Falar está deixando de ser uma alternativa e virando o caminho principal para conversar com a inteligência artificial. É essa a aposta que OpenAI e Google fazem neste momento, investindo pesado em sistemas de voz que soam menos como robôs lendo um roteiro e mais como um colega que entende contexto e intenção. A mudança, relatada pelo Financial Times em reportagem publicada nesta semana, aparece em meio a uma demanda crescente de consumidores e empresas e marca uma ruptura com os assistentes de voz de gerações anteriores, que convertiam fala em texto, geravam uma resposta e depois a liam em voz alta — um processo cheio de atrasos e falhas de naturalidade[1].
Os modelos mais recentes processam e produzem áudio diretamente, sem passar por essa tradução intermediária, o que reduz a latência e os erros de tom que faziam os assistentes soarem mecânicos. Segundo a reportagem, o Google afirma que o uso de voz em tempo real dobrou entre abril do ano passado e abril deste ano, com conversas em média cinco vezes mais longas do que as feitas por texto. Já a OpenAI diz que mais de 150 milhões de pessoas usam recursos de voz no ChatGPT toda semana[1].
A aposta das duas empresas é que, à medida que os sistemas de IA deixam de apenas responder perguntas e passam a executar tarefas mais longas e complexas, falar se tornará mais natural do que digitar comandos em uma caixa de texto. A OpenAI lançou na semana passada o GPT-Live, seu primeiro modelo de voz em dois anos, batizado no Brasil de ChatGPT Voice reformulado, que escuta e responde ao mesmo tempo, sem as pausas abruptas de versões anteriores[2].
O Brasil está no centro dessa mudança, mesmo sem aparecer na reportagem original. Levantamento da agência Cadastra em parceria com a Similarweb, divulgado em novembro de 2025, mostra que o ChatGPT registrou mais de 310 milhões de acessos no país em agosto daquele ano, crescimento de cerca de 125% em doze meses, e que a ferramenta concentra praticamente todo o tráfego de inteligência artificial generativa por aqui. O país já é, segundo esse levantamento, o terceiro maior mercado do ChatGPT no mundo, atrás apenas de Estados Unidos e Índia[3]. O GPT-Live chegou ao público brasileiro em julho, com suporte a português e melhorias na compreensão de pausas e interrupções durante a conversa[2].
Há, no caso brasileiro, uma camada adicional que a corrida tecnológica das grandes empresas não costuma discutir com a mesma ênfase: a voz como ferramenta de inclusão. Segundo o Indicador de Alfabetismo Funcional (Inaf), quase 30% da população entre 15 e 64 anos ainda enfrenta analfabetismo funcional no país, mesmo sabendo ler e escrever, apresenta dificuldade para interpretar textos, fazer cálculos ou usar ferramentas digitais no dia a dia[4]. Para essa parcela da população, e para os 18,6 milhões de brasileiros com algum tipo de deficiência apontados pelo IBGE e pelo Ministério dos Direitos Humanos e da Cidadania, interfaces de voz já vêm sendo estudadas como caminho de acesso à tecnologia que dispensa a leitura como pré-requisito[5].
Pesquisas acadêmicas brasileiras reforçam esse potencial. Estudo publicado pela Sociedade Brasileira de Computação descreve casos de uso de assistentes de voz por pessoas não alfabetizadas e por pessoas com limitações cognitivas, visuais, auditivas ou motoras, apontando a tecnologia como suporte à educação inclusiva e à autonomia de idosos[6]. Reportagem do Jornal do Brasil sobre acessibilidade digital chega a conclusão semelhante, descrevendo a conversão de texto em voz como alternativa eficiente à leitura em contextos de baixa alfabetização ou multitarefa, embora reconheça que o Brasil ainda está atrasado na formação especializada em tecnologia assistiva[7].
Contraponto
Nem todo mundo concorda que falar com máquinas é, de fato, mais natural. A própria reportagem do Financial Times reconhece o desconforto social de conversar com um assistente em público, os ruídos de fundo que ainda confundem os sistemas e a lentidão que marcou versões anteriores dos modelos de voz. Startups do Vale do Silício têm investido em microfones de lapela, protetores bucais equipados com sensores e até anéis que captam apenas a voz do usuário, numa tentativa de contornar esses atritos, o que sugere que o problema está longe de resolvido[1].
No caso brasileiro, especialistas em acessibilidade digital também apontam limites: cada usuário com deficiência exige um tipo distinto de comando e resposta, e a tecnologia ainda tem dificuldade para reconhecer vozes de pessoas com fala mais lenta ou gagueira, segundo pesquisa da Bitniks sobre assistentes de voz e inclusão[8]. Há ainda a questão da infraestrutura: recursos de voz em tempo real dependem de conexão estável, algo que não é garantido em todas as regiões do país, o que pode transformar uma ferramenta pensada para reduzir desigualdades em mais um fator de exclusão digital.
Do ponto de vista de mercado, o investimento segue crescendo. Segundo dados da PitchBook citados pelo Financial Times, o aporte de capital de risco em startups de voz por IA saltou para US$ 7 bilhões no primeiro trimestre deste ano, ante pouco menos de US$ 1 bilhão no mesmo período do ano anterior[1]. A OpenAI, segundo a reportagem, também prepara para o início do próximo ano seu primeiro dispositivo físico, um assistente de voz ambiente com câmera, microfone e alto-falante[1].
Se a aposta das grandes empresas se confirmar, o efeito no Brasil pode ir além da conveniência de não precisar digitar. Em um país onde quase um terço da população adulta tem dificuldade para lidar com texto escrito e onde milhões de pessoas convivem com alguma deficiência, a corrida por uma IA que ouve e responde em tempo real carrega o potencial de ampliar o acesso à tecnologia, desde que essas mesmas ferramentas cheguem de fato a quem mais precisa delas, e não apenas a quem já está mais conectado.