O problema
A escola corrigia pronúncia à mão. Cada professora ouvia dezenas de áudios por aula e escrevia o retorno. Com o volume crescendo, o gargalo não era pedagógico — era tempo.
O que foi construído
Um sistema em três modos (individual, teste e lote) onde a professora envia os áudios da aula e recebe, por aluno, o que foi dito, o que deveria ter sido dito e o feedback. O modelo de linguagem só é chamado quando vale a pena: uma triagem acústica roda antes, com um reconhecedor de fala deliberadamente fraco, e descarta os áudios em que o aluno claramente acertou.
Essa triagem foi a descoberta que mudou a conta. Um “ouvido” melhor entende o aluno apesar do sotaque — e o erro desaparece. O sensor precisa ser pior que o modelo para o filtro funcionar. Confirmado cinco vezes, com modelos diferentes.
O que foi medido
- Custo por 100 áudios: R$ 2,29 → R$ 0,55 → R$ 0,30 → R$ 0,26, em três rodadas de otimização (triagem, reempacotamento do lote, confirmação em produção).
- Num dia típico: 181 feedbacks, 271 lotes, 41.651 áudios triados, zero erros, zero fail-open em três dias.
- Espera mediana na fila: 7 minutos, com três máquinas transcrevendo.
- O modelo em produção foi testado contra a família seguinte do fornecedor numa bancada de ouvido cego: a família nova foi reprovada e a produção ficou onde estava — decisão registrada, não opinião.
O que o cliente não precisou fazer
Trocar de plataforma, instalar nada no computador das professoras ou aprender uma ferramenta nova. O sistema é uma página.