Resposta curta: áudio ajuda a vender quando o cliente começou em áudio, quando a resposta é uma explicação (como usar, qual escolher, o que esperar da entrega) e quando a conversa já está aberta. Atrapalha quando o que importa precisa ser lido: link, cupom, preço para comparar, endereço, número do pedido. A regra que funciona é simples: responda em voz a quem mandou voz, fale curto e mande por escrito, logo depois do áudio, tudo o que o cliente vai precisar copiar ou clicar.
O que o áudio faz numa conversa de venda
Áudio muda o tom da conversa. Uma resposta falada soa como uma pessoa da loja, não como um formulário. Isso pesa em três situações:
- O cliente mandou áudio. Ele escolheu falar. Responder em texto um áudio de 40 segundos com uma dúvida detalhada esfria a conversa.
- A resposta é uma explicação. "Qual dos dois sérums é melhor para pele oleosa?" se explica melhor falando do que numa lista de tópicos.
- O cliente está inseguro. Dúvida sobre prazo, troca ou tamanho se resolve com tom de voz, e o tom é o que o texto perde.
E muda o ritmo, para pior, em outras:
- Quando tem link ou código. Ninguém copia um cupom de um áudio. Um link falado não é clicável.
- Quando a pessoa quer comparar. Preço, medidas e prazo lado a lado se leem num relance e se ouvem com esforço.
- Quando o áudio é longo. Um minuto de voz para dizer o que cabia em duas linhas cansa.
Quando responder em áudio, passo a passo
1. Responda em voz a quem mandou voz
É o critério mais seguro. Quem escreveu em texto está num lugar ou num momento em que prefere ler, e uma resposta em áudio obriga a pessoa a parar para ouvir. Quem mandou áudio já está nesse modo.
2. Mostre que ouviu antes de responder
Entre o áudio do cliente e a resposta, existe um tempo de silêncio: alguém precisa ouvir, entender e responder. Um sinal de que a mensagem chegou e está sendo ouvida evita que o cliente mande um "?" ou desista. No WhatsApp, uma reação na própria mensagem faz isso sem acrescentar uma bolha na conversa.
3. Fale o conteúdo e escreva o que precisa ser lido
Separe a resposta em duas partes:
- No áudio: a explicação, o tom, a recomendação. Escrita para ser ouvida: frases curtas, sem ler link nem código.
- No texto, logo depois: o link do produto, o código do cupom, o endereço, o número do pedido. Copiados sem mudar uma letra.
Em vez de ler o link, o áudio avisa que ele está ali embaixo:
Esse é o mais indicado pra pele oleosa, ele tem textura leve e não deixa brilho. Te mandei o link aqui embaixo, e o cupom de primeira compra também.
Link:
{{link_do_produto}}· Cupom:{{cupom}}
Quando a resposta termina numa pergunta com opções (tamanho P, M ou G, por exemplo), repita a pergunta por escrito, com as opções. Botão não se prende a um áudio.
4. Fale curto
Defina um teto para a fala e respeite. Na ztgrowth, o padrão é 30 segundos. Se a resposta não cabe no teto, ela é longa demais para áudio: mande em texto, ou divida em uma fala curta e um texto com os detalhes.
5. Uma voz só, a da marca
Se cada atendente grava com o próprio jeito, a marca soa diferente a cada conversa. Defina como a voz da marca fala: o nome do personagem, o ritmo, como pronuncia o nome dos produtos, as expressões que usa e as que evita. É o equivalente falado do manual de tom de voz.
6. Áudio ativo só com a conversa aberta
Uma mensagem de áudio é mensagem livre. Ela só pode sair dentro da janela de 24 horas, que abre quando o cliente escreve e dura 24 horas desde a última mensagem dele. Fora da janela, só sai template aprovado pela Meta. Áudio funciona num passo de jornada logo depois de uma resposta do cliente, não num disparo frio para a base.
E a mensagem livre tem custo: desde 1º de outubro de 2026, a Meta cobra cada uma pelo preço de utilidade do país do cliente, depois de uma franquia mensal de 1.000 por número. A tabela vigente está na página de preços da Meta.
Quando o áudio atrapalha
| Situação | Melhor em áudio | Melhor em texto |
|---|---|---|
| O cliente mandou áudio com uma dúvida | ✔ | |
| O cliente escreveu em texto | ✔ | |
| Explicar como usar ou qual escolher | ✔ | |
| Mandar link, cupom ou número de pedido | ✔ (sempre por escrito, mesmo depois de um áudio) | |
| Comparar preço, medida ou prazo | ✔ | |
| Perguntar com opções para escolher | ✔ (os botões precisam de texto) | |
| Disparo para quem não falou com a loja nas últimas 24 horas | ✔ (só template) |
Erros comuns
- Ler o link em voz alta. Ninguém consegue usar. O link vai por escrito, sempre.
- Áudio de um minuto para uma resposta de duas linhas. Quem pediu o prazo de entrega quer o prazo, não um discurso.
- Responder em áudio quem escreveu em texto. A pessoa escolheu ler. Respeite o canal que ela escolheu.
- Cupom só no áudio. O cliente precisa copiar o código. Se ele só existe na fala, não vira venda.
- Uma voz diferente a cada conversa. A marca perde a cara que levou tempo para construir.
- Silêncio depois do áudio do cliente. Sem sinal de que a mensagem chegou, ele manda de novo ou desiste.
- Áudio como disparo. Fora da janela de 24 horas, mensagem livre não sai.
Como a ztgrowth faz
A ztgrowth já transcreve o áudio do cliente e agora também responde em voz. Na prática:
- O agente ouve. Quando o cliente manda áudio, o agente reage com 👂 na própria mensagem, mostra que está digitando e responde a partir da transcrição. Se a conversa está com um atendente humano, a reação não sai: quem responde é o operador. Se a transcrição falhar, o agente pede para o cliente mandar em texto.
- Voz da marca em áudio. A loja escolhe uma voz em português da biblioteca, ou clona a voz de um locutor com o termo assinado por ele, e define o personagem, o ritmo, a emoção, o estilo falado, a pronúncia dos nomes e as expressões a usar e a evitar. A duração máxima de cada fala é de 30 segundos por padrão, até 1 minuto.
- O agente responde em voz a quem mandou voz. A resposta é a mesma que o agente escreveria, reescrita para ser falada, sem acrescentar oferta, preço ou promessa. Link, cupom, endereço e número de pedido vão por escrito logo depois do áudio, e a pergunta com opções também, para os botões saírem.
- Texto quando o áudio não cabe. Se a fala passa da duração máxima ou a voz falha, a resposta sai em texto, como sempre, e o motivo fica registrado para a equipe ver.
- Passo Áudio na jornada. No Dynamic Engagement, o passo Enviar ganhou o tipo Áudio: uma nota de voz na voz da marca, com variáveis, só dentro da janela de conversa aberta. Com a janela fechada, o passo é pulado.
- Atendente também grava. Na Inbox, o atendente pode gravar uma nota de voz dentro da janela de conversa. Antes de sair, ela é transcrita: gravação sem fala é recusada em vez de chegar vazia ao cliente, e a transcrição fica no histórico, que o agente lê depois.
O anúncio da resposta em voz está em o agente da ztgrowth agora responde em áudio. Para ver o agente inteiro, veja Agente de IA.
Perguntas frequentes
Mensagem de áudio vende mais que texto no WhatsApp?
Não existe uma resposta para todas as conversas. Áudio ajuda quando o cliente mandou áudio e quando a resposta é uma explicação. Texto vence quando o cliente precisa ler, copiar ou clicar. O melhor é combinar: a fala no áudio e o link no texto logo depois.
Posso mandar áudio numa campanha para a base?
Não como primeira mensagem. Áudio é mensagem livre e só sai dentro da janela de 24 horas depois da última mensagem do cliente. Para quem não falou com a loja nesse período, a campanha precisa de um template aprovado.
Qual o tamanho ideal de um áudio de venda?
Curto. Na ztgrowth, a fala da voz da marca tem 30 segundos por padrão. Se a resposta não cabe nisso, ela provavelmente é melhor em texto.
O agente de IA entende áudio?
Sim. Na ztgrowth, o áudio do cliente é transcrito, e o agente responde a partir do que foi dito. Se a transcrição falhar, ele pede para o cliente mandar em texto.
A resposta em áudio tem custo da Meta?
Sim. A resposta dentro da janela de 24 horas é mensagem livre, cobrada desde outubro de 2026 pelo preço de utilidade, depois da franquia mensal de 1.000 mensagens por número.
Quer o agente respondendo em voz, com a voz da sua marca? Fale com a gente.