Pedido por áudio no WhatsApp: como não perder a venda

O cliente aperta o microfone e manda quarenta segundos de pedido. No balcão alguém para o que estava fazendo, aperta o play, volta duas vezes e digita tudo na mão.

Um pedido por áudio não precisa ser redigitado. A mensagem de voz pode virar texto e já entrar como pedido, com item, quantidade e observação. O cuidado está na conferência: a transcrição troca nome de produto, escreve quantidade por extenso e junta duas frases numa só. Confira quantidade, variação e endereço antes de imprimir a comanda.

O que faz o cliente mandar áudio

A mensagem de voz deixou de ser exceção. Na edição de 2026 da pesquisa WhatsApp no Brasil, da Opinion Box, o áudio apareceu como a funcionalidade mais usada do aplicativo, com 80%. O texto caiu para 57%. Foram 1.000 brasileiros entrevistados em julho de 2026, com margem de 3 pontos.

E o canal é um só. O Super Panorama da Mobile Time e da Opinion Box, de junho de 2026, mediu o WhatsApp na tela inicial de 64,8% dos smartphones do país. Entre quem usa, 97% abrem o aplicativo todo dia ou quase todo dia. A amostra foi de 4.138 pessoas, ouvidas em março de 2026.

Falar é mais rápido para o cliente. Para a loja, é o contrário. Quarenta segundos de áudio custam uns dois minutos de balcão: play, pausa, volta, digita, confere. No pico da sexta, esse é o tempo que a próxima conversa fica parada esperando resposta.

Tem um detalhe que o balcão sente e ninguém mede. O áudio chega no mesmo número em que chega todo o resto. Se o atendimento é dividido entre duas ou três pessoas, o risco cresce: quem abriu a conversa ouviu o áudio, quem assumiu depois só vê o texto que o colega digitou. Esse problema de turno está detalhado em WhatsApp compartilhado no delivery.

O que a fala faz com o pedido

A transcrição de um pedido por áudio quase sempre acerta a frase. Ela erra a unidade. Quem fala não diz "2 litros", diz "dois litro". Quem escreve, digita o número.

Nenhuma linha dessa tabela é erro do cliente. É o que acontece quando a fala vira caractere. E cada uma delas quebra o casamento com o cardápio, porque "dois litro" não é o nome de nenhum produto cadastrado.

O "xis" é o melhor exemplo. No Sul, "me vê dois xis" é o jeito normal de pedir um lanche. Escrito, viram duas letras soltas, que não casam com item nenhum. Num cardápio de lanchonete a palavra certa é lanche, e aí o cliente recebe a lista para escolher.

Os cinco erros que o áudio cria no balcão

Cinco coisas quebram um pedido por áudio no balcão, e nenhuma delas é culpa do cliente.

1. Quantidade por extenso. "Duas latas" e "dois litro" entram como texto. Sem virar número, somem da conta do pedido.
2. Nome pela sonoridade. O cliente fala "xis tudo" e o cardápio tem "Xtudo". A loja reconhece na hora, o texto cru não.
3. Cacoete de fala. "Eu tô querendo três", "o que que tem no combo", "né". Fala real é cheia disso, e nada disso é item de pedido.
4. Duas frases numa só. Um áudio de um minuto costuma trazer pedido, endereço e forma de pagamento sem nenhuma pausa. Lido rápido, um dos três fica para trás.
5. Pedido com escolha pendente. O cliente fala "uma pizza grande" e não diz o sabor. No texto fica parecendo pedido completo, e a pergunta nunca é feita.

O erro 5 é o mais caro, porque não parece erro. Vale cruzar com o que o item aceita de variação: sabor, tamanho, borda e adicional pago estão explicados em adicionais no cardápio.

O que acontece com o áudio que não dá para usar

Nem todo pedido por áudio dá para aproveitar. Áudio tem limite: acima de dois minutos a transcrição fica longa, cara e cheia de buraco. Nesse caso o certo é avisar o cliente e pedir um áudio mais curto, ou o pedido por texto. Isso é melhor que montar um pedido pela metade.

Existem dois casos em que o texto chega pronto e ainda assim não serve. O primeiro é a fala impossível: ninguém conversa a quatro palavras por segundo, então um áudio de dez segundos com sessenta palavras tem texto inventado dentro. O segundo é o loop: com ruído forte, a transcrição trava e repete a mesma palavra dezenas de vezes.

Nos dois casos, agir sobre esse texto é pior que não agir. Já aconteceu aqui: num áudio real, com ruído, o lixo transcrito fez o atendimento tentar remover um item do carrinho. Sobre lixo não se decide nada, pede-se o áudio de novo.

O que conferir antes de imprimir a comanda

Para quem atende na mão, a rotina de um pedido por áudio cabe em cinco conferências:

• Quantidade. Cada número falado precisa aparecer como número no pedido.
• Variação do item. Sabor, tamanho, borda, ponto da carne. Se o áudio não disse, pergunte antes de fechar.
• Observação. "Sem cebola" é o que gera troca, entrega de novo e prejuízo.
• Bairro e endereço. Número e complemento falados são os campos de maior risco, e é o bairro que define a taxa.
• Forma de pagamento. Inclusive o troco, quando o cliente paga em dinheiro.

Uma vantagem do áudio: o original fica salvo na conversa. Diferente do pedido anotado no papel, dá para voltar e ouvir de novo quando o cliente reclama. Depois da conferência, o caminho é o de sempre, até a impressora térmica da cozinha.

O próprio WhatsApp já transcreve mensagem de voz dentro do aplicativo, com o português entre os primeiros idiomas, desde novembro de 2024. Isso ajuda a ler sem apertar o play. Mas ler não é montar pedido: o texto continua precisando virar item, quantidade e endereço na mão de alguém.

O que o DelZap faz com a mensagem de voz

No DelZap, o pedido por áudio é transcrito e tratado como mensagem comum do atendimento com IA. Quatro coisas acontecem antes de qualquer resposta.

A transcrição usa os nomes do seu cardápio como dica de som. Isso é correção fonética, nunca invenção: item que não foi falado não entra. Depois, a quantidade falada vira número e unidade, pelos casos da tabela acima. Em seguida, os cacoetes saem: "eu tô querendo" vira "quero", o "né" e o "eh" caem fora. Por último, a transcrição impossível é descartada, e o cliente recebe um pedido para repetir mais devagar ou mandar por texto.

O texto transcrito fica guardado na conversa, do lado do áudio. Quem assume o atendimento depois lê o que o cliente disse, não a interpretação de um colega. O resto segue o fluxo normal: o pedido é montado, confirmado com o cliente e impresso na cozinha, como em qualquer atendimento no WhatsApp para delivery.

E tem o limite honesto. Áudio acima de dois minutos não é transcrito, e o cliente é avisado na hora. O arquivo continua na conversa para ser ouvido por uma pessoa.

O balcão que deixa de digitar

Um pedido por áudio não é um pedido pior. Ele é um pedido que chega em outro formato, e que precisa de uma etapa a mais antes de virar comanda. Quem faz essa etapa na mão paga em tempo de balcão, no horário em que o tempo é mais caro.

A conta é simples: vinte áudios num sábado, dois minutos cada, dão quarenta minutos de alguém parado ouvindo. Esse é o custo real do pedido por áudio quando ninguém cuida da transcrição.

Se o seu delivery recebe pedido por áudio todo dia, vale ver o DelZap atendendo um áudio de verdade. São 7 dias grátis, sem cartão, e o número do WhatsApp continua o mesmo.