Pular para o conteúdo

Agente de voz com n8n, ElevenLabs ou Vapi: montar ou usar plataforma?

Como montar um agente de voz com n8n, ElevenLabs, Vapi, Retell ou Gemini: o que cada peça faz, como cobram, o que falta construir em volta e quando uma plataforma pronta compensa.

Cofundador da Tolky

Atualizado em 20 de novembro de 2026

12 min de leitura
Agente de voz com n8n, ElevenLabs ou Vapi: montar ou usar plataforma?

TL;DR

Um agente de voz com n8n quase sempre usa outra ferramenta para a parte de áudio: ElevenLabs Agents, Vapi, Retell ou um modelo em tempo real como o Gemini Live cuidam da fala, e o n8n orquestra os sistemas em volta. Montar dá controle total; uma plataforma pronta entrega número, WhatsApp, CRM, transferência para pessoas e painel ao vivo sem você construir cada peça.

Compartilhar

Quem já montou um agente de texto no n8n costuma querer o passo seguinte: o mesmo agente atendendo o telefone. A busca leva a ElevenLabs, Vapi, Retell, Synthflow e Gemini, e aparece a dúvida de verdade: montar tudo sozinho ou usar uma plataforma pronta?

Este guia é para quem é técnico ou trabalha em agência: o que cada peça faz, como cada ferramenta cobra, o que falta construir em volta e quando cada caminho é o certo, inclusive quando a resposta não é a Tolky.

Atualizado em novembro de 2026.

O que é um agente de voz montado com n8n, ElevenLabs ou Vapi?

Um agente de voz montado é a combinação de uma plataforma de voz, que ouve e fala na ligação, com um orquestrador como o n8n, que busca dados e registra o resultado nos seus sistemas. Cada parte vem de um fornecedor diferente, e você liga as pontas.

A parte de áudio repete três etapas a cada fala: transcrever a voz em texto (STT), decidir a resposta com um modelo de linguagem e gerar a voz (TTS). Tudo precisa ser rápido, porque latência alta faz a pessoa achar que a ligação caiu.

Se o conceito ainda é novo, comece pelo guia de IA de voz no atendimento. Aqui o foco é a montagem.

O que cada ferramenta faz?

O n8n orquestra fluxos; ElevenLabs Agents, Vapi, Retell e Synthflow são plataformas de agente de voz; o Gemini Live é um modelo de voz em tempo real; e a telefonia vem de um provedor SIP ou de uma conta como a Twilio. Os fatos abaixo foram conferidos na documentação oficial de cada uma em 20 de novembro de 2026.

n8n: o orquestrador

O n8n se descreve como uma ferramenta de automação de fluxos com licença fair-code que combina recursos de IA com automação de processos (documentação do n8n). A seção de IA trata de LLMs, agentes, ferramentas, memória e servidores MCP, mas não de áudio em tempo real.

Por isso, num agente de voz o n8n fica atrás da plataforma de voz: recebe um webhook durante a ligação para consultar a agenda ou o pedido, e outro no fim para gravar a transcrição. O passo a passo de texto está em agente de IA para WhatsApp com n8n.

ElevenLabs Agents

A visão geral do ElevenLabs Agents diz que a plataforma coordena quatro componentes: um modelo de fala para texto, o modelo de linguagem que você escolher, um modelo de texto para fala de baixa latência e um modelo próprio de troca de turnos. Também lista tronco SIP, integração nativa com a Twilio e ligações ativas em lote.

A integração com WhatsApp cobre mensagens, áudios e ligações recebidas e feitas, e a ligação feita pela empresa exige a permissão do usuário, pedida por template. Na página de preços da API, a cobrança é por minuto, com minutos incluídos por faixa, e os modelos em tempo real aparecem com o uso do LLM somado.

Vapi, Retell e Synthflow

A Vapi se apresenta como plataforma para desenvolvedores criarem agentes de voz: cada assistente junta transcritor, modelo e voz, escolhidos entre dezenas de provedores. Pela página de preços, há uma taxa de hospedagem por minuto, os provedores são repassados sem margem e a operadora de telefonia cobra à parte.

A Retell se define como plataforma para criar, testar, publicar e monitorar agentes de voz e chat, com ligações por número, tronco SIP ou web, e API. Os preços são por minuto, separados em motor de voz, LLM, síntese de voz e telefonia. Já a Synthflow se descreve como plataforma de IA conversacional para empresas, com construtor visual e APIs, vendida em contrato anual, sem tarifa por minuto nem plano grátis.

Gemini Live e os modelos em tempo real

A Live API do Gemini oferece conversa por voz em tempo real e de baixa latência, permite que o usuário interrompa o modelo a qualquer momento, fala em 70 idiomas e chama funções. A página não descreve telefonia própria: a ligação entra por integrações de parceiros. Quem busca "agente de voz Gemini" escolhe o modelo e ainda precisa do resto.

FerramentaPapel no agente de vozComo cobra (página oficial, 20/11/2026)
n8nOrquestra fluxos, webhooks e integraçõesNão trata de áudio; o custo de voz vem da outra peça
ElevenLabs AgentsPlataforma de agente de voz, com WhatsApp, SIP e TwilioPor minuto, com minutos incluídos; LLM somado em alguns modelos
VapiPlataforma de voz para desenvolvedoresTaxa por minuto mais provedores repassados; telefonia à parte
RetellPlataforma de agentes de voz e chatPor minuto, por componente (voz, LLM, TTS, telefonia)
SynthflowPlataforma de voz para empresasContrato anual, sem tarifa por minuto
Gemini Live APIModelo de voz em tempo realUso da API do Google; telefonia por parceiros

O que você precisa construir em volta do agente de voz?

A plataforma de voz resolve a conversa; quase todo o resto, do número ao histórico do cliente, fica por sua conta quando você monta. É aqui que a maioria dos orçamentos erra.

  • Número e telefonia. Comprar ou portar números, configurar o tronco SIP, definir qual agente atende cada número.
  • WhatsApp. As ligações pela Calling API exigem conta oficial e, para a empresa ligar, a permissão do contato, segundo a documentação da Meta (conferida em 20 de novembro de 2026).
  • CRM e histórico. A transcrição precisa cair no cadastro do cliente, junto das conversas de texto, senão a equipe atende às cegas.
  • Transferência para pessoa. Regras de handoff, fila de atendentes e o que fazer quando o responsável não atende.
  • Painel ao vivo. Ver as ligações em andamento, ouvir e entrar no áudio.
  • Lista de não ligar. No Brasil, o Não Me Perturbe permite bloquear o telemarketing das operadoras e instituições financeiras participantes; além dele, sua própria lista precisa valer para todas as campanhas.
  • LGPD e suporte. Voz e transcrição são dados pessoais: a Lei nº 13.709/2018 pede finalidade informada, mínimo necessário e transparência (art. 6º). E alguém precisa responder em português quando algo cai às 19:00 de uma sexta.

Cada item é um fluxo, uma tela ou um contrato a mais.

Montar ou usar uma plataforma pronta?

Montar dá controle de cada provedor e do código; uma plataforma pronta troca parte desse controle por um sistema que já vem com canais, CRM, transferência e painel. A tabela resume onde cada caminho pesa.

CritérioMontar (n8n + plataforma de voz)Plataforma pronta de atendimento
Escolha de STT, LLM e vozTotal, troca quando quiserDentro das opções da plataforma
Tempo até a primeira ligaçãoRápido para uma demo, longo para produçãoConfiguração, sem código de integração
Número, WhatsApp e siteVocê integra cada canalJá integrados
Histórico e CRMFluxo próprio para gravarTranscrição no histórico do contato
Transferência e operador na linhaVocê constrói a regra e a filaRecurso nativo
Campanhas ativas e lista de não ligarVocê monta discador, horários e listaRecurso nativo, quando a plataforma oferece
CustoSoma de várias faturas, em dólar em várias delasUma fatura, mas com menos liberdade de provedor
Suporte em portuguêsVaria por ferramentaConfira na demonstração

A mesma discussão, para agentes de texto, está em n8n ou plataforma para agências.

Quando montar é o caminho certo?

Montar com n8n e uma plataforma de voz é a melhor escolha quando o agente de voz é o produto, quando você precisa controlar cada provedor ou quando o caso é muito específico. Nesses cenários, Vapi, Retell, ElevenLabs Agents ou o Gemini Live são ferramentas excelentes, e forçar uma plataforma pronta seria um erro.

  • Você vende voz. Uma agência ou SaaS que embute voz no próprio produto precisa de API, SDK e liberdade de provedor, o público que a Vapi e a Retell descrevem.
  • Você precisa de um provedor específico. Uma voz de marca ou um modelo próprio pedem uma plataforma que deixa trocar cada peça.
  • O caso é estreito. Um robô que só confirma presença e grava o resultado numa planilha pode ser mais simples montado.
  • Há equipe para manter. Montar é barato no primeiro mês e caro no décimo segundo se ninguém cuidar dos fluxos.

A Synthflow, vendida em contrato anual, tende a servir operações grandes que querem um fornecedor de voz dedicado.

Quando uma plataforma pronta faz mais sentido?

Uma plataforma pronta compensa quando a voz é mais um canal do atendimento ou das vendas, e o que importa é o cliente resolvido, não a pilha técnica. Nesse caso, o que sobra ao montar (CRM, transferência, painel, campanhas) vira o projeto inteiro.

Sinais de que você está construindo uma plataforma sem querer

  • O fluxo que grava transcrições já tem mais nós que o agente.
  • A equipe quer ouvir ligações ao vivo e você está desenhando uma tela.
  • O cliente quer campanhas ativas com horários e lista de não ligar.
  • Chegam várias faturas e ninguém sabe o custo por ligação resolvida.

Se dois ou mais aparecem, compare antes de escrever o próximo fluxo. O guia como escolher uma plataforma de IA de voz traz o checklist para a demonstração.

Erros comuns de quem monta o agente de voz

O erro mais comum é testar uma demo de cinco minutos no navegador e orçar produção com base nela. A ligação real tem ruído, sotaque, interrupções e sistemas lentos.

  1. Medir só o preço por minuto. Telefonia, LLM, voz e hospedagem vêm separados; some tudo e divida pelas ligações resolvidas.
  2. Esquecer a interrupção. Sem barge-in bem ajustado, o cliente fala por cima e a IA continua a frase.
  3. Webhooks lentos. Se o n8n leva segundos para responder durante a ligação, a pausa aparece na conversa.
  4. Sem saída para pessoa. Toda ligação precisa de uma rota de transferência, com o motivo e a transcrição. Veja as regras de handoff entre IA e humano.
  5. Dados espalhados. Transcrição, contato e áudio em ferramentas diferentes dificultam cumprir a LGPD.

Onde a Tolky entra

A Tolky é um AI CRM conversacional em que o mesmo agente atende por texto e por voz, com o Atendimento por Voz cobrindo WhatsApp, telefonia e voz no site, sob ativação. Você configura, não integra.

  • Canais. Ligações pelo WhatsApp, pela telefonia (cada número com o seu agente) e pela voz no site.
  • Conversa. Voz e sotaque regional com prévia, saudação, interrupção permitida e dois modos: cascata ou tempo real.
  • Pessoas na linha. A equipe acompanha as ligações ao vivo e pode ouvir; quando o operador entra no áudio, a IA fica em silêncio. Se o responsável não atende, a chamada toca para outros operadores.
  • Histórico. A transcrição em tempo real fica no histórico do contato, junto das conversas de texto, no mesmo CRM.
  • Integrações. Quem já tem fluxos no n8n continua usando: há API REST, webhooks, requisição HTTP, ferramentas MCP e mais de 1.000 apps no nó Integração dos Fluxos (integrações).

Para ligar para a base, as Campanhas por Voz seguem um roteiro gerado por IA, com faixas de horário, lista de não ligar e teto diário de gasto.

Captura real da tela Conversas da Tolky, com a lista de conversas do WhatsApp de vários contatos, filtros por período e a área de leitura da conversa à direita

O que a Tolky não é: ferramenta de clonagem ou locução, nem uma pilha para montar um produto de voz próprio. Se o objetivo é esse, com controle de cada provedor de STT, LLM e TTS, Vapi, Retell ou ElevenLabs Agents tendem a servir melhor.

Perguntas frequentes

Dá para fazer um agente de voz só com o n8n?

Não de forma prática. O n8n orquestra fluxos e agentes, mas sua documentação de IA não trata de áudio em tempo real. Para a ligação, você precisa de uma plataforma de voz ou de um modelo em tempo real, e o n8n fica com as integrações.

ElevenLabs Agents atende ligações pelo WhatsApp?

Sim. Segundo a documentação da ElevenLabs conferida em 20 de novembro de 2026, a integração com WhatsApp cobre mensagens, áudios e ligações recebidas e feitas. Para a empresa ligar, o usuário precisa dar permissão, pedida por template.

Qual a diferença entre Vapi e Retell?

As duas são plataformas de agente de voz com API e cobrança por minuto. A Vapi enfatiza a escolha de provedores, com os custos deles repassados; a Retell separa a cobrança por componente e também oferece agentes de chat.

Montar um agente de voz sai mais barato que usar uma plataforma?

No primeiro teste, quase sempre. Em produção, depende do que falta construir em volta. Compare pelo custo por ligação resolvida, incluindo as horas de manutenção.

A Tolky integra com o n8n?

Sim, por API REST, webhooks e requisição HTTP: um fluxo do n8n pode enviar e receber dados da plataforma. Os Fluxos da Tolky também importam o JSON de um fluxo do n8n para revisão, com ressalvas nos passos sem equivalente.


Conclusão

Montar um agente de voz com n8n e ElevenLabs, Vapi, Retell ou Gemini é o caminho certo quando a voz é o seu produto e há equipe para manter. Quando a voz é mais um canal do atendimento ou das vendas, uma plataforma pronta evita construir número, WhatsApp, CRM, transferência e painel do zero. Faça a conta pelo custo por ligação resolvida.

Conheça o Atendimento por Voz, veja as Campanhas por Voz, veja os planos ou fale com o time →. Vamos conversar?

Compartilhar

Tags

  • agente de voz n8n
  • agente de voz elevenlabs
  • agente de voz vapi
  • retell ai
  • synthflow
  • agente de voz gemini
  • ia de voz
  • #CRM conversacional

Sobre o autor

Cofundador da Tolky

Marlos Carmo é empreendedor em IA e fundador da Tolky, a infraestrutura e AI CRM da era conversacional que unifica atendimento inteligente, multicanalidade (como WhatsApp e voz), CRM vivo e inteligência operacional em um único ecossistema. É finalista do SXSW Innovation Awards e integrante do Francesco's Economy, rede global de jovens empreendedores com foco em inovação e impacto social. Atua conectando Inteligência Artificial e transformação digital em projetos para grandes organizações.

Próximo passo

Quer levar isso para a sua operação?

A Tati, assistente de IA da Tolky, entende o seu cenário em poucas perguntas, sugere o melhor caminho e te conecta com uma pessoa do time levando todo o contexto.

Compartilhar

Leia também sobre CRM conversacional e AI CRM