Pergunta clássica de AI / LLM Engineering em processo gringo. Não decore palavra por palavra: entenda a estrutura da resposta e refaça com as suas palavras, em inglês.
Voice in: STT (speech-to-text, e.g. Whisper) transcribes audio → the text goes through your normal LLM pipeline. Voice out: TTS.
Images in: vision-capable models take the image directly in the prompt — "read this receipt" = image + instruction, then structured output to extract the fields.
The architecture point: multimodal inputs become tokens EARLY; everything downstream (RAG, tools, evals) stays the same pipeline.
Ler é fácil. Falar isso em inglês, sob pressão, com alguém avaliando, é outra história. No VagaGringa esse tópico vira flashcard com repetição espaçada, cai em quiz e entra no simulado.
Treinar este tópico no app