VIX:assistente de voz para rotinas de escritório

Você fala, um modelo planeja, o código preenche. Um personagem 3D que vive na área de trabalho e preenche um formulário web campo a campo, na sua frente.

Assistir ao vídeo

Trecho do vídeo, sem som

Papel: Autor, da concepção à validação, com agentes de IA escrevendo o código
Período: ago e out/2026
Situação: em andamento

LLMs e agentes
Gemini Live API
Gemini (saída estruturada)
Playwright
Python
Node.js
Electron
Three.js
C#

Compreensão simples

O problema

Todo dia, quem trabalha em várias frentes precisa lançar as horas num formulário: o dia, como ele foi e, para cada trecho de trabalho, a hora de começo, a de fim, códigos escolhidos em listas com centenas de opções e uma descrição do que foi feito.

No fim de um dia cansativo, a pessoa já não lembra direito o que fez de manhã. Preenche de memória e resume demais. Quem confere as horas depois recebe um registro curto e não entende o que foi feito.

O que faz

Escuta quando você pede
Você aperta uma tecla e conta o seu dia do seu jeito, como contaria a um colega.
Preenche na sua frente
Ele abre o formulário numa janela só dele e preenche campo por campo. Dá para ver cada letra entrando.
Pergunta o que falta
Faltou um horário, ou o código que você disse não existe? Ele pergunta em voz alta, em vez de adivinhar.
Só envia quando você manda
No fim, ele pergunta “Quer que eu envie?” e só envia quando você diz “pode enviar”.

Na tela

No comercial do VIX, o mesmo jeito num pedido de férias, com dados inventados.

O VIX, um robô de capacete com rosto de tela, em três estados lado a lado. — Ouvindo, pensando e falando. O rosto e a luz mostram o que ele está fazendo. Render do personagem.

A bolha sobre o VIX mostra a frase que ele está ouvindo, e o botão do microfone está aceso. — **1. Ouve.** O que ele já entendeu aparece enquanto você fala. Quadro do comercial, com dados inventados.

Uma solicitação de férias com três campos preenchidos e o VIX preenchendo o campo Fim. — **2. Preenche.** Campo a campo, letra a letra, à vista. Quadro do comercial, com dados inventados.

O campo de aprovação está vazio e marcado, e a bolha do VIX pergunta quem aprova. — **3. Pergunta.** Falta um dado obrigatório? Ele pergunta, em vez de adivinhar. Quadro do comercial, com dados inventados.

O formulário completo e a bolha do VIX perguntando se pode enviar. — **4. Confirma.** Tudo preenchido, ele pergunta antes de enviar e só envia com “pode enviar”. Quadro do comercial, com dados inventados.

Toque fora da imagem para fechar.

O que muda

Antes: 7,2 s
Depois: 4,3 s

Por frase, do fim da fala até o formulário preenchido: antes e depois dos ajustes, nos testes com dados inventados.

Lançar o dia passa a ser uma conversa curta, em vez de procurar códigos em listas longas no fim do expediente.

Quem confere as horas recebe o dia completo, com o que a pessoa contou, e não um resumo apressado.

E o mesmo jeito pode servir para qualquer formulário repetitivo do dia a dia: a pessoa fala, ele preenche à vista e pergunta o que falta.

Compreensão técnica

Problema, otimização e resultado

Problema: Lançamento diário de horas num formulário web: por dia, a situação e vários blocos de atividade, cada um com início, fim, centro de custo, ordem de serviço e atividade escolhidos em listas longas, e uma descrição. No fim do dia, o registro sai resumido e difícil de conferir.
Otimização: Fala por tecla, transcrição ao vivo e um plano em JSON por fala: o modelo planeja. Um executor em código, com três travas, preenche à vista pelo Playwright e relê a tela antes de responder: o código age.
Resultado: Numa cópia local do formulário, com dados inventados: o plano começa 0,57 s depois do fim da fala (eram 3,55 s), uma fala completa leva 4,3 s até o formulário preenchido, e 19 de 19 cenários passaram por texto. Medido em 15 e 19/10/2026.

A anatomia de uma fala

Do fim da sua fala ao formulário preenchido, na escala do tempo. Cada marca abre como foi medido.

0 s1 s2 s3 s4 s

19 de 19cenários de conversa aprovados, cada um conferido campo a campo na tela e no banco de teste.

0,32 s

Mediana do fim da fala até o texto pronto, em 68 falas; o pior caso foi 0,7 s. Numa cópia local de teste do formulário, com dados inventados e falas sintetizadas, em 15/10/2026.

0,57 s

Mediana do fim da fala até o começo do plano, em 65 falas; 58 delas abaixo de 1 s.

antes da transcrição ao vivo: 3,1 s e 3,55 s

A mesma bateria, mandando o áudio inteiro depois da fala: 3,1 s até o texto e 3,55 s até o plano. A transcrição ao vivo cortou a espera do texto em cerca de dez vezes.

4,3 s

Mediana de uma fala completa, até o formulário preenchido: 12 turnos em 19/10/2026, de 1,4 a 13,6 s. Em 15/10, antes dos ajustes, eram 7,2 s.

19 de 19

Por texto, em 15/10/2026, e mais 5 de 5 dos recursos de 19/10. Cada cenário é um roteiro de falas: contar o dia, copiar o anterior, corrigir, perguntar o que falta e enviar com ordem.

O que o VIX faz hoje

Ouve quando você manda. Uma tecla de atalho (F9), em qualquer programa, ou um clique nele. A fala termina com a mesma tecla ou com 2 segundos de silêncio.
Entende enquanto você fala. O texto aparece na bolha antes de você terminar.
Preenche à vista. Numa janela de navegador só dele, com cliques e teclas, como uma pessoa faria.
Pergunta em vez de adivinhar. Falta um horário, um código não existe, falta quem autorizou: ele pergunta e sugere os mais parecidos.
Só envia com ordem. Depois de preencher, pergunta “Quer que eu envie?” e só envia com “pode enviar”.
Lembra o dia inteiro. Você conta as demandas aos poucos (“Anotado: reunião sobre o projeto.”) e, no fim, “fecha o dia” monta um rascunho com os horários do computador e pergunta “Lanço assim?”.
Corrige e copia. “Igual a ontem” copia o dia anterior e ajusta só o que você disse; “corrige: cheguei às oito e meia” muda o que já foi lançado; “o que falta lançar?” lista os dias em aberto.

Ele responde em voz alta e por escrito, na bolha sobre a cabeça.

Na tela

Toque fora da imagem para fechar.

Como funciona

Seis etapas, da tecla à tela. O modelo planeja; o código age.

Tecla
F9 em qualquer programa; o VIX aparece sem roubar o foco.
C#
Captura
O microfone sai em pedaços de 100 ms.
Electron
Transcrição
Ao vivo, enquanto você fala.
Gemini Live0,32 s
Plano
Uma chamada por fala devolve um plano em JSON.
Gemini0,57 s
Executor
Confere as regras e as travas. A palavra final é do código.
Node.js
Navegador
Clica e digita à vista; depois lê a tela de volta.
Playwright4,3 s

O modelo não chama ferramentas livremente. A cada fala, ele devolve um plano com campos fixos: o que fazer, em que dia, de onde copiar, os blocos com só o que foi dito e, se faltar algo, a pergunta. O plano ao lado é uma forma simplificada, com dados inventados.

Depois de agir, o VIX lê a tela e só então conta o que fez. Ele não tem como dizer que fez o que não fez.

{
  "acao": "preencher",
  "data": "2026-10-14",
  "copiar_de": "anterior",
  "blocos": [
    { "indice": 0, "inicio": "08:00", "fim": "12:00" }
  ],
  "pergunta": "",
  "fala": "Lancei a manhã de ontem."
}

Decisões

A escolhaEm vez deCusto aceito

O modelo planeja, o código age

Em vez de: Deixar o modelo chamar ferramentas livremente.

Custo aceito: Cada tipo de formulário pede o seu esquema e o seu executor.

Três travas, em código

Em vez de: Confiar que o modelo pede confirmação.

Custo aceito: Uma fala a mais a cada envio: ler sempre, escrever com ordem, enviar com “pode enviar”.

Tecla em vez de palavra de ativação

Em vez de: Microfone aberto o dia inteiro, esperando o nome dele.

Custo aceito: Um gesto a mais; em troca, ele nunca abre o microfone sozinho.

Transcrever enquanto a pessoa fala

Em vez de: Mandar o áudio inteiro no fim: 3,1 s só para ter o texto.

Custo aceito: Uma conexão aberta durante a fala; o texto sai em 0,32 s.

Corrida entre modelos

Em vez de: Esperar sempre o modelo mais forte.

Custo aceito: Às vezes fica a resposta do modelo leve, que entra se o forte não responde em 3 s.

Um navegador só dele, à vista

Em vez de: Controlar o mouse e o teclado do computador.

Custo aceito: Escopo mais estreito; cada passo fica visível e nada interfere no que você faz.

Como foi construído

ago
O personagem
Um robô 3D feito todo em código, em Three.js, sem modelos prontos, com seis estados e uma boca de equalizador movida pela voz.
14/10
Entender o formulário
Antes de escrever código, mapear os campos, as regras e o que cada escolha abre ou exige.
15/10
O primeiro ciclo inteiro
Uma cópia local do formulário com dados inventados, a tecla, o plano, o preenchimento e a bateria de cenários. No mesmo dia, a transcrição ao vivo: de 3,1 s para 0,32 s.
16/10
O jeito de usar
O microfone que nunca abre sozinho, os 2 s de silêncio, a memória do dia e uma demanda por linha.
19/10
Fechar o dia
“Fecha o dia”, “o que falta lançar” e os horários do computador como rascunho. Mais 5 de 5 cenários novos.

Trabalhei com agentes de IA de código: eu definia o comportamento, as regras e os critérios de aceite, eles escreviam o código, e as baterias de cenários diziam se a mudança ficava.

Limites

O esquema do plano, as regras e o executor são deste formulário de lançamento de horas; cada formulário novo pede a sua descrição.
Os números vêm de uma cópia local do formulário, com dados inventados e falas sintetizadas; a próxima bateria leva fala real e ruído de escritório.

Hoje e a seguir

Hoje

O VIX preenche o formulário web de lançamento de horas, na janela de navegador dele. A transcrição e o planejamento usam um serviço de IA em nuvem: a fala e um resumo da tela vão para esse serviço; a senha, nunca.

A seguir

Um executor por configuração: um formulário novo descrito num arquivo, sem código novo. A planilha de banco de horas do vídeo é a primeira candidata.
Mais vozes nas baterias, com fala real e ruído de escritório.
Cronometrar o mesmo dia lançado à mão e por voz.

Código escrito por agentes de IA, sob a direção do autor.

As telas das imagens e do vídeo foram feitas para o comercial, com nomes e dados inventados.

Próximo projeto da visitaOrquestra Studio