Voz nativa no Salesforce Flow: Como funcionam as ações de Speech to Text e Text to Speech

A Salesforce liberou discretamente duas novas ações invocáveis nativas no Flow que trazem capacidades de voz diretas para a plataforma. Trata-se das ações de Speech to Text e Text to Speech. Até agora, se você quisesse converter áudio em texto ou fazer o caminho inverso dentro de uma org, precisava construir um componente customizado consumindo a Web Speech API do navegador ou criar uma integração via código com serviços externos.

Essas novas ações eliminam essa barreira técnica. Elas funcionam como blocos de construção nativos alimentados pela infraestrutura do Agentforce e já estão prontas para serem arrastadas para qualquer Flow sem necessidade de escrever código Apex. O recurso está disponível em edições Enterprise, Performance, Unlimited e Developer que possuam o Agentforce Foundations ou edições Agentforce 1.

A ação Convert Speech to Text pega um áudio falado e transcreve para texto usando reconhecimento de voz. O detalhe técnico importante aqui é que ela exige um Content Document ID como entrada. Ou seja, o arquivo de áudio já precisa existir fisicamente na sua org Salesforce antes de a automação rodar. A plataforma oferece dois modelos de transcrição que você pode escolher no próprio Flow. O padrão é o whisper-v3-turbo, mas também é possível usar o elevenlabs-scribe-v2. Isso dá flexibilidade para trocar o motor de transcrição dependendo da necessidade de precisão ou idioma.

O retorno dessa ação é uma variável de texto simples com a transcrição. Ponto de atenção para arquitetos e admins: a ação apenas transcreve. Ela não salva o texto automaticamente em um campo ou registro. Você precisa desenhar o restante do Flow para pegar essa variável e fazer a atualização onde for necessário. Além disso, o arquivo original suporta formatos comuns como MP3, WAV e M4A, mas tem um limite rígido de tamanho de cinco megabytes. A ferramenta transcreve com base no idioma principal detectado e não faz tradução. Se você tem áudio apenas em formato codificado em Base64 e não em formato de arquivo, existe uma ação paralela específica para ler esse dado diretamente.

Do outro lado da moeda, temos a ação Convert Text to Speech. Ela faz o caminho inverso pegando um texto escrito e gerando um áudio falado natural. Os parâmetros de entrada permitem um controle razoável do resultado. Você define o texto, a velocidade da fala, a estabilidade da voz e qual identificador de voz deseja utilizar. O ponto crucial nessa ação está na saída. Por padrão ela devolve o áudio codificado em Base64. Se você quiser que esse áudio seja salvo como um arquivo real anexado a um registro, precisa marcar o parâmetro de saída como verdadeiro para receber um Content Version ID.

Fazer a leitura prática dessas novidades exige olhar para o licenciamento e para a governança da org. Essas ações consomem créditos do Agentforce. O uso é medido de forma separada de outros consumos da inteligência artificial. Se você colocar a conversão de texto para fala em um fluxo acionado por um gatilho de alta volumetria, seu consumo de créditos pode aumentar muito rapidamente. Existe também um limite de invocação de cem requisições por minuto para a geração de áudio. Passou disso, a automação vai falhar.

Ter processamento de voz nativo e declarativo é um ganho excelente de produtividade. Abre portas para casos de uso interessantes no Service Cloud ou em processos de campo onde o usuário prefere falar em vez de digitar. Porém, o custo atrelado aos créditos exige que a solução seja desenhada com cuidado. Não é o tipo de recurso para ser jogado em qualquer fluxo básico de atualização de registro. Requer validação de volume, teste de idioma e monitoramento ativo do consumo da org.

Para quem trabalha com arquitetura de soluções, essa novidade representa uma mudança na forma como desenhamos integrações de acessibilidade e mobilidade. Antes, o custo de desenvolvimento para implementar uma transcrição de chamadas ou de anotações de campo era alto e envolvia sustentar integrações com provedores de nuvem externos. Agora, o custo se desloca da construção para o licenciamento e consumo da própria plataforma Salesforce. O papel do arquiteto e do consultor passa a ser muito mais focado em garantir que os fluxos que disparam essas ações tenham critérios de entrada extremamente bem definidos, evitando execuções desnecessárias que queimam o saldo da empresa.