A Grã-Bretanha está utilizando inteligência artificial de voz do século XXI em uma linha telefônica de 1972.

Três números de uma rede projetada para telefones de disco.

A Grã-Bretanha está construindo inteligência artificial de voz de classe mundial e roteando tudo isso por meio de uma faixa de frequência projetada para uma central telefônica de cobre no ano O Poderoso Chefão foi divulgado. O custo será pago por todas as empresas e todos os cidadãos que falarem com uma máquina ao telefone na próxima década.

Uma rede projetada para aparelhos de baquelite.

O codec é chamado G.711. Ele amostra a voz humana 8.000 vezes por segundo e descarta tudo acima de aproximadamente 3,4 kHz. Esse padrão foi criado quando a casa britânica média tinha um único telefone de disco instalado em uma caixa de madeira na parede.

Em 2026, ainda é o codec padrão da Rede Telefônica Pública Comutada (RTPC) e o denominador comum mais baixo da telefonia no Reino Unido. Segundo dados da própria Openreach, é o formato para o qual sua chamada provavelmente será transcodificada no momento em que chegar a uma interconexão de operadora, mesmo que seu softphone, seu fone de ouvido e seu aparelho sejam capazes de algo significativamente melhor.

A Grã-Bretanha está agora fazendo algo verdadeiramente estranho. Estamos construindo inteligência artificial de voz de classe mundial (grandes modelos de linguagem que raciocinam em tempo real, transcritores treinados em centenas de milhares de horas de fala de alta fidelidade, conversão neural de texto em fala que respira) e, em seguida, roteando tudo isso por meio de uma faixa de frequência projetada para a largura de banda de uma central telefônica de cobre.

O desligamento da PSTN resolve o problema errado.

A reforma principal é simples. A infraestrutura de cobre está realmente falhando: a Ofcom registrou um aumento de 45% em incidentes significativos de resiliência da PSTN em 2024. O problema é o que a migração está realmente trazendo.

Após vários adiamentos, o prazo definido pelo setor é agora o final de janeiro de 2027. A Openreach confirmou que a data está "definida". A suspensão de vendas em linhas antigas está em vigor na maioria das centrais desde 2023, e os aumentos de preço de 20% e depois de 40% estão levando os clientes restantes a abandonar a rede até 2026.

A substituição da PSTN não representa uma melhoria radical na qualidade de voz. Trata-se da mesma chamada, no mesmo formato de banda estreita de 8 kHz, transportada por IP em vez de cobre. A maioria dos serviços de voz totalmente IP no Reino Unido ainda utiliza por padrão o codec G.711 (o mesmo codec de 1972) encapsulado em um pacote SIP. Os fios mudam. O áudio, não.

Existem alternativas de banda larga. O G.722 duplica a taxa de amostragem para 16 kHz. O EVS chega a 20 kHz e cobre toda a faixa da audição humana. O Opus (usado no WhatsApp, Teams e Google Meet) adapta-se dinamicamente até 48 kHz. Nenhum deles é o padrão nos troncos SIP do Reino Unido. No instante em que uma chamada atravessa um gateway PSTN, uma interconexão ou um serviço de tradução de números, ela é transcodificada de volta para G.711 e a atualização desaparece.

Os codecs para os quais o resto do mundo migrou

Nenhuma dessas opções é teórica. Todas são padronizadas, implementadas em produção e compatíveis com todos os dispositivos modernos. O Reino Unido simplesmente não as negocia como padrão na rede que substituirá a PSTN.

Qual é o custo real de 8 kHz?

O argumento técnico contra a telefonia de banda estreita não é estético. É matemático e brutal para as máquinas que agora estão do outro lado de cada linha.

A fala humana contém informações acústicas úteis bem acima do limite de 3,4 kHz imposto pela norma G.711. As frequências fundamentais, o tom que permite reconhecer sua mãe ao telefone, situam-se entre 85 e 250 Hz. As vogais carregam a energia de 350 Hz a 2 kHz. Até aqui, tudo compatível com a PSTN.

As consoantes (as sibilantes, fricativas e oclusivas surdas) situam-se entre 1,5 kHz e 4 kHz , com energia significativa estendendo-se até 8 kHz e além. Esses são os sons que distinguem "quinze" de "dezesseis", "Smith" de "Smyth", "F" de "S" de "Th". Eles contêm cerca de 5% da potência da voz e contribuem com aproximadamente 60% de sua inteligibilidade.

Os modelos modernos de reconhecimento de fala (Whisper, Deepgram Nova, Chirp do Google, os modelos internos que rodam em todas as principais plataformas de IA de voz) são treinados quase que inteiramente com áudio de 16 kHz. O Whisper exige entrada de 16 kHz por projeto. Se você o alimentar com áudio de telefonia de 8 kHz, estará sobreamostrando dados com perda e apresentando ao modelo uma distribuição de frequência que ele nunca viu durante o treinamento.

Engenheiros que desenvolvem agentes de voz na Twilio relatam rotineiramente uma precisão de 50% em falas que, de outra forma, seriam claras, no momento em que a chamada atinge um codec de 8 kHz, enquanto a mesma fala é transcrita perfeitamente por meio de um microfone de navegador. Este não é um problema que um prompt mais inteligente ou um modelo maior resolverá. É um problema de física.

Fácil de passar despercebido em uma apresentação de slides. Ruinoso na produção.

O áudio de banda estreita degrada a IA de voz em pelo menos seis aspectos: individualmente irritante, em conjunto catastrófico. O impacto econômico dessas falhas não é teórico; ele se faz presente a cada minuto, em cada chamada mal encaminhada, em todos os setores regulamentados que tentam implementar um agente de voz na rede existente.

• Alucinações. Codecs com perda de dados introduzem ruído metálico e borbulhante que os modelos de IA podem interpretar como ruído de fundo ou fala propriamente dita. Se um falante não diz nada, o modelo inventa uma palavra. Cada erro de transcrição alimenta o modelo de lógica latente (LLM), que precisa raciocinar sobre uma entrada corrompida.
• Colapso por alternância de turnos. Os agentes de voz detectam quando um interlocutor para de falar usando sinais acústicos de alta frequência. Sem esses sinais, o reconhecimento de voz torna-se pouco confiável: o agente interrompe, espera muito tempo ou fala por cima do interlocutor.
• A identificação do locutor fica comprometida. O áudio de banda larga é aproximadamente duas vezes mais eficaz que o de banda estreita para sistemas de reconhecimento de locutores, o que é importante para detecção de fraudes, biometria de voz e verificação de consentimento.
• Perda de transcodificação. Um agente de IA gera Opus a 48 kHz, transcodificado para G.711 no gateway SIP, transcodificado novamente para AMR-WB ou EVS na transferência para o dispositivo móvel e chega como uma aproximação com múltiplas degradações.
• Discriminação multilíngue e por sotaque. A filtragem de banda estreita agrava as fragilidades existentes dos modelos em inglês não nativo, dialetos regionais e línguas tonais. As pistas de alta frequência que desambiguam fonemas semelhantes são exatamente as primeiras a serem descartadas.
• A cauda econômica. Transcrições imprecisas levam a chamadas de URA (Unidade de Resposta Audível) mal direcionadas, aumento do tempo de atendimento em 3 a 5 minutos, taxas de retorno de chamada de aproximadamente 30% em mensagens de voz convertidas em texto e taxas de falsos positivos de cerca de 60% em fluxos de análise de sentimento. Quando uma central de atendimento cita uma taxa de desvio de IA de 12%, enquanto seu concorrente cita 35%, a resposta geralmente não está no modelo, mas sim no codec.

Por que a posição do Reino Unido é particularmente ruim

A Grã-Bretanha não é a única a operar uma rede PSTN de banda estreita. No entanto, estamos em pior situação do que a maioria dos nossos pares, por razões que são inteiramente função de escolhas políticas.

A migração do Reino Unido foi adiada duas vezes (de dezembro de 2025 para janeiro de 2027), principalmente devido a questões não resolvidas sobre usuários vulneráveis em dispositivos de teleassistência. Essas preocupações são legítimas. Os 1,8 milhão de britânicos que dependem de alarmes pessoais conectados a linhas de cobre merecem ser migrados com segurança.

Mas o atraso foi usado pela indústria como desculpa para priorizar a atualização mais barata possível em vez da mais adequada. O novo serviço digital substitui a qualidade de voz existente, não representa uma melhoria. Além disso, o quadro regulatório trata a qualidade de áudio essencialmente como uma questão de preferência do consumidor.

Três coisas precisam acontecer, e a janela de oportunidade está se fechando.

O desligamento previsto para 2027 está sendo gerenciado como um projeto de engenharia de rede. Deveria ser gerenciado como uma atualização da infraestrutura nacional com mínimos explícitos de qualidade de voz, pois o que for especificado agora será a base para os próximos trinta anos.

1. Definir banda larga como padrão para todas as redes IP. A Ofcom deveria exigir que todos os serviços de voz baseados em IP comercializados como substitutos da PSTN negociassem o codec G.722 ou superior como seu codec preferencial, permitindo o G.711 apenas como alternativa para interconexões legadas. Todos os endpoints SIP modernos já o suportam. A barreira é a inércia comercial, não a dificuldade de engenharia.
2. Defina um roteiro para a banda superlarga. O EVS já está padronizado, implementado em redes móveis em todo o mundo e representa o destino natural para qualidade de voz em IP. O Reino Unido deveria estabelecer uma meta (2030 é alcançável) para que o EVS seja o codec padrão em todos os novos serviços de voz empresariais.
3. Considere o áudio da telefonia como infraestrutura crítica. Quando uma linha de triagem do NHS (Serviço Nacional de Saúde do Reino Unido), um serviço 101 ou uma linha direta de benefícios sociais fica sobrecarregada por um codec de 1972 que impede a inteligência artificial de voz moderna de entender os interlocutores, trata-se do mesmo tipo de falha de infraestrutura que uma linha de alarme de incêndio que cai, só que mais lenta e mais abrangente.

Um teto para todo o setor de IA de voz no Reino Unido.

O áudio que chega a qualquer modelo de fala é definido na borda da rede, não na camada de aplicação. Todos os produtos de IA de voz que operam na telefonia do Reino Unido compartilham o mesmo limite, e superá-lo é uma questão de infraestrutura nacional, não de fornecedor.

Independentemente da IA de voz que esteja do outro lado da linha (Cloudax, o agente de voz de um hiperescalador, outra plataforma especializada ou o módulo de IA de um contact center), todas elas herdam o mesmo áudio. A operadora decide o que sobrevive ao codec; a camada de aplicação herda o que sobra.

Isso torna este um problema excepcionalmente tratável. Uma rede britânica com banda larga como padrão elevaria o nível mínimo de todas as implementações de IA de voz no país simultaneamente, sem necessidade de coordenação na camada de aplicação. O mesmo modelo de conversão de fala em texto que opera com 88% de precisão em G.711 opera rotineiramente com mais de 95% em G.722, gratuitamente, no momento em que a rede parar de reduzir a qualidade da chamada.

A qualidade da voz é uma propriedade da rede. Isso é determinado pelo que as operadoras oferecem, pelo que os órgãos reguladores exigem e pelos padrões que a Grã-Bretanha adota durante a migração para a PSTN. As decisões que serão tomadas em 2026 definirão esse limite para a próxima geração: para cada produto de IA de voz desenvolvido no Reino Unido, para cada serviço público que o adquirir e para cada cidadão que interagir com um.

Do século XX do cobre. Para o século XX da propriedade intelectual.

O desligamento da PSTN deveria ter sido uma oportunidade para levar a Grã-Bretanha ao século XXI em termos de voz. No momento, é uma oportunidade para nos tirar do século XX do cobre e nos colocar no século XX do IP, com a qualidade de áudio inalterada. Isso não é suficiente. Nunca foi suficiente.

À medida que a IA de voz se torna a principal interface entre cidadãos, serviços públicos e as empresas das quais dependem, o custo de fingir o contrário será medido em chamadas mal compreendidas, automação falha, perda de produtividade e um país que construiu uma IA de classe mundial e depois a prejudicou no último minuto.