por IA, consistentemente causaram declínios muito maiores na precisão em tarefas de raciocínio e geração de código.

O novo trabalho é intitulado Deveríamos Digitar ou Falar com Agentes LLM? Um Estudo Abrangente de Perturbações de Entrada de Voz e Teclado, e vem de quatro autores da Santa Monica College e da Universidade do Sul da Califórnia.

(Nota: Este estudo específico entrelaça ‘Método’ e ‘Testes/Resultados’ de uma maneira que não pode ser facilmente desembaraçada em minha ordem usual de análise. Portanto, estou limitado a comprimir e selecionar com uma mão mais pesada do que o usual.)

Método

Um ‘conjunto de perturbações’ chamado Human Input Variation Engine (HIVE) foi desenvolvido pelos autores para simular os tipos de erros introduzidos quando as pessoas digitam prompts em um teclado QWERTY ou falam através de um sistema de transcrição de voz:

Esquema conceitual para o Human Input Variation Engine (HIVE). Um prompt do usuário atinge um modelo de linguagem por meio de voz, teclado QWERTY ou cópia e colagem direta, com o último servindo como referência limpa. A cor identifica o canal de entrada em vez do método de implementação, com os operadores de voz combinando transferência de estilo LLM de poucos disparos e regras determinísticas, enquanto os operadores de teclado confiam inteiramente em regras determinísticas. O painel da direita mostra a gama de respostas que um modelo pode produzir sob entrada degradada. Fonte

HIVE modela três rotas pelas quais os prompts atingem um modelo de linguagem: por meio de voz; um teclado QWERTY; ou cópia e colagem direta – com o último servindo como referência não modificada contra a qual todas as outras entradas são comparadas. Dois operadores adicionais funcionam como controles experimentais, reordenando a pergunta e seu contexto, ou permutando opções de resposta de múltipla escolha.

Os operadores de perturbação em si são implementados por meio de regras determinísticas ou transferência de estilo LLM de poucos disparos usando Qwen2.5-7B. Isso permitiu que ambos os métodos de entrada fossem avaliados sob condições controladas e diretamente comparáveis.

Condições de Teste e Resultados

Experimentos foram realizados em Llama-3.1-8B; Qwen2.5-7B; Qwen3-8B; Mistral-7B-v0.3; e Phi-4, usando cinco seeds. Os seis benchmarks usados foram GSM8K; GSM-Symbolic; GSM1k; HumanEval; MMLU-Pro STEM; e TruthfulQA MC1.

O conjunto de testes usou 200 itens por benchmark, com 164 itens para o conjunto completo HumanEval. Decodificação gananciosa (escolhendo o próximo token mais provável a cada vez) foi usada, de modo que cada prompt perturbado pudesse ser comparado contra sua própria referência limpa na mesma execução do modelo, produzindo 550.000 respostas pontuadas em 17 alterações de prompt e dois testes de controle (testes de comparação usados para isolar efeitos específicos).

Medidas foram tomadas para garantir que contaminação do conjunto de testes (sobreposição com dados que o modelo pode ter visto durante o treinamento) não ocorresse:

O conjunto completo de perturbações usado no estudo, mostrando como a precisão mudou contra prompts limpos em todo o conjunto de alterações de transcrição de voz, erros de teclado QWERTY e testes de controle. A primeira linha fornece a precisão da referência limpa, enquanto as linhas posteriores mostram mudanças em pontos percentuais. O vermelho marca o operador mais prejudicial em cada bloco e coluna, o azul o menos prejudicial.

O resultado mais claro no estudo é que a entrada de voz foi mais prejudicial do que a entrada do teclado em todo o conjunto de testes principais, com mudanças baseadas em fala reduzindo a precisão do modelo em cerca de três vezes mais do que os erros de digitação. O pior resultado veio quando as solicitações faladas foram reescritas automaticamente para soar mais limpas e concisas, porque essa limpeza muitas vezes mudou a estrutura da solicitação que o modelo recebeu.

Isso importa, porque os resultados mais fracos para a voz não foram causados principalmente por ‘detritos’ óbvios de fala: embora os preenchimentos, como ‘erm’ e ‘like’, tenham importado (já que adicioná-los a prompts escritos limpos reduziu a precisão), remover preenchimentos de transcrições faladas não restaurou o desempenho.

Autopreservação

Portanto, o problema maior foi a forma como os prompts falados foram reestruturados antes de atingir o modelo.

Uma pergunta central para o estudo foi se o modelo ainda recebeu informações suficientes do prompt original para reconstruir a intenção do usuário; erros de digitação muitas vezes danificam a ‘superfície’ de uma palavra sem removê-la inteiramente, de modo que o contexto circundante ainda pode ajudar o modelo a inferir o que foi pretendido.

Em contraste, uma transcrição ‘limpa’ de voz pode substituir a frase original do usuário por uma versão mais curta e mais suave que não preserva mais as mesmas relações entre fatos.

Isso é por que os erros de teclado geralmente deixaram a maior parte da palavra original recuperável, enquanto a limpeza da fala mais frequentemente removeu ou reorganizou informações antes que o modelo tivesse a chance de interpretá-las.

Perdido na Tradução

Um exemplo de como um referente pode ‘se perder’ por perturbação nessas jornadas do usuário para o LLM, apresentado no artigo, é onde a frase ‘ela deu uma quantidade igual [de livros] para seus filhos’ foi reinterpretada como significando dinheiro (em vez de livros). Nesse caso, o termo ‘quantidade’ se desvinculou de seu referente e foi aplicado erroneamente à sua associação mais comum (dinheiro):

Quanto da pergunta original sobrevive a cada mudança de entrada. Pontos grandes mostram tipos individuais de perturbação, enquanto pontos pequenos mostram versões mais fortes dos mesmos erros de teclado.

Esse efeito foi mais forte quando o modelo teve que construir uma resposta a partir do prompt, em vez de escolher entre opções já fornecidas: tarefas de aritmética e geração de código sofreram mais porque dependiam de preservar as relações exatas na solicitação, enquanto testes de múltipla escolha eram menos expostos a esse tipo de dano.

Os autores concluem:

‘Descobrimos que falar é o canal caro, que o que o dano custa é quanto da tokenização original da pergunta é destruída, e que nem a contaminação do conjunto de testes nem a adaptação leve contam ou reparam o dano.

‘Várias conclusões seguem. Se você digita, um modelo de raciocínio absorve seus erros. Se você dita, não o faz, então a frase que você fala é a frase com a qual o modelo trabalha.

‘E se você constrói ferramentas de ditado, não reformatar ou reestruturar o que o usuário disse: remover disfluência minimamente e deixar homófonos sozinhos.

‘Essa última coisa importa mais, porque front-ends de ditado estão se tornando uma maneira padrão de alcançar um modelo e sua camada de reescrita é o maior dano que medimos e a coisa mais barata para mudar.’

Conclusão

Qualquer pessoa que já teve que transcrever manualmente uma entrevista (um tédio comum e solitário na era pré-IA) saberá como o processo pode ser interpretativo, a menos que o entrevistado ou falante seja extraordinariamente articulado, ou – como é muitas vezes o caso – apenas repita seu catálogo usual de anedotas de forma rotineira.

Além desses casos particulares, à medida que falamos com as pessoas, estamos automaticamente descontando disfluências e calculando o significado. Isso inevitavelmente torna a transcrição útil um ato interpretativo, resultando em texto que representa as intenções do falante melhor do que uma transliteração literal e perfeita em vogais possivelmente poderia; e é interessante notar que as pontes de áudio para LLMs lutam de forma semelhante para reter ou mesmo obter o mesmo significado que os equivalentes textuais.

É razoável esperar que futuros quadros se beneficiem de estudos adicionais e (esperançosamente) conjuntos de dados populosos que ajudarão a preencher as lacunas delineadas no novo trabalho. Até esse momento, o novo estudo indica que as comunicações de voz com a IA podem ser mais adequadas para exatamente o tipo de comandos curtos que caracterizaram os sistemas de assistentes de nível de consumidor.

Publicado pela primeira vez na quarta-feira, 12 de agosto de 2026