voice-bot-design

Voice Bot Design

Esta skill capacita o Claude a projetar, prototipar e otimizar interfaces conversacionais de voz, focando em usabilidade, fluxo natural e integração com plataformas de automação.

---

Keywords

IVR, ASR, TTS, NLU, VUI, Voice UX, Design Conversacional, Diálogo de Voz, Fluxogramas de Voz, Teste de Usabilidade de Voz, Automação por Voz, Integração de APIs de Voz.

---

Quick Start

1. Mapear Jornada do Usuário por Voz: Esboçar o caminho crítico que um usuário percorre para resolver uma necessidade específica através do bot de voz, identificando pontos de decisão e expectativas de fala. Ex: (Início: "Quero agendar") -> (Bot: "Qual serviço?") -> (Usuário: "Limpeza") -> (Bot: "Data e Hora?") -> (Fim: "Agendamento confirmado").
2. Definir Gramática de Interação: Criar listas de frases e palavras-chave que o usuário provavelmente usará para cada intenção, alimentando o modelo de NLU (Natural Language Understanding). Ex: Para a intenção solicitar_saldo, frases como ("qual meu saldo", "quanto tenho na conta", "saldo atual").
3. Prototipar Fluxo de Diálogo no Voiceflow: Construir um protótipo inicial do bot de voz utilizando uma ferramenta como Voiceflow ou Landbot, configurando prompts de TTS e capturas de ASR para simular a interação completa.
4. Testar com Usuários Reais (Wizard of Oz): Conduzir testes de usabilidade com participantes reais, onde um humano simula a resposta do bot para coletar feedback sobre a naturalidade do diálogo e a clareza dos prompts, antes de codificar.
5. Integrar com Webhooks para Automação Externa: Configurar um webhook na plataforma do bot de voz (ex: Dialogflow CX, Amazon Lex) para disparar um fluxo no Make.com após uma intenção específica, como agendar_chamada, enviando os dados coletados.

---

Core Workflows

Workflow 1: Criação de Fluxo de Agendamento de Serviço por Voz com Integração Make.com

Este workflow detalha a construção de um módulo de agendamento de serviço via bot de voz, integrando com um sistema externo de calendário através do Make.com.

Passos Detalhados:

1. Análise de Intenção e Entidades:

   • Intenção Principal: agendar_servico.
   • Entidades Necessárias: tipo_servico (e.g., "limpeza", "manutenção", "instalação"), data (e.g., "amanhã", "próxima terça"), hora (e.g., "10 da manhã", "14h"), nome_cliente, telefone_cliente.
   • Exemplo de Frases de Treinamento (Dialogflow CX):
     • "Gostaria de agendar uma limpeza para amanhã às 10 da manhã."
     • "Preciso de uma manutenção na próxima quinta à tarde."
     • "Quero marcar uma instalação."

2. Desenho do Diálogo no Voiceflow/Dialogflow CX:

   • Prompt Inicial: "Em que tipo de serviço posso ajudar com o agendamento?"
   • Captura tipo_servico:
     • User: "Uma limpeza."
     • Bot: "Certo, uma limpeza. Para qual data e hora?"
   • Captura data e hora:
     • User: "Para quarta-feira que vem, às 9h."
     • Bot: "Confirmando: agendamento de limpeza para quarta-feira que vem às 9h. Seu nome, por favor?"
   • Captura nome_cliente:
     • User: "Meu nome é Ana Silva."
     • Bot: "Obrigado, Ana. E um telefone para contato?"
   • Captura telefone_cliente:
     • User: "É 98765-4321."
     • Bot: "Perfeito. Irei agendar sua limpeza para quarta-feira que vem às 9h, em nome de Ana Silva, telefone 98765-4321. Posso confirmar?"
   • Confirmação Final:
     • User: "Sim, pode confirmar."
     • Bot: "Agendamento realizado! Em breve você receberá uma confirmação por SMS. Tenha um ótimo dia!"

3. Configuração de Webhook de Fulfillment (Dialogflow CX):

   • Após a confirmação final (sim, pode confirmar), configurar um webhook que envie os parâmetros coletados (tipo_servico, data, hora, nome_cliente, telefone_cliente) para um endpoint HTTP no Make.com.
   • Exemplo de Payload JSON enviado pelo Dialogflow CX para o Make.com:

     {
       "sessionInfo": {
         "parameters": {
           "tipo_servico": "limpeza",
           "data": "2024-10-23T09:00:00-03:00",
           "nome_cliente": "Ana Silva",
           "telefone_cliente": "987654321"
         }
       },
       "fulfillmentInfo": {
         "tag": "agendar_servico_finalizado"
       }
     }
     

4. Criação de Cenário no Make.com:

   • Módulo 1: Webhooks - Custom Webhook: Recebe o JSON do Dialogflow CX.
   • Módulo 2: Google Calendar - Create an Event: Mapeia os dados do webhook para criar um evento no Google Agenda da empresa.
     • Título: Agendamento: {{1.sessionInfo.parameters.tipo_servico}} - {{1.sessionInfo.parameters.nome_cliente}}
     • Início: {{1.sessionInfo.parameters.data}} (parsear se necessário)
     • Fim: {{addHours(1.sessionInfo.parameters.data; 1)}} (ex: 1 hora de duração)
     • Descrição: Telefone: {{1.sessionInfo.parameters.telefone_cliente}}
   • Módulo 3 (Opcional): Twilio - Send an SMS: Envia uma confirmação por SMS para o cliente.
     • To: {{1.sessionInfo.parameters.telefone_cliente}}
     • Message: "Olá {{1.sessionInfo.parameters.nome_cliente}}, seu agendamento de {{1.sessionInfo.parameters.tipo_servico}} foi confirmado para {{formatDate(1.sessionInfo.parameters.data; "DD/MM/YYYY HH:mm")}}. Atenciosamente, [Sua Empresa]."

Workflow 2: Otimização de Resposta em Casos de Não-Entendimento (No-Match) e Fallback

Este workflow foca em refinar a experiência do usuário quando o bot de voz não consegue entender a fala (No-Match) ou a intenção (Fallback), evitando frustração e direcionando para soluções.

Passos Detalhados:

1. Análise de Logs de No-Match:

   • Exportar logs de interações do bot de voz (ex: Dialogflow CX Analytics, Amazon Lex Conversation Logs) e filtrar por eventos de "No-Match" ou "Fallback".
   • Identificar padrões nas transcrições de fala que não foram entendidas. Usuários estão usando gírias? Pronunciando mal termos técnicos? Há muito ruído de fundo?
   • Exemplo de Log Bruto: User: "Preciso de um s'gunda via da minha conta" -> Bot: [No-Match] (Provável erro de ASR ou falta de treinamento de NLU para "segunda via").

2. Ajuste da Sensibilidade do ASR e do NLU:

   • ASR (Automatic Speech Recognition): Em plataformas como Google Cloud Speech-to-Text ou AWS Transcribe, ajustar modelos de linguagem personalizados com vocabulário específico do domínio (e.g., nomes de produtos, termos técnicos). Adicionar "segunda via" como termo prioritário.
   • NLU (Natural Language Understanding): Adicionar mais frases de treinamento para intenções existentes que falharam. Criar novas intenções se um padrão de fala recorrente não estiver sendo mapeado corretamente.
   • Exemplo de Treinamento NLU (Dialogflow CX):
     • Intenção: solicitar_segunda_via
     • Frases: "quero a segunda via", "minha conta", "boleto atrasado", "preciso do extrato", "manda o PDF da fatura".

3. Implementação de Estratégias de Repetição e Refraseamento:

   • Primeiro Fallback: "Desculpe, não entendi. Você pode repetir de outra forma, por favor?" (Com um limite de 2 repetições).
   • Segundo Fallback: "Ainda não consegui entender. Poderia me dizer qual é o assunto principal que você gostaria de resolver?" (Prompt mais amplo para tentar capturar um tópico geral).
   • Exemplo de Prompt (TTS): tts_prompt: "Não compreendi. Você disse 'assistência técnica' ou 'assistência médica'?" (Usar quando há ambiguidade entre duas intenções próximas).

4. Encaminhamento Inteligente para Agente Humano ou Outro Canal:

   • Após o segundo ou terceiro fallback sem sucesso, oferecer opções claras de escalonamento.
   • Opção 1 (Agente Humano): "Parece que não estou conseguindo te ajudar. Gostaria de falar com um de nossos atendentes humanos? Diga 'sim' ou 'falar com atendente'."
     • Integrar com um módulo de transferência de chamada (ex: Twilio Voice, Genesys Cloud) ou um sistema de fila.
   • Opção 2 (Outro Canal): "Se preferir, posso enviar um link para nosso chat online ou enviar um SMS com o número do nosso WhatsApp. Qual opção você prefere?"
     • Disparar um webhook para um cenário no N8N que envia o link do chat por SMS (via Twilio) ou registra uma solicitação de contato no CRM.

5. Monitoramento Contínuo e Retreinamento:

   • Configurar alertas para altas taxas de no-match.
   • Revisar logs semanalmente para identificar novas oportunidades de treinamento de NLU e ASR.
   • A cada 2-4 semanas, reavaliar o desempenho do modelo com novos dados coletados das interações reais.

---

Templates

Template de Prompt para Coleta de Entidade (Data e Hora)

{
  "prompt_text": "Certo, entendi. Para qual data e hora você gostaria de agendar? Por exemplo, 'próxima terça às 10 da manhã' ou 'dia 15 de agosto às 14h'.",
  "expected_entities": ["@sys.date", "@sys.time"],
  "reprompt_text": "Desculpe, não entendi a data ou a hora. Poderia repetir, por favor?",
  "max_attempts": 2,
  "fallback_action": "escalate_to_human"
}

Template de Mensagem de Confirmação Final (TTS)

{
  "tts_message": "Confirmando seu pedido: {item_principal} para {data_agendamento} às {hora_agendamento}, em nome de {nome_cliente}. Seu telefone de contato é {telefone_cliente}. Confirma as informações?",
  "expected_responses": ["sim", "não", "corrigir"],
  "on_confirm": {
    "action": "trigger_webhook",
    "webhook_name": "final_booking_confirmation",
    "payload_variables": ["item_principal", "data_agendamento", "hora_agendamento", "nome_cliente", "telefone_cliente"]
  },
  "on_deny": {
    "action": "recollect_information",
    "start_from_step": "reconfirm_all_details"
  },
  "on_correct": {
    "action": "recollect_information",
    "start_from_step": "ask_which_info_to_correct"
  }
}

---

Checklist

• [x] Mapeamento completo da jornada do usuário por voz para casos de uso chave.
• [x] Definição clara das intenções e entidades para cada fluxo de voz.
• [x] Gramáticas de fala (ASR) e treinamento de NLU otimizados para termos específicos do domínio e sotaques regionais.
• [x] Design de diálogos com prompts concisos, diretos e que evitam ambiguidades.
• [x] E