O que o Hermes Agent consegue fazer no WhatsApp: transcrever áudio, responder e encaminhar mensagens

O Hermes Agent conectado à API oficial do WhatsApp transcreve áudios recebidos, formula respostas contextualizadas e encaminha mensagens automaticamente — tudo rodando em infraestrutura própria, sem depender de serviços de terceiros para cada etapa. A transcrição acontece localmente ou via Whisper da OpenAI, a resposta é gerada por um LLM (GPT-4o mini, Llama ou Claude) e o encaminhamento segue regras pré-configuradas no fluxo do agente.

TL;DR: Hermes Agent automatiza recepção de áudio no WhatsApp, transcreve, responde com IA e encaminha — ideal para PMEs que precisam atender fora do horário comercial ou processar alto volume de mensagens sem aumentar equipe.

Como funciona a transcrição de áudio no WhatsApp com Hermes Agent?

A transcrição de áudio começa quando o webhook da API do WhatsApp entrega o arquivo de áudio para o Hermes Agent. O agente baixa o arquivo (formato Opus ou AAC, dependendo da API), converte se necessário e envia para um modelo de speech-to-text — Whisper da OpenAI ou alternativas open-source como Faster-Whisper rodando em servidor para IA próprio.

A transcrição retorna em 2 a 8 segundos para áudios de até 1 minuto, dependendo da carga do servidor e do modelo escolhido. Whisper API (via OpenAI) cobra US$ 0,006 por minuto de áudio; rodar Faster-Whisper em VPS próprio elimina esse custo recorrente, mas exige 4 GB de RAM mínimos e vCPU dedicada para latência estável.

Exemplo real: cliente de contabilidade recebe áudios de clientes relatando despesas ao longo do dia. O Hermes Agent transcreve cada áudio, extrai data, valor e categoria, e alimenta uma planilha ou ERP via API — sem que o contador precise ouvir 30 áudios por dia.

Após a transcrição, o texto entra no fluxo do agente como qualquer mensagem de texto — com a vantagem de manter o histórico completo da conversa para contextualizar a resposta.

O agente responde automaticamente após transcrever?

Sim. O Hermes Agent não apenas transcreve — ele interpreta o conteúdo transcrito e gera uma resposta com base no contexto armazenado sobre aquele usuário. A resposta é formulada por um LLM (GPT-4o mini no plano base, com opção de trocar por Llama 3.1, Claude ou GPT-4 Turbo) e enviada de volta pelo WhatsApp em menos de 3 segundos após a transcrição.

O agente usa três camadas para montar a resposta:

• Histórico da conversa: mensagens anteriores daquele contato (últimas 10 interações por padrão).
• Base de conhecimento: documentos, FAQs ou tabelas de preços indexadas no vetor store do agente.
• Regras de negócio: instruções customizadas (ex.: "sempre perguntar CEP antes de calcular frete", "encaminhar para humano se mencionar 'reclamação'").

Exemplo prático: fornecedor envia áudio perguntando "Quanto falta pra fechar o pedido de 500 unidades?". O agente transcreve, consulta a base (pedido #1234, cliente XYZ, 300 unidades já confirmadas) e responde "Faltam 200 unidades. Posso reservar para entrega dia 15?".

A resposta é enviada direto no chat do WhatsApp, mantendo o fluxo natural da conversa — o usuário nem percebe que foi um agente que respondeu.

Quando o Hermes Agent encaminha mensagens em vez de responder?

O encaminhamento acontece quando o agente detecta gatilhos pré-configurados ou quando a confiança na resposta fica abaixo do limiar definido (geralmente 70%). Nesse caso, a mensagem é encaminhada para um atendente humano ou para outro departamento via integração com CRM.

Os gatilhos mais comuns incluem:

• Palavras-chave sensíveis: "cancelar", "reembolso", "problema", "urgente", "falar com gerente".
• Intenção não mapeada: pergunta fora da base de conhecimento do agente.
• Horário comercial: fora do expediente, o agente responde e encaminha para revisão no próximo dia útil.
• Volume alto de interações: após 5+ mensagens sem resolução, escala automaticamente.

O encaminhamento pode ser feito para:

1. Outro número do WhatsApp (equipe de vendas, suporte técnico).
2. CRM integrado — Chatwoot, Typebot ou plataforma customizada via webhook.
3. Canal alternativo — e-mail, Slack, Telegram, dependendo da integração configurada.

Caso real: e-commerce com Hermes Agent atende dúvidas sobre rastreamento e troca. Quando cliente menciona "produto com defeito", o agente coleta fotos, número do pedido e encaminha ticket completo para o setor de qualidade — sem que o cliente precise repetir informações.

A configuração do encaminhamento acontece no painel do agente, com regras em formato natural ("se cliente pedir devolução, encaminhar para suporte@empresa.com com prioridade alta"). Não exige código.

Quais os pré-requisitos de infraestrutura para rodar essas funcionalidades?

Rodar Hermes Agent com transcrição, resposta e encaminhamento automáticos exige três componentes:

A API oficial do WhatsApp via Rollin Host (R$ 39,90/mês, conexão por QR) entrega webhooks em tempo real e suporta envio de áudio, texto, imagem e localização. Para operações com mais de 1.000 conversas/mês, a versão gerenciada Agente de IA no WhatsApp (R$ 299/mês) inclui até 3.000 mensagens processadas por IA, GPT-4o mini e 1 usuário no CRM Hunter.

A transcrição via Whisper API cobra US$ 0,006/minuto — cerca de R$ 1,80 para 50 áudios de 1 minuto. Rodar Faster-Whisper em VPS próprio elimina esse custo, mas consome ~2 GB de RAM durante a transcrição; para operações com 200+ áudios/dia, um Servidor IA Cloud com 8 GB (plano Pro, R$ 129/mês) garante latência estável.

O LLM para gerar respostas pode ser externo (GPT-4o mini custa ~US$ 0,15 por 1.000 mensagens) ou self-hosted (Llama 3.1 8B roda em 8 GB de RAM, custo zero por mensagem após provisionamento). Para calcular custo real de operação com LLM externo, a calculadora de custo de LLM compara modelos e provedores.

Trade-offs: quando vale a pena automatizar transcrição e resposta no WhatsApp?

Automatizar transcrição e resposta com Hermes Agent faz sentido quando o custo de atenção humana supera o custo de infraestrutura + API. A conta é direta:

• Atendente humano: 160 horas/mês, R$ 3.000 (salário + encargos), processa ~800 mensagens/mês → R$ 3,75 por mensagem.
• Hermes Agent: VPS R$ 119,90 + Whisper API R$ 30 (500 áudios) + GPT-4o mini R$ 50 (3.000 msgs) → R$ 0,06 por mensagem.

A economia é evidente em alto volume, mas há situações onde automação total não é recomendada:

• Conversas complexas com múltiplas idas e vindas — agente podeループar ou dar resposta genérica; melhor encaminhar após 3ª mensagem.
• Produtos/serviços de alto ticket — clientes esperam atendimento humano; use agente para qualificação inicial, não fechamento.
• Regulamentação sensível (saúde, jurídico, financeiro) — transcrição e resposta automáticas precisam passar por auditoria de compliance antes de ativar.

Quando vale a pena:

• Suporte técnico com base de conhecimento estruturada (instalação, troubleshooting).
• Vendas consultivas com catálogo extenso (agente filtra opções antes de passar pra vendedor).
• Confirmação de agendamentos, rastreamento, segunda via de boleto — tarefas repetitivas de baixo risco.

O encaminhamento inteligente é a válvula de escape: o agente tenta resolver, mas sabe quando parar. A configuração correta dos gatilhos de escalação é o que separa automação útil de automação irritante.

Principais aprendizados

• O Hermes Agent transcreve áudos do WhatsApp via Whisper (API ou self-hosted), responde com LLM contextualizado e encaminha quando detecta gatilhos pré-definidos.
• Transcrição via Whisper API custa US$ 0,006/minuto; rodar Faster-Whisper em VPS próprio elimina custo recorrente, mas exige 4 GB+ de RAM.
• Resposta automática usa histórico da conversa, base de conhecimento e regras de negócio — latência típica de 2-3 segundos após transcrição.
• Encaminhamento acontece por palavras-chave sensíveis, baixa confiança na resposta ou após N mensagens sem resolução — evita loop infinito.
• Custo por mensagem automatizada fica em R$ 0,06 (incluindo infra + APIs), contra R$ 3,75 de atendimento humano — economia clara em alto volume.

Perguntas frequentes

O Hermes Agent consegue transcrever áudios em qualquer idioma?

Sim, o Whisper (API ou self-hosted) suporta mais de 50 idiomas, incluindo português, inglês, espanhol e mandarim. A acurácia fica acima de 95% para português brasileiro em áudios com boa qualidade de captação.

A transcrição funciona offline ou precisa de conexão com API externa?

A transcrição via Whisper API exige conexão com a OpenAI. Rodar Faster-Whisper localmente em VPS permite operação offline após o download do modelo (1,5 GB), ideal para ambientes com requisitos de privacidade ou latência crítica.

Quanto tempo o Hermes Agent leva para transcrever e responder um áudio de 1 minuto?

De 3 a 10 segundos no total: 2-4 segundos para transcrição (Whisper API ou Faster-Whisper em VPS com 4 GB RAM) + 1-3 segundos para gerar a resposta com GPT-4o mini. A latência aumenta se o servidor estiver processando múltiplos áudios simultaneamente.

O agente encaminha a transcrição do áudio junto com a mensagem original?

Sim. Ao encaminhar para atendente humano ou CRM, o Hermes Agent inclui o texto transcrito, o áudio original e o histórico da conversa — o atendente vê o contexto completo sem precisar ouvir o áudio novamente.

Posso configurar o agente para só transcrever e não responder automaticamente?

Sim. No painel do Hermes Agent, é possível desativar a resposta automática e deixar apenas a transcrição ativa — útil para equipes que querem o texto do áudio disponível, mas preferem responder manualmente após revisar.

Qual o limite de tamanho de áudio que o Hermes Agent consegue processar?

A API do WhatsApp limita áudios em 16 MB (cerca de 15-20 minutos, dependendo da qualidade). O Whisper API aceita até 25 MB; Faster-Whisper self-hosted processa arquivos maiores, mas a latência cresce proporcionalmente (adicione ~2 segundos por minuto extra de áudio).

Infraestrutura para agentes de IA no WhatsApp não precisa ser complexa. A Rollin Host provisiona VPS otimizados para n8n, Evolution API e Hermes Agent em menos de 5 minutos, com root access e suporte técnico 24/7 em português. Quer rodar seu próprio agente com transcrição e resposta automatizadas? Conheça os planos de VPS para n8n ou fale com a equipe pelo WhatsApp para configurar a infraestrutura ideal para o seu volume de mensagens.