Como uma caixa de som inteligente sabe que você a chamou?

Kohaku
KohakuÉ só chamar o nome, e a caixa de som inteligente responde na hora. Como ela percebe?
A resposta em 30 segundos
KohakuLá dentro, ela está atenta apenas ao padrão de som da palavra de ativação.

Dentro de uma caixa de som inteligente funciona um pequeno sistema que procura apenas o padrão de som da palavra de ativação, comparando-o com o que o microfone ouve. Só quando decide que há correspondência ele envia a fala seguinte a um servidor pela internet, que confere a palavra de ativação de novo antes de ouvir com detalhe.

Kohaku
KohakuAgora, vamos ver isso com mais detalhes.
Uma caixa de som inteligente pequena e redonda, coberta de tecido
Uma caixa de som inteligente pequena, com botões na parte de cima.Foto: Samuel Wiki / CC0 / Wikimedia Commons

Ele só procura o padrão da palavra de ativação

Segundo a Amazon, os aparelhos Echo usam uma tecnologia chamada “detecção de palavras-chave”, que compara os sons ouvidos com o padrão de som da palavra de ativação. Conversas, água correndo e canto de pássaros passam como água por uma peneira, e só quando a palavra de ativação fica “presa” o som é enviado para a nuvem e conferido de novo. O Google também explica que, enquanto espera, o aparelho verifica trechos curtos de som de alguns segundos, e se não encontrar a palavra de ativação, esse som não é enviado nem salvo.

Figura: Como ela percebe que você chamou
Corte de uma caixa inteligente: um chip compara a voz com a forma da palavra de ativação; se não combina some, e só se combinar a fala vai ao servidor na nuvem
  1. 1A voz que chama
  2. 2A peça interna que compara os sons com a forma da palavra de ativação
  3. 3Os sons que não combinam não são enviados e simplesmente somem
  4. 4Só quando combina, o que se fala depois é enviado ao servidor

Transformar o som em números e uma pontuação

A explicação do “Hey Siri” publicada pela Apple em 2017 mostra o que acontece por dentro. O microfone transforma o som em números 16000 vezes por segundo, que são divididos em características de som de cerca de 0,01 segundo. Cerca de 20 delas por vez, ou seja, 0,2 segundo, entram em um sistema de cálculo chamado rede neural profunda, que dá números para o quanto o som se parece com cada um dos sons de “Hey Siri”. Esses números são somados na ordem do tempo para formar uma pontuação, e se ela passar de uma linha definida (um limiar), a Siri é ativada.

Um sistema pequeno e um grande, em duas etapas

Também há truques para poupar bateria. No iPhone, um pequeno processador auxiliar que está sempre ligado fica ouvindo com um modelo pequeno. Quando a pontuação passa, o processador principal acorda e confere de novo com um modelo maior. Por fim, o reconhecedor de voz principal no servidor ouve mais uma vez e, se ouvir outra coisa, como “Hey Seriously”, cancela.

Figura: Como o iPhone confere o “Hey Siri”
Processador auxiliarum modelo pequenosempre ouvindoProcessador principalse a pontuação passa,confere com um maiorServidoro reconhecedor principalouve mais uma vez
Kohaku
KohakuUm sistema pequeno fica ouvindo e um maior confere. Um plano que também poupa a bateria.

Sons parecidos podem confundir

Mesmo assim, um som parecido às vezes ativa o aparelho por engano. A Amazon dá o exemplo de uma pequena chance de “Lexus” em uma conversa ser confundido com a palavra de ativação. Se alguém da família tem um nome parecido, dá para trocar a palavra de ativação por “Echo”, “Amazon”, “Computer” ou “Ziggy”. Quando começa a ouvir, uma luz acende no aparelho, então dá para saber quando ele está ouvindo.

Quer saber mais?

  • A Apple tem um sistema de “segunda chance”: se a pontuação fica um pouco abaixo do limiar, o aparelho fica mais sensível por alguns segundos, e repetir a frase ativa a Siri.
  • Como o Apple Watch tem uma bateria pequena, o detector de “Hey Siri” só funciona quando você levanta o pulso e a tela acende.
  • Segundo a explicação de 2017, no iPhone você primeiro se cadastra dizendo 5 frases que começam com “Hey Siri”, e o aparelho também confere se a voz é parecida com a cadastrada, o que diminui as reações à voz de outras pessoas.
Kohaku
KohakuEla espera só o som da palavra de ativação e envia sua voz quando há correspondência. É assim que ela percebe que você chamou.

Quiz rápido: teste-se

KohakuLembra do que acabou de ler? Tente!

Enquanto espera, o que o aparelho faz?

Mostrar a resposta
  1. Grava todas as conversas
  2. Procura o som da palavra
  3. Fica totalmente desligado

Procura o som da palavra O aparelho compara os sons que ouve com o padrão da palavra de ativação e só envia sua voz a um servidor quando há correspondência.

Fontes
  1. How Alexa works: Wake wordAmazon
  2. Hey Siri: An On-device DNN-powered Voice Trigger for Apple’s Personal AssistantApple Machine Learning Research
  3. Data security and privacy on devices that work with AssistantGoogle Nest Help

Este artigo foi escrito após verificar as fontes acima em 2026-10-03. As explicações podem mudar conforme a pesquisa avança. Os créditos das fotos são mostrados abaixo de cada foto.

Próxima curiosidade ▶

TecnologiaPor que a câmera do celular tira fotos claras no escuro?A rua está escura, mas a foto do celular sai clara. Não é curioso?