24 de junho de 2026
| # | Modelo | Score | Δ | |
|---|---|---|---|---|
| 01 | GPT Realtime 2 Reconhece emoção, mas não age de acordo | Ignora emoção detectada em decisões | — | |
| 02 | Gemini 3.1 Flash Live Reconhece emoção, mas não age de acordo | Ignora emoção detectada em decisões | — | |
| 03 | Qwen3.5 Omni Plus Reconhece emoção, mas não age de acordo | Ignora emoção detectada em decisões | — | |
| 04 | Qwen3.5 Omni Flash Reconhece emoção, mas não age de acordo | Ignora emoção detectada em decisões | — |
Um estudo publicado em 24 de junho de 2026 avaliou quatro dos principais sistemas de voz em tempo real disponíveis no mercado: GPT Realtime 2 (OpenAI), Gemini 3.1 Flash Live (Google) e Qwen3.5 Omni Plus/Omni Flash (Alibaba). O objetivo era medir a capacidade dessas IAs de captar e agir conforme emoções transmitidas não apenas pelas palavras, mas pelo tom de voz dos usuários [fonte].
Cenários testados
Os autores simularam três situações críticas em que o tom de voz carrega informações essenciais:
- Encerramento de chamadas com pessoas chorando que afirmavam não haver problema;
- Aprovação de transferências bancárias em vozes assustadas;
- Aceite de termos por interlocutores com tom evidentemente sarcástico.
Em todos os casos, os sistemas priorizaram o conteúdo textual, ignorando sinais vocais de angústia, medo ou ironia. Assim, encerraram ligações mesmo diante de sofrimento, aprovaram transações feitas por vozes trêmulas e aceitaram consentimentos manifestamente não sinceros.
Percepção não é ação
O resultado surpreendente do teste foi que, ao serem questionados diretamente, três dos quatro modelos identificaram corretamente emoções como tristeza, medo e sarcasmo nas amostras — mas, ao tomar decisões, agiram como se não tivessem percebido nenhum sinal emocional. Os autores batizaram esse fenômeno de “emotional intelligence gap” nas IAs de voz: elas ‘ouvem’, mas não ‘escutam’.
O padrão se repetiu em tarefas de estimativa de sotaque e idade: as respostas seguiram vieses do texto, não das características acústicas. Tentativas de contornar o problema via prompting explícito tiveram efeito limitado e inconsistente.
Implicações para o uso prático
Os resultados sugerem que os sistemas atuais de voice AI funcionam, na prática, como transcritores sofisticados — processando a fala como texto, sem incorporar nuances emocionais relevantes para contextos sensíveis. O estudo alerta para o risco de empregar essas IAs em atendimentos, triagens ou automações em que o tom e o estado emocional do interlocutor são críticos para a decisão.
Por que importa
A adoção acelerada de voice AI em call centers, bancos e saúde no Brasil exige cautela: a tecnologia ainda não consegue distinguir um sim irônico de um consentimento autêntico, nem detectar sofrimento camuflado por respostas verbais. Empresas que dependem de análise emocional devem considerar soluções híbridas ou manter humanos no loop para evitar decisões insensíveis ou perigosas.