O que é Texto para Fala (TTS)?

O ChatGPT em holandês fala com sotaque alemão (às vezes). Se for de propósito, é maldoso. Se não for, é fascinante.

De qualquer forma, é seguro dizer que assistentes de voz com IA evoluíram muito desde Sam da Microsoft. Na verdade, avançaram bastante desde que estudei tecnologia de fala há alguns anos.

E estou aqui para contar para você onde chegamos.

Mitologizamos sobre fala sintetizada pelo menos desde 1968, com a aparição do robô HAL em 2001: Uma Odisseia no Espaço.

Longe de ser algo prestigiado e futurista, tornou-se padrão: 89% dos consumidores condicionam sua escolha de dispositivo à presença ou não de suporte por voz.

Em outras palavras: “Não só me ajude; fale comigo”.

Neste artigo, vou falar sobre texto para fala – a conversão de texto em áudio falado. Vou explicar o que acontece nos bastidores e as diferentes formas de uso dessa tecnologia em vários setores.

O que é Texto para Fala?

TTS é o processo de converter texto em áudio falado sintetizado. As primeiras versões se baseavam em simular mecanicamente o trato vocal humano e juntar gravações de áudio. Hoje, sistemas TTS usam algoritmos de redes neurais profundas para entregar falas dinâmicas e naturais.

Existem diferentes modelos conforme o uso, como geração em tempo real para modelos conversacionais, expressão controlável e a capacidade de replicar uma voz.

Como funciona o Texto para Fala?

TTS tem 3 etapas principais: primeiro, o texto de entrada é processado para soletrar símbolos, expressões e abreviações. O texto processado passa então por redes neurais que o convertem em uma representação acústica (espectrograma). Por fim, essa representação é transformada em fala.

Como mencionei, pesquisadores já testaram várias abordagens para TTS. A que usamos atualmente (e que deve permanecer por um tempo) utiliza síntese de fala baseada em redes neurais.

Modelar as camadas de fenômenos linguísticos que influenciam uma fala – pronúncia, velocidade, entonação – é uma tarefa complexa.

Mesmo com as capacidades quase mágicas das redes neurais, um sistema TTS depende de vários componentes para se aproximar da fala humana.

É difícil definir uma pipeline exata; novas tecnologias surgem a todo momento, ameaçando tornar as anteriores obsoletas.

Há alguns componentes gerais que existem na maioria dos sistemas TTS de uma forma ou de outra.

1. Processamento de Texto

O processamento de texto é a etapa em que o sistema TTS determina quais palavras serão pronunciadas. Abreviações, datas e símbolos de moeda são escritos por extenso e a pontuação é eliminada.

Isso nem sempre é simples. “Dr.” significa doutor ou drive? E CAD? Dólar canadense ou desenho assistido por computador?

O processamento de linguagem natural (NLP) pode ser empregado no processamento de texto para ajudar a prever a interpretação correta com base no contexto. Ele avalia como o termo ambíguo (por exemplo, “Dr.”) se encaixa na frase como um todo; assim, na frase “Dr. Perron desaconselhou”, o NLP resolveria dr. como doutor.

2. Análise Linguística

Depois que o texto é processado, o modelo passa de “O que devo dizer?” para “Como devo dizer?”.

A análise linguística é a parte do TTS responsável por interpretar como uma frase deve ser dita em termos de tom, entonação e duração. Em outras palavras:

• Quanto tempo cada som, sílaba ou palavra deve ter de duração?
• A entonação deve subir? Descer?
• Qual palavra está sendo enfatizada?
• Como a variação de volume pode refletir a emoção pretendida?

Por que a Prosódia Importa

História rápida: trabalhei por um tempo como consultor para uma equipe que desenvolvia modelos de TTS. Ficou claro o quanto a prosódia pode tornar uma frase inteligível ou não. Vou mostrar o que quero dizer.

A seguir, três formas de dizer a frase “Uau, você esperava por isso?”

A primeira está ótima. A pausa depois de “Uau”, a inflexão ascendente na segunda sílaba de “esperava” (es-pe-RA-va). Nota 10.

A segunda quase transmite a ideia de pergunta ao subir o tom na última palavra (“... esperava ISSO”). Fora isso, o restante das sílabas tem praticamente o mesmo comprimento, sem variação de volume ou tom. Eu diria aos meus clientes para “voltar à prancheta”.

A última é um caso interessante: O “uau” está ótimo – alto, longo e com contorno descendente. A inflexão da pergunta acontece ao longo de “você esperava”, mantendo praticamente o mesmo tom.

Aqui é onde muitos sistemas TTS medianos param: simples, com uma entrega plausível. Mas não é assim que você diria – pelo menos na maioria dos contextos.

Em sistemas antigos, essas qualidades eram previstas por componentes separados: um modelo calculava a duração de cada som, outro mapeava como o tom deveria subir ou descer.

Hoje em dia, as coisas são mais indefinidas.

Redes neurais tendem a aprender esses padrões sozinhas, internalizando as sutilezas de grandes conjuntos de dados de treinamento.

3. Modelagem Acústica

A modelagem acústica é onde o texto normalizado (e as características linguísticas previstas, se houver) passam por uma rede neural que gera uma representação intermediária.

Espectrogramas e Representações de Fala

A representação intermediária geralmente é um espectrograma – a representação da frequência ao longo do tempo de um sinal de áudio – embora isso esteja mudando.

Veja a representação gerada por um modelo TTS a partir do texto “Uau, você esperava por isso?”:

‍

Essa imagem bidimensional tem, na verdade, 146 fatias verticais, cada uma com 80 frequências. As frequências mais fortes são mais claras, as mais fracas são escuras.

Veja como fica o 10º passo de tempo (ou coluna), girado 90 graus para a direita:

Você pode ver as frequências individuais e suas intensidades.

À primeira vista, o espectrograma pode não parecer muito, mas alguns fenômenos linguísticos claros estão presentes:

• Aquelas linhas bem definidas são vogais ou sons semelhantes a vogais, como /w/, /r/ e /l/.
• Manchas escuras representam silêncio. Podem ser pausas para pontuação.
• Agrupamentos de energia na parte superior representam ruídos, como os sons de /s/, /sh/ e /f/

Na verdade, se olhar com atenção, dá até para alinhar as palavras no espectrograma.

Espectrogramas, em suas várias formas, são representações amplamente usadas em tecnologia de fala porque são um excelente intermediário entre fala bruta e texto.

Duas gravações da mesma frase, ditas por pessoas diferentes, terão formas de onda bem distintas, mas espectrogramas muito parecidos.

4. Síntese de Áudio (Vocoding)

A etapa de síntese é onde o espectrograma é convertido em áudio.

A tecnologia que faz essa conversão é chamada de vocoder. São modelos de redes neurais treinados para reconstruir sinais de fala a partir de suas representações em espectrograma.

O motivo de separar a modelagem da representação e do sinal de fala em módulos diferentes é o controle: o primeiro foca em modelar com precisão a pronúncia e a entrega das palavras, enquanto o segundo trata do estilo e do realismo da fala.

Com um espectrograma, conseguimos diferenciar entre /s/ e /sh/, ou /ee/ (como em heat) e /ih/ (como em hit), mas o estilo e a personalidade vêm dos detalhes refinados produzidos pelo vocoder.

Aqui está uma comparação de combinações entre diferentes modelos acústicos e vocoders. Isso ilustra como pesquisadores combinam modelos acústicos e vocoders, e otimizam para o melhor resultado geral.

Mas, novamente, assim como nos outros componentes, estamos vendo os espectrogramas sendo deixados de lado em favor de modelos completos.

Quais são os casos de uso do TTS?

A capacidade de gerar fala dinâmica é uma ferramenta essencial em diversos setores.

Não se trata apenas de robôs sofisticados – essa tecnologia nos ajuda a alcançar eficiência, acessibilidade e segurança.

Chatbots e Assistentes de Voz

Você sabia que eu ia falar disso 😉

Entre entender seus comandos, atualizar listas de compras e marcar compromissos, é fácil subestimar a sofisticação – e a importância – da fala sintetizada em agentes de IA.

Um bom agente (ou seja, um agente usável) precisa ter uma voz adequada: acolhedora o suficiente para receber comandos e humana o bastante para fazer o usuário acreditar que pode realizá-los.

Muito estudo e engenharia são dedicados a conquistar o usuário no instante em que ele decide se um assistente de IA soa “correto” ou não.

No lado dos negócios: seu chatbot representa sua marca. Avanços em TTS significam mais opções para identidade de voz e atendimento ao cliente mais eficiente.

Navegação e Transporte

Nada faz perceber a importância de um bom TTS como ouvir seu GPS pronunciar um nome de rua de forma ininteligível enquanto você dirige.

A navegação por GPS é um ótimo exemplo de onde o TTS se destaca: nossos olhos estão ocupados e fornecer informações por áudio não é só uma questão de praticidade, mas de segurança.

Isso também vale para aeroportos e sistemas de transporte público. Em sistemas complexos e movimentados como estações de trem e terminais de aeroporto, a fala sintetizada é fundamental.

Sem TTS, dependemos de anúncios ao vivo, que muitas vezes são apressados e difíceis de entender, ou de gravações montadas com nomes, terminais, horários etc., que são, sinceramente, difíceis de ouvir.

Com estudos mostrando uma forte relação entre naturalidade e inteligibilidade, TTS de alta qualidade é essencial para um setor de transportes robusto.

Entretenimento e Mídia

A narração e a mídia multilíngue se tornaram mais acessíveis com os avanços na tecnologia de fala sintética.

Em vez de substituir talentos, a tecnologia de fala ajuda a ampliar performances dramáticas.

Val Kilmer, que perdeu a voz devido a um câncer de garganta, conseguiu atuar com sua voz original em Top Gun: Maverick (2022) graças à IA.

O TTS também permite que desenvolvedores de jogos deem falas diversas e expressivas a personagens não jogáveis (NPCs), algo que seria inviável de outra forma.

Saúde

Melhorias no TTS significam mais acessibilidade para todos.

Tecnologias para cuidados de idosos abordam companhia e assistência ao mesmo tempo. Essa tecnologia depende da personalização que o TTS oferece: tons compassivos, velocidades variadas e entonação cuidadosa são essenciais para um atendimento eficaz e digno.

O TTS também está sendo usado para melhorar a acessibilidade entre os mais jovens.

O Acapela Group desenvolve, entre outras coisas, tecnologias para crianças com distúrbios de fala. A fala sintética amplia a capacidade de expressão e independência delas, preservando suas características vocais.

Educação e Aprendizagem Inclusiva

Já vimos fala sintética em aplicativos de aprendizado de idiomas. Mas isso é só o começo.

Por exemplo, uma barreira para o aprendizado autônomo é a habilidade de ler. Para crianças, pessoas com deficiência visual e certos transtornos de aprendizagem, isso nem sempre é possível. Isso sobrecarrega ainda mais professores em salas de aula lotadas.

Um distrito escolar na Califórnia implementou TTS para criar um ambiente de aprendizagem mais inclusivo para alunos com necessidades especiais.

Assim como nos cuidados com idosos, a tecnologia educacional depende de vozes compassivas, com clareza e ênfase. Parâmetros ajustáveis permitem que professores integrem essas tecnologias às aulas, ajudando os alunos a se sentirem mais incluídos.

Encontre o melhor TTS para suas necessidades

Independentemente do seu setor, é seguro dizer que a IA de voz é relevante. E o TTS que você adota literalmente fala pelo seu negócio, então precisa ser confiável e personalizável.

O Botpress permite criar bots poderosos e altamente personalizáveis, com uma variedade de integrações e implantação em todos os canais de comunicação comuns. Seu agente de voz não só vai impressionar, como também vai funcionar de verdade.

Comece a construir hoje. É grátis.

Perguntas frequentes

Existem idiomas ou dialetos que os sistemas TTS têm dificuldade em suportar?

Sim, há idiomas e dialetos que os sistemas de TTS têm dificuldade em suportar, especialmente línguas pouco difundidas que não possuem grandes conjuntos de dados de fala e texto gravados. Variações como dialetos regionais, línguas tonais e línguas indígenas costumam ser desafiadoras porque exigem regras de pronúncia e prosódia específicas que os modelos padrão não aprenderam. Mesmo em idiomas amplamente falados, diferenças dialetais podem causar pronúncias erradas ou fala artificial.

Quão personalizáveis são as vozes TTS em relação ao tom, velocidade e emoção?

Hoje, as vozes de TTS são altamente personalizáveis em tom, velocidade e emoção, graças a arquiteturas modernas de redes neurais que permitem controle detalhado sobre prosódia e estilo. Muitos sistemas comerciais de TTS permitem ajustar velocidade de fala, padrões de entonação, volume e tom expressivo para diferentes contextos, como narração calma, anúncios animados ou diálogos empáticos. Porém, o nível de controle varia conforme o fornecedor – alguns oferecem apenas ajustes básicos de velocidade e tom, enquanto outros permitem configurar detalhes de expressão emocional e timbre vocal.

Quão segura é a informação de voz processada por sistemas de TTS?

A segurança dos dados de voz processados por sistemas de TTS depende muito do fornecedor e do método de implantação. Serviços de TTS na nuvem geralmente criptografam os dados em trânsito e em repouso, mas enviar informações sensíveis para servidores externos ainda pode apresentar riscos de privacidade se não houver acordos e conformidade com normas como GDPR ou HIPAA. Implantações locais ou em edge oferecem mais segurança, pois o áudio e o texto não saem da infraestrutura da organização, reduzindo a exposição a terceiros.

Quão caro é implementar soluções de TTS de alta qualidade para empresas?

Implementar soluções de TTS de alta qualidade para empresas pode variar de algumas centenas de dólares por mês para APIs em nuvem com uso moderado, até dezenas ou centenas de milhares para desenvolvimento de voz personalizada ou implantações empresariais locais. Os custos geralmente incluem taxas de licença, cobrança por caractere ou minuto, esforços de integração e desenvolvimento, e possivelmente honorários de locutores se for criada uma voz personalizada. Pequenas empresas costumam começar com serviços por assinatura, enquanto grandes empresas podem investir em soluções sob medida para garantir consistência de marca e privacidade.

Quanta quantidade de dados de treinamento é necessária para criar uma voz de TTS de alta qualidade?

Criar uma voz de TTS de alta qualidade normalmente exige várias horas a dezenas de horas de gravações limpas e profissionais, de preferência do mesmo locutor e sob condições consistentes. Sistemas modernos de TTS neural, como Tacotron ou FastSpeech, podem alcançar boa qualidade com apenas 2 a 5 horas de dados, mas para vozes altamente naturais, expressivas e robustas, geralmente são necessárias 10 a 20 horas ou mais. Para clonagem de voz ou vozes muito expressivas, são necessários conjuntos de dados ainda maiores e gravações diversas, cobrindo diferentes estilos, emoções e contextos.