Clientes mandam áudio no WhatsApp: como responder sem ouvir cada um
Áudio é mais rápido para os seus clientes e mais lento para você. Como ler em vez de ouvir, o que a IA consegue responder sozinha, onde as transcrições erram e a frase que a sua política de privacidade precisa ter.

Conteúdo
Chegou mais um áudio, e você está com as mãos ocupadas. Ele fica esperando com os outros até a noite, quando alguém ouve todos, anota endereços e liga de volta para quem entrou em contato 8 horas antes.
Dá para ler esses áudios em vez de ouvir. A seguir: soluções gratuitas para o seu celular, um jeito de receber cada áudio já como texto, os erros que as transcrições cometem, quanto isso custa e a frase que a sua política de privacidade precisa ter.
Por que os áudios atrasam uma equipe pequena
Para o cliente, falar foi mais rápido do que digitar. Para você, a mensagem fica trancada até aparecer um minuto de sossego e um ouvido livre. Isso acontece o dia inteiro:
- Às 10h12, um telhadista lá em cima de um telhado recebe um áudio de 2 minutos e 40 segundos sobre uma goteira.
- Às 14h30, uma cabeleireira está com a tinta agindo no cabelo de uma cliente e 3 áudios de uma mesma cliente esperando no WhatsApp.
- Às 19h45, o dono de um restaurante está no passe da cozinha quando alguém pergunta, por áudio, se um grupo de 9 pessoas com um cachorro cabe na área externa no sábado.
Ouvir custa mais do que os minutos
Três linhas escritas se leem em segundos. Um áudio de 3 minutos leva 3 minutos, ou 90 segundos na velocidade dobrada, e você precisa de silêncio e de uma mão livre.
E aí vêm os outros custos:
- A parte útil fica enterrada. O endereço vem depois da história do vizinho, e os dias que funcionam para o cliente só aparecem no finalzinho.
- Só quem ouviu sabe o que foi dito. Quando um colega assume a conversa, ouve tudo de novo.
- Áudio não tem busca. Três semanas depois, ninguém acha o cliente que falou da entrada pelos fundos.
- Até as respostas fáceis ficam esperando. "Sim, abrimos no sábado" só sai à noite, porque ninguém sabia que a pergunta era essa.
Você não vai tirar esse hábito dos clientes
Em 2022, o WhatsApp disse que seus usuários mandam em média 7 bilhões de mensagens de voz por dia (blog do WhatsApp).
Muita gente acha os áudios longos demais. Numa pesquisa do YouGov com usuários britânicos de smartphone de 2022, 65% dos que tinham opinião sobre o assunto disseram que um áudio de 1 minuto já é longo demais.
Mesmo assim eles continuam chegando, então a solução está do seu lado: ler os áudios em vez de ouvir.
O que dá para fazer hoje sem software novo
Se você recebe poucos áudios por dia e é a única pessoa que responde, as ferramentas do seu celular talvez bastem.
Deixe o WhatsApp transcrever no seu celular
Desde novembro de 2024, o WhatsApp consegue transformar uma mensagem de voz em texto. Funciona uma mensagem por vez, no celular que está na sua mão:
- Ative em Configurações > Conversas > Transcrição de mensagens de voz.
- Mantenha uma mensagem de voz pressionada.
- Toque em Transcrever.
Segundo o WhatsApp, a transcrição é gerada no seu aparelho, então nem o próprio WhatsApp consegue ler o texto. O recurso começou com alguns idiomas selecionados (blog do WhatsApp).
O Telegram tem um botão parecido para usuários Premium. Sem o Premium, você tem um número limitado de transcrições de teste por semana (documentação da API do Telegram).
Ouça em 1,5x ou 2x
O WhatsApp toca mensagens de voz nas duas velocidades, inclusive as encaminhadas (blog do WhatsApp).
Peça os dados por escrito, uma vez
Se o seu WhatsApp manda uma mensagem automática de saudação ou de ausência, acrescente uma linha: "Áudios são bem-vindos. Por favor, escreva também o seu endereço e os dias que ficam bons para você."
Os clientes continuam falando, e você recebe por escrito a parte de que precisa.
Escreva o que você ouviu
Depois de ouvir, responda com os dados para o cliente confirmar: "Então: Rua das Palmeiras, 27, água embaixo da pia da cozinha, terça ou quinta depois das 15h?"
Os erros são corrigidos antes de você sair para o serviço, e ninguém precisa ouvir duas vezes.
Quando o celular deixa de bastar
Isso para de funcionar quando várias pessoas dividem um mesmo número (veja como usar o WhatsApp Business com vários funcionários) ou quando os áudios chegam mais rápido do que alguém consegue ouvir.
Leia a transcrição por cima em vez de ouvir
Quando o áudio vira texto, você vai direto às partes que importam, em vez de tocar tudo desde o começo. Um exemplo que nós inventamos, da caixa de entrada de um encanador:
"Oi, é, alô, aqui é a Maria Oliveira, a gente conversou ano passado sobre o banheiro, enfim, agora é a cozinha, embaixo da pia, tem água no armário toda manhã, não é muito, meu marido colocou uma bacia lá, e eu não sei se é o cano ou a torneira.
"A gente mora na Rua das Palmeiras, 27, a casa amarela, a entrada é pelos fundos. A gente trabalha quase todo dia, mas terça ou quinta depois das três da tarde dá, ou talvez sábado de manhã. Obrigada, tchau."
Você lê isso em pé, ao lado da van, e tira o que importa:
- um vazamento pequeno embaixo da pia da cozinha
- Rua das Palmeiras, 27, entrada pelos fundos
- terça ou quinta depois das 15h, ou sábado de manhã
Onde as transcrições erram
O reconhecimento de fala tem mais dificuldade justamente com os detalhes de que um pequeno negócio precisa:
- sobrenomes e nomes de rua
- números de casa e de telefone ("sessenta" e "setenta" soam parecido)
- sotaques regionais
- o barulho de uma obra ou de uma cozinha
Trate todo nome e todo número de uma transcrição como não confirmado até o cliente digitar ou confirmar por escrito.
Antes de confiar nisso, mande do seu celular pessoal um áudio no idioma dos seus clientes, com um pouco de barulho de fundo, e leia o que chega.
A solução: todo áudio chega como texto
No Deskwoot, o nosso software de atendimento ao cliente, mensagens de voz e arquivos de áudio no WhatsApp e no Telegram viram texto assim que chegam, para mensagens de até 10 minutos. Ninguém precisa tocar o áudio para descobrir o que o cliente quer.
As transcrições vêm ativadas por padrão. Você desativa em Configurações > Conta > Transcrever mensagens de voz.
Isso vale para números de WhatsApp conectados pela WhatsApp Business Platform da Meta ou pela Twilio e para o seu bot do Telegram (guias de configuração do WhatsApp e do Telegram). Áudio no LINE e no SMS continua sendo áudio.
O que a sua equipe vê
- No painel web, a transcrição fica embaixo do player de áudio, com o rótulo "Transcrição (automática)". As longas ficam recolhidas, e "Mostrar a transcrição completa" abre o texto inteiro.
- A lista de conversas mostra as primeiras palavras da transcrição em vez de só "Mensagem de voz". A notificação push no celular também, a não ser que você configure os pushes para não mostrar o conteúdo da mensagem. A transcrição completa aparece no painel web.
- Quando não há texto, uma linha cinza diz o motivo: a mensagem era longa demais, o formato de áudio não pode ser lido, as conversas de IA do mês acabaram ou a transcrição falhou. O áudio continua na conversa.
O Fynn responde os áudios de rotina
Nos planos pagos, o Fynn, agente de IA do Deskwoot, lê a transcrição como se fosse uma mensagem digitada. Ele responde com base no seu site, na sua central de ajuda, nos seus documentos e nas suas listas de perguntas frequentes (como o Fynn lida com mensagens de voz).
Imagine que uma cliente do salão pergunta por áudio se vocês abrem no sábado, quanto custa mais ou menos um corte com coloração e onde dá para estacionar. O Fynn responde com o seu horário de funcionamento, o preço da sua tabela e a dica de estacionamento.
Se a pergunta não está na sua tabela de preços, o Fynn avisa em vez de chutar e oferece falar com uma pessoa. As instruções dele marcam a transcrição como fala que um software passou para texto, então ele confirma em vez de adivinhar um nome ou número que pode ter sido mal entendido.
Quando um áudio não tem transcrição, o Fynn pede ao cliente, em uma frase, que escreva o pedido em poucas palavras. Se já pediu uma vez, passa a conversa para a sua equipe.
O Fynn não faz parte do plano gratuito Hacker (1 agente). Lá, as transcrições ajudam você a ler, e quem responde é você.
Quando uma pessoa assume
O Fynn também passa a conversa adiante quando o cliente pede para falar com uma pessoa, quando o seu conteúdo não tem a resposta ou quando só alguém da equipe pode ajudar.
Ele deixa para a sua equipe uma nota privada com o problema em uma frase, o humor do cliente e uma sugestão de próximo passo. O app do Deskwoot para iPhone e Android avisa que a conversa agora é sua.
Num dia corrido, peça ao Copilot, dentro da conversa, um resumo de um áudio longo. O Copilot também lê a transcrição e funciona na web e no app (o Copilot nas conversas).
Quanto custa
As transcrições funcionam em todos os planos do Deskwoot, inclusive no plano gratuito Hacker. Elas usam o mesmo contador do Fynn e do Copilot: uma conversa com um áudio transcrito conta uma vez por janela como conversa de IA (um chat volta a contar depois de 12 horas sem mensagens).
Cinco áudios na mesma conversa contam uma vez só. Uma conversa em que o Fynn ou o Copilot já trabalharam na mesma janela não custa nada a mais (como as conversas de IA são contadas).
| Plano | Por agente ao mês (cobrança anual entre parênteses) | Conversas de IA incluídas por mês | Cada conversa extra |
|---|---|---|---|
| Hacker | US$ 0 | 10 | Indisponível, é preciso fazer upgrade |
| Startup | US$ 4 (US$ 3,20) | 50 | US$ 0,07 |
| Business | US$ 8 (US$ 6,40) | 100 | US$ 0,05 |
| Enterprise | US$ 12 (US$ 9,60) | 300 | US$ 0,03 |
As conversas de IA incluídas valem para o workspace inteiro. As extras saem de um saldo de IA pré-pago.
Quando as incluídas acabam e o saldo não paga mais nenhuma, os áudios em conversas que ainda não foram contadas na janela atual chegam só como áudio, com uma linha avisando isso.
Um exemplo
Um salão com 2 pessoas no Startup, com cobrança anual, paga US$ 6,40 por mês.
Se num mês 80 conversas recebem uma transcrição, uma resposta do Fynn ou ajuda do Copilot, 50 estão incluídas. As outras 30 custam 30 × US$ 0,07 = US$ 2,10.
A frase para a sua política de privacidade
Quando um prestador de serviço transforma o áudio dos seus clientes em texto, ele recebe dados pessoais. Na UE e no EEE, o regulamento europeu de proteção de dados, o GDPR, considera esse prestador um destinatário (Art. 4(9)).
Daí vêm várias regras:
- A sua política de privacidade precisa citar "os destinatários ou categorias de destinatários dos dados pessoais" (Art. 13(1)(e)).
- Quando os dados vão para um país fora da UE e do EEE, a política diz isso e cita a decisão de adequação ou as outras garantias em que a transferência se apoia (Art. 13(1)(f)).
- Um operador precisa ter um contrato com você (Art. 28(3)), e um suboperador que ele contrata fica vinculado por um contrato com esse operador (Art. 28(4)).
- O tratamento precisa de uma base legal (Art. 6), como procedimentos preliminares a um contrato, feitos a pedido do cliente (Art. 6(1)(b)), ou os seus interesses legítimos (Art. 6(1)(f)). Qual delas se aplica é uma pergunta para o seu consultor de proteção de dados.
Uma frase para você adaptar
Mensagens de voz: se você nos mandar uma mensagem de voz pelo WhatsApp ou pelo Telegram, ela é transformada em texto automaticamente para que possamos ler e responder mais rápido.
Para isso, usamos o nosso software de atendimento ao cliente [nome] (operador nos termos do Art. 28 do GDPR) e o suboperador dele, [provedor de transcrição e país], que processa o áudio em servidores em [região]. O áudio e o texto ficam armazenados junto com a sua conversa.
[Acrescente a sua base legal, por quanto tempo você guarda as conversas e as garantias de transferência que o seu consultor pedir.]
Se você usa o Deskwoot
O Deskwoot é o seu operador, e a AssemblyAI, Inc. é suboperadora dele para a transcrição. Segundo o DPA do Deskwoot (Anexo B), a AssemblyAI é uma empresa americana que processa os áudios em servidores na UE.
Ela faz isso com base no EU-U.S. Data Privacy Framework ou, fora dele, em cláusulas contratuais padrão, e não usa os arquivos processados nos servidores dela na UE para treinar os próprios modelos. Você mesmo assina o DPA no painel (como assinar).
Na frase acima, você preenche Deskwoot, AssemblyAI, Inc. (EUA) e UE.
Fora da UE
No Brasil, a LGPD dá às pessoas o direito a informações claras sobre o uso compartilhado dos seus dados pelo controlador e a finalidade desse uso (art. 9º, V, da LGPD). Por isso a mesma frase também deve estar na sua política de privacidade no Brasil.
Outros países têm regras próprias.
Esta seção é uma informação geral, não aconselhamento jurídico.
Comece contando os áudios da semana passada
Volte 7 dias no seu WhatsApp. Conte os áudios e quanto tempo cada um esperou até alguém ouvir.
- Se foram 2, o botão de transcrever do celular e uma linha na sua mensagem de ausência resolvem.
- Se foram 20 e a maioria esperou até a noite, faça os áudios chegarem como texto.
Teste no seu próprio número
Crie sua conta, conecte o seu número de WhatsApp e mande um áudio para ele do seu celular pessoal. Depois leia o que chega.
O plano gratuito Hacker (1 agente) transcreve áudios em até 10 conversas por mês, o suficiente para esse teste. Todo workspace novo também começa com 7 dias do plano Enterprise, com o Fynn incluído, sem cartão e para até 30 assentos, contando o seu.
Quando o período de teste termina, você escolhe um plano pago ou continua no Hacker. O Startup inclui 50 conversas de IA por mês e o Fynn (planos e preços).
Exemplos por ramo: serviços e reformas, salões, restaurantes e lojas online.


