Imagens de IA de voz e ditafone inline no TAMSIV

A v1.3.2 é a versão mais ambiciosa que publiquei no TAMSIV. Duas funcionalidades principais, uma migração técnica delicada e uma mudança de filosofia na relação entre voz e conteúdo visual.

Na superfície, é simples: você fala, a IA gera uma imagem, que é anexada à sua tarefa. Por baixo, é um pipeline que encadeia speech-to-text, análise contextual por LLM, geração de imagem, upload para o Supabase Storage e exibição com URL assinada. Além de um gravador de voz que passa de uma sobreposição de tela cheia para um componente inline integrado na parte inferior da tela. E como bônus, uma migração de gesture handler que me fez percorrer cada arquivo do projeto em busca de importações viciosas.

Pontos chave

• As imagens de IA são geradas diretamente da voz: o LLM analisa o contexto da tarefa para criar um prompt otimizado, sem intervenção do usuário.
• O gravador de voz inline substitui a sobreposição de tela cheia, com transcrição exibida antes do fim do TTS para uma sensação de reatividade imediata.
• A migração do gesture handler corrigiu um bug invisível no iOS, mas que bloqueava no Android em modo de lançamento.
• A opção "skip TTS" permite um ganho duplo: tempo de resposta dividido e custos de API reduzidos para usuários que não precisam da resposta de voz.

Como funciona a geração de imagens de IA diretamente da voz?

A ideia nasceu de uma observação simples: uma tarefa com uma imagem é imediatamente mais envolvente do que uma tarefa apenas com texto. Pesquisas em psicologia cognitiva confirmam isso: de acordo com um estudo de John Medina (Brain Rules), o cérebro processa imagens 60.000 vezes mais rápido que o texto. Se você puder associar um visual relevante a cada tarefa, você aumenta a retenção e a motivação.

O problema é que ninguém vai procurar uma imagem manualmente para cada tarefa. Precisava ser automático, contextual e acionado pela voz. Aqui está o pipeline completo:

1. O usuário fala: "Crie uma tarefa para preparar a apresentação do cliente com uma imagem".
2. STT nativo transcreve a voz em texto, como descrito em meu artigo sobre STT nativo vs Deepgram.
3. O LLM analisa o contexto: título da tarefa, descrição, tags existentes.
4. O LLM gera um prompt otimizado para o modelo de imagem, em inglês, com detalhes de estilo e composição.
5. O provedor de imagem (Runware ou Gemini) gera o visual.
6. Upload para o Supabase Storage, criação de um registro em privat.task_attachments com o tipo ai_generated.
7. Exibição imediata via URL assinada.

Eu detalhei a escolha entre os provedores de imagem no artigo dedicado à geração de imagens de IA. A v1.3.2 integrou este pipeline diretamente no fluxo de voz, tornando-o acessível sem qualquer atrito.

Por que o LLM escreve o prompt em vez do usuário?

Pedir a um usuário para escrever um bom prompt de imagem é como pedir a alguém para falar fluentemente uma língua que nunca aprendeu. Os modelos de geração de imagem são sensíveis à formulação: a ordem das palavras, os modificadores de estilo, os termos técnicos como "cinematic lighting" ou "shallow depth of field" fazem uma diferença enorme no resultado.

A solução é elegante: o LLM conversacional, que já entende o contexto da discussão, torna-se um tradutor entre a intenção humana e a linguagem técnica do modelo de imagem. O usuário diz "uma imagem de apresentação profissional", o LLM traduz para "professional business presentation slides on a modern desk, clean corporate environment, soft directional lighting, photorealistic, 4K detail".

É o mesmo princípio que aplico em toda a arquitetura do TAMSIV: a IA deve fazer o trabalho cognitivo que o usuário não deveria ter que fazer. Eu mencionei isso no artigo sobre personalização de voz: inteligência não é apenas entender as palavras. É entender a intenção por trás das palavras.

Como o gravador de voz inline muda a experiência do usuário?

Antes da v1.3.2, o gravador de voz abria uma sobreposição de tela cheia. Você pressionava o microfone, tudo desaparecia em favor de uma interface dedicada à conversa. Era funcional, mas quebrava o contexto. Você não via mais sua lista de tarefas, não via mais onde estava.

O gravador de voz inline muda o jogo. Ele se integra diretamente na parte inferior da tela, como um teclado. Você ainda vê seu conteúdo acima. A transcrição do texto aparece em tempo real enquanto você fala. E, acima de tudo, o texto transcrito é exibido antes do fim da geração do TTS.

Por que isso é importante? De acordo com estudos do Nielsen Norman Group sobre tempos de resposta, 1 segundo é o limite para manter o fluxo de pensamento do usuário. Além disso, ele começa a sentir um atraso. Ao exibir a transcrição imediatamente enquanto o áudio é gerado em paralelo, enganamos a percepção: o usuário vê que a IA entendeu, mesmo que a resposta de áudio ainda não esteja pronta.

Esta é uma técnica bem conhecida em UX: o modelo RAIL do Google recomenda exatamente isso. Responder visualmente em menos de 100ms para que a interação pareça instantânea, mesmo que o processamento completo leve mais tempo.

O que a opção "skip TTS" oferece na prática?

Nem todos os usuários precisam ouvir a resposta da IA. Alguns estão em um ambiente barulhento. Outros querem apenas ler a transcrição. Outros ainda usam o TAMSIV no modo silencioso por hábito.

A opção "skip TTS" permite desativar a síntese de voz da resposta. O ganho é duplo:

• Tempo de resposta: sem esperar a geração e o download do áudio TTS, a resposta é exibida quase instantaneamente.
• Custos de API: cada chamada TTS tem um custo (OpenAI cobra por caractere). Em milhares de interações diárias, isso se soma rapidamente.

É também uma questão de acessibilidade. Algumas pessoas preferem ler a ouvir. Outras têm restrições auditivas. Ao oferecer a escolha, respeitamos as preferências de cada um. É o mesmo espírito do design do gravador de voz original: a voz é um canal, não uma obrigação.

Por que a migração do gesture handler era tão crítica?

É o tipo de bug que te faz duvidar da sua sanidade mental. Tudo funciona em debug. Tudo funciona no iOS. Você muda para o modo de lançamento no Android: o componente não responde mais ao toque. Nenhum erro nos logs. Nenhuma falha. Simplesmente não funciona.

O culpado: importações de TouchableOpacity, FlatList e ScrollView vindas de react-native em vez de react-native-gesture-handler, usadas dentro de GestureDetector. A documentação do React Native Gesture Handler é clara: em um GestureDetector, todos os componentes táteis devem vir da biblioteca gesture handler, não do React Native padrão.

O bug era vicioso por três razões:

1. Invisível em debug: a ponte JavaScript do React Native no modo debug lida com eventos táteis de forma diferente do modo de lançamento com Hermes.
2. Invisível no iOS: o UIKit e o sistema de cadeia de resposta do iOS são mais tolerantes do que o sistema de gerenciamento de eventos do Android.
3. Nenhum erro explícito: nenhum aviso, nenhuma falha. O componente é exibido, tem o estilo correto, mas o toque não aciona nada.

A correção exigiu percorrer cada arquivo do projeto. Não um grep rápido, porque algumas importações estavam misturadas: o TouchableOpacity vinha do gesture handler, mas o ScrollView no mesmo arquivo vinha do React Native. Acabei estabelecendo uma regra estrita para o desenvolvimento futuro, que aplico até hoje.

Como garantir o desempenho com essas novas funcionalidades?

Adicionar funcionalidades é fácil. Adicionar funcionalidades sem degradar o desempenho é uma arte. A v1.3.2 introduz um pipeline de imagem e um gravador de voz inline, dois componentes potencialmente pesados. Aqui estão as otimizações implementadas.

Primeiro, zero re-renderizações desnecessárias. O gravador de voz inline usa React.memo e callbacks estáveis para evitar acionar re-renderizações na lista de tarefas acima. Cada animação passa por useNativeDriver: true para rodar na thread nativa, não na thread JavaScript.

Em seguida, a limpeza agressiva. O AudioPlayerService implementa um tempo limite de segurança de 30 segundos. Se um áudio não terminar dentro desse tempo (problema de rede, arquivo corrompido), o serviço força a limpeza. Sem isso, os recursos de áudio se acumulam na memória. Eu já havia detalhado a arquitetura desse serviço no artigo sobre o pipeline de voz.

Finalmente, as imagens geradas são carregadas com lazy loading com um placeholder borrado. A imagem só é baixada quando o cartão da tarefa está visível na tela. Em um feed de 50 tarefas, isso significa potencialmente 50 imagens que não são carregadas desnecessariamente. É o tipo de otimização que impacta diretamente o egress do Supabase que eu havia trabalhado para reduzir.

Qual é o impacto da v1.3.2 no uso diário?

A mudança mais notável é a fluidez. Antes da v1.3.2, usar o TAMSIV era funcional, mas um pouco rígido. Depois, tornou-se natural. Você fala, vê sua tarefa ser criada com uma imagem, e continua seu dia. O gravador de voz inline não te tira mais do seu contexto.

Os feedbacks dos testadores alfa confirmaram a intuição. O gravador de voz inline foi unanimemente preferido à sobreposição. A imagem de IA tornou-se a funcionalidade mais usada depois da criação básica de tarefas. E, acima de tudo, a correção do gesture handler resolveu uma dúzia de relatos de "botões que não funcionam" que não conseguíamos reproduzir em debug.

Esta é a versão que fez o TAMSIV passar de "funciona" para "é agradável". E em build in public, é um marco tão importante quanto o primeiro commit. Eu mencionei isso no balanço aos 650 commits: a qualidade percebida faz a diferença entre um aplicativo que você experimenta e um aplicativo que você mantém.

Perguntas Frequentes

É possível gerar imagens de IA para memorandos também?

Atualmente, a geração de imagens de IA está disponível para tarefas. O mecanismo usa a tabela privat.task_attachments com o tipo ai_generated. A extensão para memorandos está planejada e é tecnicamente simples, já que a tabela privat.memo_attachments já existe com a mesma estrutura.

O gravador de voz inline funciona em segundo plano?

Não. O gravador de voz requer que o aplicativo esteja em primeiro plano para a captura de áudio e a exibição da transcrição em tempo real. É uma escolha deliberada: o reconhecimento de voz nativo do dispositivo é otimizado para o primeiro plano, e a exibição imediata da transcrição é a chave da experiência.

A opção skip TTS é permanente ou por conversa?

É uma configuração permanente armazenada no perfil do usuário. Uma vez ativada, todas as conversas futuras serão apenas em modo de texto. Você pode reativá-la a qualquer momento nas configurações.

O bug do gesture handler ainda afeta o aplicativo?

Não. A migração foi completa e uma regra de desenvolvimento estrita foi implementada: qualquer componente tátil dentro de um GestureDetector deve obrigatoriamente usar as importações de react-native-gesture-handler. Isso é verificado em cada revisão de código.

Quanto custa a geração de uma imagem de IA?

Com o provedor Runware (HiDream-I1-Fast), cerca de 0,003 euros por imagem. Com Gemini 2.5 Flash Image, um pouco mais. Os custos são controlados por cotas por plano de assinatura: o plano Free não tem acesso, o Pro tem uma cota diária, o Team tem uma cota mais alta.