Clef-omni: a Cloudflare lança um modelo de decisão que ouve a ligação, e o que isso muda para o contact center de voz

A Cloudflare lançou o Clef-omni, modelo de decisão que aceita áudio e vídeo além de texto e imagem. Para quem opera voz, abre a porta para tabular e monitorar ligações sem a etapa de transcrição. Veja o que muda, os cuidados e como fazer um piloto.

· 8 min de leitura · Equipe Logo17

No contact center de voz, quase toda decisão sobre uma ligação passa por duas etapas: primeiro alguém (ou um sistema) transcreve o áudio, depois alguém (ou outro sistema) classifica o texto. É assim que se faz tabulação automática, monitoria de qualidade e detecção de risco de cancelamento hoje. Cada etapa tem custo e erro próprios, e o erro da transcrição contamina o que vem depois. Por isso tanta operação ainda monitora só uma amostra.

Em 9 de outubro, a Cloudflare lançou o Clef-omni, um modelo de decisão que recebe o áudio diretamente. Vale entender o que ele é e o que dá para fazer com ele numa operação brasileira.

O que foi lançado

O Clef-omni é o membro multimodal da família Clef, que a Cloudflare apresentou em 1º de outubro (falamos dela na semana dos modelos de decisão). Segundo o changelog oficial e a página do modelo:

  • Entradas: texto, imagem, áudio (WAV ou MP3) e vídeo (MP4 ou WebM), na mesma chamada.
  • Onde roda: no Workers AI, como @cf/cloudflare/clef-omni, com a mesma API System One do Clef e do Clef-flash: você manda o estado e as perguntas com opções, e recebe a probabilidade de cada opção. O modelo não gera texto.
  • Preço: US$ 0,15 por 1 milhão de tokens de entrada. Os modelos Clef não cobram tokens de saída; áudio e vídeo são cobrados como tokens de entrada.
  • Tamanho: 30 bilhões de parâmetros, arquitetura mixture-of-experts com 3 bilhões ativos. No cartão do modelo no Hugging Face, a Cloudflare informa que ele foi treinado a partir do Qwen3-Omni-30B-A3B-Instruct e que os pesos estão sob licença Apache 2.0.
  • Latência declarada: cerca de 20 ms para texto, menos de 100 ms para imagem ou áudio e cerca de 300 ms para um vídeo de 21 segundos com som.
  • Limites de áudio: até 4 clipes por chamada, com até 8 MiB e 300 segundos (5 minutos) cada, enviados como dados em base64 (não aceita URL remota).

Nos testes da própria Cloudflare, o Clef-omni teve as melhores notas da família em BANKING77 e CLINC150, dois placares clássicos de intenção de atendimento, e ficou abaixo do Clef em outras tarefas. São números do fornecedor, sem replicação independente, e são placares de texto: não medem a qualidade de decisão sobre áudio de telefonia.

O que muda para quem opera voz

Tabulação de chamadas sem transcrição. Até aqui, para tabular automaticamente uma ligação, você precisava de um motor de transcrição e depois de um classificador. Com áudio direto, a pergunta “qual destes 20 motivos explica a ligação?” vai junto com a gravação, e a resposta volta com a probabilidade de cada código. Menos uma peça no fluxo, menos um fornecedor, menos um ponto de erro.

Monitoria de 100% das ligações. Formulários de monitoria são, na prática, perguntas fechadas: o agente se identificou? Confirmou os dados? Ofereceu a solução correta? Encerrou com protocolo? É exatamente o formato de um modelo de decisão. Com custo por chamada baixo, sair da amostragem para a cobertura total deixa de ser um projeto caro.

Sinais que o texto perde. A transcrição joga fora o tom. “Tudo bem, pode cancelar” dito com calma e dito com raiva viram a mesma frase no papel. Um modelo que ouve o áudio pode, em tese, responder a perguntas como “o cliente demonstra irritação?” usando também a voz. É uma hipótese para testar, não uma promessa.

Os cuidados antes de ligar a chave

Gravação é dado pessoal. Uma ligação tem voz, nome, CPF, endereço e às vezes dado de saúde ou financeiro. Antes de mandar áudio para qualquer API, responda: a base legal e o aviso ao cliente cobrem esse uso? Onde o áudio é processado e por quanto tempo fica guardado? O contrato com o fornecedor trata transferência internacional? Pesos abertos permitem, em tese, rodar o modelo na sua própria infraestrutura no Brasil, mas o cartão do modelo fala em uma GPU H200 e cerca de 64 GB de memória: não é um modelo pequeno.

Áudio de telefonia não é áudio de estúdio. Ligação telefônica costuma chegar em 8 kHz, com compressão, ruído de fundo, eco, sotaques e gente falando ao mesmo tempo. O cartão do modelo pede áudio em 16 kHz mono quando enviado como amostras. Nada nas fontes fala de desempenho em português ou em telefonia. Isso precisa ser medido com as suas gravações.

Ligações longas precisam ser cortadas. O limite é de 5 minutos por clipe e 4 clipes por chamada. Uma ligação de retenção de 25 minutos não cabe inteira; você vai precisar decidir se analisa só trechos (abertura e encerramento, por exemplo) ou se divide e combina as respostas.

A régua de áudio ainda é fraca. Os placares publicados são de texto, e latência e preço são declarados pelo fornecedor, em dólar. Para voz em português, a régua confiável é a sua: ligações já tabuladas por pessoas, com a duração real das suas chamadas.

Piloto com 200 ligações já tabuladas

  1. Escolha uma decisão só. Tabulação de motivo ou uma pergunta de monitoria. Use a lista que a operação já usa, com uma descrição por código (o modelo de lista de tabulações ajuda).
  2. Separe 200 ligações já tabuladas e, de preferência, revisadas por uma segunda pessoa. Inclua os motivos raros e as ligações difíceis: ruído, cliente exaltado, transferência no meio.
  3. Resolva a LGPD antes de subir o primeiro arquivo. Confirme a base legal, o local de processamento e a retenção com o jurídico e o DPO.
  4. Prepare o áudio. Converta para o formato aceito, respeite o limite de 5 minutos por clipe e registre como você cortou as ligações longas.
  5. Rode e compare. Meça a acurácia contra a tabulação humana, por código. Veja também a calibração: quando o modelo diz 90%, acerta perto de 90%?
  6. Compare com o caminho atual. Rode as mesmas 200 ligações pelo fluxo transcrição + classificação (o L17 Qualifica, por exemplo, tabula a partir da transcrição). Só troque se o áudio direto ganhar em acerto, custo ou simplicidade.
  7. Olhe os erros, não só a média. Onde o modelo erra com alta confiança? Em sotaque, ruído, ligação longa? Isso diz onde ele pode entrar e onde ainda não.

Decidir direto sobre a ligação é um passo real, mas quem decide se ele serve para a sua operação são as suas 200 ligações, não o anúncio.

Atualização (12/10/2026): o L17 Models agora recebe a gravação

Dois dias depois deste texto, lançamos a API de áudio do L17 Models. Em vez de mandar o texto, você manda a gravação, e o L17 Decide ou o L17 Qualifica respondem às mesmas perguntas de sempre:

  • Formatos: WAV, MP3, OGG/Opus (o áudio do WhatsApp), M4A, FLAC e WebM, até 30 minutos por chamada.
  • Um falante por canal: se a gravação do PABX vem em estéreo, você diz quem está em cada canal ({"0": "atendente", "1": "cliente"}) e a transcrição sai separada por falante, na ordem da conversa.
  • Mesmas perguntas, mesma resposta: motivo, tabulação, monitoria e risco de cancelamento, com a probabilidade de cada opção. Se quiser, a transcrição volta junto.
  • Preço em créditos: 5 créditos por minuto de áudio, mais os créditos normais do texto. Uma ligação de 3 minutos com algumas perguntas fica em torno de 16 créditos, pagos em reais, sem conta em dólar.

A diferença de abordagem em relação ao Clef-omni: nós transcrevemos e depois decidimos, o que deixa a transcrição disponível para auditoria e busca, mas não lê o tom de voz. Para tabulação e monitoria, que dependem do que foi dito, é o caminho que já dá para colocar em produção. Os detalhes estão na documentação da API.

Fontes

Latências, preços e placares são os declarados pela Cloudflare nas fontes acima, sem replicação independente da Logo17.

Clef-omni Cloudflare contact center voz tabulação monitoria LGPD modelos de decisão L17 Qualifica

Consultoria Logo17

Quer um modelo treinado para a sua operação?

Em 30 minutos mapeamos onde a IA decide sozinha e onde precisa de gente. Sem compromisso.

Diagnóstico gratuito

Newsletter

Receba os próximos conteúdos

Artigos e materiais sobre IA no atendimento, no máximo duas vezes por mês. Sem spam; você cancela quando quiser.

Continue lendo