☕ CAFÉ COM AI! Grok ouve áudio real — e um modelo de IA só toma decisões | IA Club
A newsletter que te deixa mais inteligente em 5 minutos ☕ Bom dia, galera! A IA desta edição está ficando mais específica. Uma ferramenta transcreve chamadas com ruído e troca de idioma. Outra lê grandes volumes de documentos, imagens e código dentro da AWS. E uma terceira não escreve texto: ela esc
Por Allessandra Sinisgalli · Publicado em
A newsletter que te deixa mais inteligente em 5 minutos
☕ Bom dia, galera!
A IA desta edição está ficando mais específica.
Uma ferramenta transcreve chamadas com ruído e troca de idioma. Outra lê grandes volumes de documentos, imagens e código dentro da AWS. E uma terceira não escreve texto: ela escolhe entre opções e mostra o grau de confiança.
Também tem o GitHub organizando o que ainda falta corrigir no código e uma parceria que coloca avaliadores independentes dentro do processo de teste de modelos.
1. O Grok agora transcreve chamadas com ruído, sotaque e troca de idioma
Em 18 de setembro, a SpaceXAI lançou o Grok Voice Transcribe 2.0 . O modelo foi treinado para situações que costumam quebrar uma transcrição: linha telefônica ruim, vozes sobrepostas, sotaques e informações faladas como telefone ou email.
Ele detecta o idioma sozinho e acompanha a mudança de língua no meio da gravação. Também separa quem falou, cria marcação de tempo por palavra, aceita até oito canais de áudio e permite indicar até cem termos importantes, como nomes de produto.
A empresa afirma que a nova versão errou metade das palavras da anterior nos seus testes. Em um ranking público da Artificial Analysis, ficou em primeiro lugar entre 32 modelos de transmissão em tempo real. Esses resultados são do fornecedor e do ranking; não são uma garantia para todo áudio.
O uso custa US$ 0,10 por hora de áudio gravado ou US$ 0,20 por hora em tempo real. Separação de falantes, marcações e termos importantes estão incluídos. Quem já usa a API de transcrição recebe a melhoria sem alterar o código. A versão anterior será descontinuada nas próximas semanas.
Como isso afeta você: reunião, atendimento e depoimento só viram informação útil quando a transcrição entende nomes, números e quem disse o quê. O custo baixo facilita testar em volume, mas o valor depende da precisão no seu sotaque, ambiente e vocabulário.
Hack rápido: escolha três áudios difíceis do seu negócio: uma chamada com ruído, uma conversa com duas pessoas e um vídeo com nome de produto. Compare a transcrição com o original e conte os erros que mudariam uma decisão antes de integrar ao seu processo.
Fonte: lançamento oficial do Grok Voice Transcribe 2.0
2. O Kimi K3 chegou à AWS para trabalhar com documentos, imagens e código extensos
Em 18 de setembro, a AWS colocou o Kimi K3 no Amazon Bedrock. O Bedrock é o serviço da Amazon usado por empresas para conectar modelos de IA aos próprios sistemas com controle de acesso, cobrança e segurança centralizados.
O Kimi K3 recebe texto e imagem e mantém até um milhão de tokens de contexto, a quantidade de informação que o modelo consegue considerar de uma vez. Isso serve para analisar repositórios de código, bibliotecas de documentos e processos longos sem cortar o material em tantas partes.
Ele também é o primeiro modelo de código aberto no Bedrock com cache explícito de instruções. Na prática, a empresa pode guardar um conjunto grande de documentos já processados e reutilizá-lo em novas perguntas, reduzindo tempo e custo de entrada.
O acesso é geral pelo Bedrock, com roteamento global ou restrito aos Estados Unidos. A AWS informa que os dados ficam dentro da sua fronteira, não são enviados à Moonshot AI e não treinam o modelo. Vídeo ainda não é aceito.
No perfil global padrão, a tabela lista US$ 3 por milhão de tokens de entrada e US$ 15 por milhão de saída. A leitura do cache custa US$ 0,30 por milhão. Não é uma assinatura de chat: exige conta AWS, configuração técnica e acompanhamento do consumo.
Como isso afeta você: negócios com políticas, catálogos, contratos ou bases internas grandes ganham mais uma opção para pesquisa, suporte e automação. O cache interessa quando a mesma base é consultada muitas vezes; em uso pontual, a configuração pode custar mais esforço do que economiza.
Hack rápido: se você trabalha com uma equipe técnica, separe dez documentos usados toda semana e defina três perguntas recorrentes. Peça uma comparação de custo e resposta entre processar tudo novamente e reutilizar o contexto em cache. Não use dados sensíveis no primeiro teste.
Fonte: anúncio oficial da AWS , nota oficial de disponibilidade e documentação do modelo .
3. O Jev não escreve respostas: ele escolhe, pontua e mostra a incerteza
Em 18 de setembro, a Vercel informou que o Jev teve a adoção inicial mais rápida entre os modelos lançados no seu AI Gateway. Nas primeiras 24 horas, quase 13% das equipes pagantes do Gateway usaram o modelo.
Esse dado não representa o mercado inteiro. Mede apenas clientes pagantes da Vercel, e a própria empresa diz que ainda é cedo para saber se o uso vai continuar.
O motivo do interesse é o formato. O Jev não foi criado para escrever email, legenda ou relatório. Ele recebe contexto e perguntas fechadas, depois devolve escolhas, notas ou respostas de sim e não com uma probabilidade.
Isso permite encaminhar um lead, classificar a urgência de um chamado ou sinalizar uma compra para revisão. Quando a confiança é baixa, o sistema pode mandar o caso para uma pessoa em vez de decidir sozinho.
O modelo foi lançado pela TypeSafe em 15 de setembro e ainda está em acesso inicial. A função de avaliação usada no AI Gateway é experimental. A saída vem em formato estruturado, mas isso não prova que a decisão está correta; é preciso comparar com casos conhecidos.
Como isso afeta você: muitas automações não precisam de um texto bem escrito. Precisam escolher a próxima ação com critério. Um modelo menor e específico pode reduzir custo e tempo, desde que você defina o que acontece quando ele não tem certeza.
Hack rápido: pegue vinte pedidos já decididos por uma pessoa e transforme a regra em três opções: aprovar, revisar ou recusar. Compare o resultado do modelo com o histórico. Não conecte a pagamento, cancelamento ou envio enquanto os erros não estiverem mapeados.
Fonte: relatório oficial de adoção da Vercel , explicação oficial do Jev e lançamento da TypeSafe .
4. O GitHub Copilot agora separa o que está aberto, resolvido ou apareceu depois
Em 18 de setembro, o GitHub colocou em disponibilidade geral uma nova experiência de revisão de código com o Copilot.
O resumo agora divide os achados em três grupos: problemas ainda abertos, problemas resolvidos desde a revisão anterior e pontos que o Copilot não encontrou antes. Cada item recebe gravidade e um link para a linha correspondente.
Quando o código muda, o Copilot registra o histórico e tenta encerrar os próprios comentários com uma justificativa. Se a equipe responder que o problema deve ficar aberto, a ferramenta respeita a decisão. Ao aceitar várias sugestões juntas, ela também cria um título e uma descrição para o commit.
A revisão está nos planos pagos do GitHub Copilot e consome créditos de IA e minutos do GitHub Actions. Ela funciona como uma segunda leitura, não como prova de que o sistema está correto ou seguro.
Como isso afeta você: quem contrata uma agência ou equipe de desenvolvimento ganha um mapa mais claro do que foi apontado e do que ficou pendente. Isso ajuda a cobrar correção e registrar decisão sem precisar interpretar cada linha de código.
Hack rápido: em uma próxima entrega técnica, peça que a equipe rode a revisão e entregue o resumo com três respostas: o que foi corrigido, o que foi rejeitado e por quê. A decisão continua com quem conhece o objetivo e o risco do projeto.
Fonte: changelog oficial do GitHub e planos oficiais do GitHub Copilot .
5. A Anthropic vai colocar uma avaliadora externa dentro do teste dos seus modelos
Em 18 de setembro, a Anthropic anunciou uma parceria com a Accenture para criar uma equipe de avaliação independente dentro do processo de desenvolvimento dos modelos Claude.
A operação será liderada pela Faculty, empresa do grupo Accenture. Ela fará testes de estresse, avaliação de alinhamento e análise das proteções antes e durante o desenvolvimento.
O ponto diferente é o acesso. Os avaliadores externos poderão trabalhar com nível semelhante ao de funcionários da Anthropic, em vez de testar apenas o produto já lançado. As duas empresas esperam investir pelo menos US$ 1 bilhão cada em capacidade durante cinco anos. A Anthropic também financiará o trabalho da Accenture.
Ainda há lacunas. As regras de acesso, publicação dos resultados e governança do financiamento não estão fechadas. A parceria não retira da Anthropic a responsabilidade pelos próprios modelos e não traz um produto novo para clientes.
Como isso afeta você: a mesma lógica vale para automações de negócio. Quem constrói não deve ser a única pessoa a aprovar. Um avaliador separado encontra atalhos, permissões excessivas e respostas que passaram despercebidas durante a implementação.
Hack rápido: escolha uma automação que lê dados ou toma ação. Peça a alguém que não participou da montagem para tentar quebrar cinco situações: dado ausente, pedido ambíguo, informação sensível, instrução maliciosa e falha de integração. Registre o que precisa bloquear.
Fonte: anúncio oficial da Anthropic .
Fechando o café
As cinco bombas apontam para uma mudança prática: modelos mais úteis não precisam fazer tudo.
Um pode ouvir melhor. Outro segura mais contexto. Outro só decide. E uma camada separada pode avaliar onde o sistema falha.
Para o seu negócio, a pergunta deixa de ser “qual IA é mais inteligente?” e vira “qual tarefa precisa de qual ferramenta, com qual limite e qual revisão?”.
Não ensino teoria — construo junto com você.
Até a seguinte edição do Café com AI. ☕
Continue comigo
Escolha o apoio que faz sentido para você agora.
Aprender e aplicar
IA Club
Aulas práticas e comunidade para usar IA no seu negócio.
Conhecer o IA Club →
Direção estratégica
Mentoria
Estratégia e acompanhamento para decidir e implementar.
Ver a mentoria →
Implementação para empresas
Fazzo em destaque