Público-alvo: Este artigo destina-se a responsáveis técnicos de produto em empresas de edtech, editoras e distribuidores importadores que avaliam a experiência de voz multi-turno numa caneta de leitura SmartReadingPen OEM/ODM — especificamente se uma caneta consegue manter uma conversa coerente durante pelo menos 5 turnos sem perder o contexto, e como as escolhas de gestão de diálogo se traduzem em resultados na sala de aula e no custo unitário.
Uma caneta de leitura já não é um dispositivo de "tocar e ouvir" pontual. No firmware da Q6, Q8 e T2 (3.3.1 / 3.3.1 / 2.6.4, respetivamente), um aprendiz pode dizer:
"O que significa fotossíntese?" → a caneta define o conceito. "Podes dar-me um exemplo?" → a caneta lê uma frase contextual do livro atual. "Testa-me sobre isso" → a caneta constrói uma pergunta de escolha múltipla. "Torna mais fácil" → a caneta muda para vocabulário do 4.º ano. "Lê a resposta em voz alta" → a caneta reproduz em TTS a opção correta.
Cinco turnos, quatro mudanças de contexto, um estado de diálogo persistente. Se o gestor de diálogo estiver mal afinado, a caneta responde ao terceiro turno como se fosse o primeiro. Se estiver bem afinado, a mesma caneta justifica um prémio de retalho de 35% face a concorrentes de turno único.
Este é o brief de engenharia sobre a nossa stack de gestão de diálogo — o rastreador de estado, a rede de política, as regras de fallback e os critérios de aceitação exatos que entregamos a um piloto de um distrito escolar.
1. Por que a Gestão de Diálogo é Diferente da NLU
A classificação de intenção NLU decide o que o utilizador disse. A gestão de diálogo decide o que o sistema deve fazer a seguir, considerando (a) a saída atual da NLU, (b) os turnos anteriores, (c) o estado do dispositivo (livro atual, idioma atual, ano de escolaridade atual) e (d) o perfil do utilizador (nível de leitura, flag de adaptação para dislexia).
Um gestor de diálogo para caneta de leitura tem de correr totalmente no dispositivo. Existem três razões:
- Latência. Uma conversa de 5 turnos encaminhada para a nuvem adiciona 250–600 ms por turno aos 200 ms de latência da NLU, ultrapassando o teto de 350 ms.
- Privacidade. A voz de menores não pode ser transmitida para uma nuvem de terceiros ao abrigo do COPPA, do GDPR-K, da PIPL e da LGPD sem consentimento explícito e verificável.
- Resiliência offline. Uma implementação escolar de 12.000 unidades numa escola pública brasileira não pode depender do Wi-Fi da sala de aula.
2. A Arquitetura de Diálogo em Três Camadas
O nosso firmware executa um gestor de diálogo em camadas que designamos RDM-DM (Reading-pen Dialogue Manager):
| Camada | Função | Tamanho na NAND | Latência (Q8) |
|---|---|---|---|
| Dialogue State Tracker (DST) | Mantém um estado de crença sobre 24 slots de diálogo | 3,4 MB INT8 | 14 ms |
| Policy Network | Mapeia estado → ação do sistema | 4,1 MB INT8 | 11 ms |
| Response Generator | Seleciona template de TTS ou constrói SQL | 0 (templates) | 6 ms |
O DST é um encoder BERT-small recorrente com uma rede de apontamento ao nível do slot. A política é um Transformer de 2 camadas treinada com Proximal Policy Optimization sobre 84.000 diálogos simulados mais 6.200 diálogos recolhidos por humanos da mesma coorte de crianças descrita no nosso brief de NLU.
3. O Estado de Crença de 24 Slots
O DST mantém uma distribuição de probabilidade sobre 24 slots de diálogo. Doze deles são independentes do conteúdo (por ex., current_grade, voice_speed, tts_voice, language_pair); doze são vinculados ao conteúdo (por ex., current_book_id, capítulo atual, id_da_palavra_atual, pontuação_do_questionário_sessão).
| Grupo de slots | Slots de exemplo | Persistência |
|---|---|---|
| Perfil do utilizador | faixa_etária_utilizador, indicador_dislexia, voz_preferida |
30 dias |
| Estado da sessão | livro_atual, página_atual, última_intenção |
sessão |
| Estado do questionário | questionário_ativo, pontuação_questionário, sequência_questionário |
sessão |
| Definições | velocidade_voz, tom_voz, formato_tts |
90 dias |
| Cache de conteúdo | última_definição, último_exemplo, última_palavra |
5 turnos |
Um estado de crença é atualizado a cada turno com 0,91 de precisão média das posições nas 12 localizações, medida como 1 − pontuação Brier média nas 24 posições. O DST também realiza resolução de elipse ("lê mais devagar" herda o tts_speed anterior e atualiza-o) e resolução de correferência ("e aquele?" aponta para last_word).
4. Rede de Política e Espaço de Ações
A rede de política produz uma distribuição sobre 38 ações de sistema, incluindo:
ler_palavra,ler_frase,ler_páginaconsultar_dicionário,traduzir_para,próxima_pergunta,repetir_perguntadefinir_velocidade,definir_voz,definir_nível,definir_idiomaabrir_livro,página_seguinte,página_anterior,fechar_livroclarify_ask_back,clarify_offer_options,fallback_help
A ação com a maior probabilidade posterior é despachada, sujeita a um filtro rígido de segurança que bloqueia qualquer ação que modifique o PIN do controlo parental, desative os sinalizadores COPPA ou altere a região do firmware sem autenticação.
A política é treinada com uma recompensa personalizada que combina:
- Sucesso da tarefa (+1,0 se o objetivo do utilizador for alcançado em 5 turnos)
- Eficiência de turnos (−0,05 por turno além do mínimo necessário)
- Penalidade de latência (−0,001 por ms acima de 250 ms)
- Bónus de segurança (+0,2 se nenhuma regra de segurança for acionada)
Esta recompensa é calculada sobre os 84.000 diálogos simulados gerados por um simulador de utilizador que imita uma criança de 6 anos, 9 anos e 12 anos, cada uma com três perfis de ruído (sem ruído, ruído de sala de aula, ruído doméstico).
5. Coerência Multi-Turno em Ambiente Real
Em mais de 47.000 unidades enviadas desde 2023, medimos a coerência multi-turno como a fração de diálogos em que o sistema resolve corretamente pelo menos uma elipse ou referência em 5 turnos. O número móvel de 12 meses é de 89,4% em en-US, 86,2% em zh-CN, 84,7% em de-DE.
6. Recuperação de Falhas e Estratégias de Clarificação
Um agente conversacional que não consegue recuperar de um mal-entendido é inútil numa sala de aula. A nossa política inclui uma cascata de clarificação em 3 níveis:
- Confirmação implícita — repetir o pedido do utilizador ("Quer que eu lido mais devagar, certo?") e prosseguir.
- Clarificação explícita — fazer uma pergunta de desambiguação sim/não ("Quer dizer 'traduzir para espanhol' ou 'traduzir para francês'?")
- Fallback aberto — oferecer um menu top-3 de intenções prováveis lidas em voz alta ("Posso ler esta palavra, traduzi-la, ou fazer um quiz. Qual prefere?")
A cascata é acionada por um limiar de confiança na saída da política: implícita se p ≥ 0,65, explícita se 0,40 ≤ p < 0,65, fallback aberto se p < 0,40. Nas nossas 12 localizações, a taxa de fallback é em média 4,1% dos turnos, com a taxa mais alta em de-DE (6,8%) devido à ambiguidade dos substantivos compostos.
Dica para o comprador: Quando solicitar uma amostra, grave pelo menos 20 diálogos multi-turno no ruído de sala de aula alvo e verifique quantas vezes a caneta pede clarificação. Uma taxa de clarificação acima de 8% frustrará crianças de 7 anos e aumentará as devoluções.
7. Pegada no Dispositivo e Impacto na Bateria
O gestor de diálogo completo — DST, política e templates — adiciona 7,5 MB à imagem do firmware. A quantização INT8 é obrigatória; FP32 elevaria o orçamento de NAND do Q8 de 256 MB para 312 MB e exigiria uma nova revisão da placa. O diálogo multi-turno contínuo na latência nominal P95 (38 ms) consome 31 mW da célula de 1.000 mAh do Q8, o que é desprezável comparado aos 480 mW de potência de reprodução TTS. Uma sessão de conversa de 30 minutos consome aproximadamente 6% da bateria, mantendo intacta a janela nominal de 7,0 h de reprodução áudio para leitura normal.
8. Personalização sem cloud
Cada caneta guarda um perfil de utilizador em NAND encriptada (AES-128-XTS), com chave derivada do número de série do dispositivo. O perfil armazena:
- Nível de leitura (detetado automaticamente pela precisão nos quizzes, intervalo K–12)
- Sinalizador de adaptação para dislexia (definido pelo encarregado de educação na app complementar)
- Voz e velocidade preferidas (atualizadas quando o utilizador emite
set_speed3 ou mais vezes) - Registo de sessões dos últimos 30 dias (últimas 200 interações de diálogo, com hash local)
Os perfis nunca são carregados sem consentimento parental explícito e assinado. O comportamento predefinido é exclusivamente local. Este é um compromisso contratual ao abrigo do nosso dossier de conformidade com o RGPD e é replicado na funcionalidade controlos parentais COPPA.
9. Percurso de personalização OEM para editoras e marcas
Uma co-branding com editora ou uma marca de brinquedos educativos costuma pretender modelos de diálogo com marca: «Olá, sou o Capitão Cometa da Galaxy Books. O que queres explorar?» Opções de personalização:
| Personalização | NRE único | Royalty por unidade |
|---|---|---|
| Saudação com marca (1 voz, 1 idioma) | 1 200 $ | 0 $ |
Intent personalizado (por ex., open_publisher_activity) |
2 400 $ | 0,04 $ |
| Fluxo de diálogo personalizado (até 8 interações) | 8 500 $ | 0,08 $ |
| Voz com marca (TTS personalizado, ver TC-136) | a partir de 18 000 $ | 0,25 $ |
Estes valores são cotados como parte de um contrato-quadro de canetas de leitura por atacado com MOQ de 3 000 unidades para moldes personalizados e 5 000 unidades para marca própria. O prazo desde o arranque até à produção em massa é de 75 dias para um fluxo de diálogo personalizado, incluindo 14 dias de piloto em sala de aula e 7 dias de testes red-team.
10. O que verificar antes de assinar
Cinco verificações de engenharia incontornáveis para qualquer fornecedor de canetas de leitura que afirme ter «IA conversacional»:
- IA totalmente no dispositivo? Exija um teste de corte de rede durante o piloto. Se o diálogo parar, dependia da cloud.
- Métrica de coerência multi-turno. Peça o número de coerência a 5 turnos por localidade num conjunto de teste held-out de pelo menos 1 000 diálogos. Abaixo de 80% não está pronto para sala de aula.
- Latência sob carga. Meça a latência P95 numa Q6 ou Q8 com TTS em segundo plano. Acima de 350 ms, as crianças perdem a paciência.
- Taxa de fallback. Abaixo de 5% em en-US, abaixo de 7% na localidade mais fraca.
- Portabilidade do perfil. Pode uma criança mover o seu perfil para uma nova caneta através da app complementar, ou o perfil está bloqueado ao dispositivo? Para distritos escolares com frotas de dispositivos partilhados, a resposta é importante.
Leitura relacionada
- Caneta de leitura — Classificação de intenções NLU e preenchimento de slots
- Caneta de leitura — Deteção de wake-word e escuta sempre ativa
- Caneta de leitura — Reconhecimento automático de voz (ASR)
- Caneta de leitura — Motor de tradução offline e precisão
- Caso de uso da caneta de leitura — História para dormir em família
- Caso de uso da caneta de leitura — Co-brand com editora
11. Capacidade de produção e historial da fábrica
O módulo de gestão de diálogo — DST, rede de políticas, modelos de resposta e o perfil de utilizador encriptado — está integrado em todas as imagens de firmware das canetas de leitura SmartReadingPen OEM/ODM flashed nas nossas linhas de produção em Shenzhen Longhua e Dongguan Houjie. Ambas as linhas operam sob ISO 9001 e ISO 14001 certificações e implementam a disciplina de controlo de processo IATF 16949-style adaptada à eletrónica de consumo. O débito diário médio é de 6,800 finished units por dia, com um pico de turno de 11,400 units durante a campanha de regresso às aulas de setembro de 2025. O módulo de diálogo de 7.5 MB reside numa partição de firmware assinada, verificada por SHA-256 contra o manifesto em cada arranque a frio; uma verificação falhada força a caneta a entrar em modo de recuperação, que reflasha a partir da imagem golden no plano NAND secundário. Os SKUs B1, B2, F8, K7, KF1, L5, P2, Q6, Q8, T2 e Y6 são enviados com chaves AES-128-XTS por dispositivo, fundidas durante a estação FCT, para que o estado de crença de cada utilizador esteja vinculado a uma chave única não exportável. O yield de primeira passagem em produção em massa situa-se em média nos 98.6% ao nível AQL II (Crítico 0, Major 1.0, Minor 2.5). O calendário de produção pode ser reservado com 75 days de antecedência face à data de envio solicitada para SKUs standard e com 105 days para moldes personalizados ou fluxos de diálogo com marca. Para reservar uma janela de produção ou para request a sample dialogue flow preview, a nossa equipa de gestão de programa responde no prazo de um dia útil.
12. Cobertura de certificações em 47 países
Cada caneta equipada com o gestor de diálogo é acompanhada de um portfólio de certificações adequado ao mercado de destino: CE (RED/EMC/LVD), FCC Part 15, UKCA, EN 71-1/2/3, ASTM F963, CPSIA/CPC, RoHS, REACH, PSE (Japão), KC (Coreia), GCC/SFDA (Arábia Saudita), SNI (Indonésia), NOM (México), INMETRO (Brasil), RCM (Austrália/NZ), NRCS LOA (África do Sul) e ESMA/TIS (EAU/Tailândia). O transporte de baterias é assegurado pelas certificações UN38.3 e IEC 62133 com MSDS documentação; a proteção de dados está documentada para GDPR, COPPA, PIPL, LGPD, Thailand PDPA, e California Prop 65. O próprio gestor de diálogo não transmite áudio nem estado de crença para fora do dispositivo, o que constitui o maior trunfo de conformidade para ciclos de aquisição de distritos escolares que exigem evidências verificáveis de minimização de dados COPPA e GDPR-K. Para novas jurisdições fora da atual presença em 47 países, é produzido um novo dossiê ao custo de $1,800 por localidade com um prazo de entrega de 15 dias úteis; pacotes de dossiês em volume para implementações multi-país são orçamentados através do formulário request-a-quote.
13. Preços OEM e Referência de Prazos
O gestor de diálogo está incluído no pacote de firmware padrão ao preço de fábrica de $3,80–$14,50 por unidade nos 11 SKUs de produção. Faixas por tier: P2 (500 mAh) de entrada na faixa baixa, B1/B2/F8/K7/KF1 gama média a $5,40–$8,60, L5/P2/Q6 gama média a $7,20–$10,40, e Q8/T2/Y6 premium a $11,80–$14,50 com NAND e bateria maiores. Saudações personalizadas com marca custam $1.200 NRE sem royalties, intenções personalizadas $2.400 NRE mais $0,04 por unidade, fluxos de diálogo personalizados de 8 turnos $8.500 NRE mais $0,08 por unidade, e uma voz personalizada totalmente clonada (associada ao nosso pipeline de prosódia) começa em 18 000 USD de NRE com uma royalty de 0,25 USD por unidade. Escalões de MOQ: 500 unidades para stock neutro, 1 000 para cor personalizada, 3 000 para logótipo serigrafado personalizado, 5 000 para private label completo com embalagem para retalho. O prazo de entrega padrão é de 75 dias desde a encomenda até à saída da fábrica, com opções aceleradas de 45 dias disponíveis mediante uma taxa de expedição de 12% para encomendas acima de 10 000 unidades. As condições de pagamento são T/T 30/70, L/C à vista, OA para clientes recorrentes e PayPal para encomendas de amostras.
14. Métricas de Validação Interna a partir de 47 000+ Unidades Enviadas
Após mais de 47 000 unidades implementadas em 47 países desde 2023, o gestor de diálogo registou 2,4 milhões de sessões de diálogo e 11,4 milhões de turnos individuais. A ação mais frequentemente despachada é tts_read_word (38,2% dos turnos), seguida por translate_to (22,7%), dict_lookup (14,1%), quiz_next (9,4%), set_speed (5,8%) e book_next_page (4,3%). Os restantes 5,5% distribuem-se por 32 ações menos frequentes, incluindo clarify_ask_back, fallback_help, e pair_device. A duração média da sessão é de 6.2 turnos e a duração do percentil 95 é de 11.4 turnos. O abandono de sessão (turnos que terminam sem uma ação explícita de stop ou close_book) é de 3.8%, sobretudo devido à recolha física da caneta por um dos pais ou irmão a meio do diálogo. O contrato-quadro de wholesale reading pensmaster agreement abrange 86 versões de firmware até à data nos 11 SKU, com o seguinte mapa de versões atual: B1/B2 em 2.4.7, F8 em 3.1.2, K7/KF1 em 1.9.5, L5 em 4.2.0, P2 em 2.0.3, Q6/Q8 em 3.3.1, e T2/Y6 em 2.6.4.
15. Conclusões para o Comprador de Engenharia
Cinco regras práticas para a aquisição de gestores de diálogo OEM/ODM:
- Realizar sempre um piloto de 30 dispositivos / 14 dias antes da PO-quadro. Os dados do piloto capturam a taxa real de fallback (4,1% de base en-US) e o valor real de coerência no seu conjunto de conteúdos.
- Especificar o número máximo de turnos por sessão no arranque. Por defeito, usamos 12 turnos antes do reset do estado de crenças; sessões mais longas acarretam risco de desvio de slots.
- Bloquear o copy do template com a equipa editorial antes do lock do firmware. Uma alteração de template após o firmware 3.x custa 0,08 $ por unidade para reenviar via OTA a todos os dispositivos no terreno.
- Reservar 5 dias úteis para a revisão das regras de segurança com a nossa equipa de compliance. As regras de PIN parental, flag COPPA e region-lock são inegociáveis e não podem ser desativadas a pedido do OEM.
- Planear uma coorte canário de 5% para o primeiro rollout OTA de qualquer alteração ao fluxo de diálogo. O canário identifica regressões de política antes de chegarem a toda a frota.