A síntese de voz, ou text to speech (TTS), transforma um texto escrito em áudio falado. Segundo o artigo da ElevenLabs, o sistema analisa primeiro o texto para determinar como cada elemento deve ser pronunciado, depois um modelo de inteligência artificial gera o som.
- A síntese de voz converte texto escrito em áudio falado em duas fases.
- O motor interpreta símbolos, gere a prosódia e desambigua homógrafos segundo o contexto.
- As redes neuronais produzem uma fala mais natural do que as técnicas formânticas e de concatenação.
- A ElevenLabs disponibiliza dicionários de pronúncia e uma API com latência de cerca de 100 ms.
Como funciona a síntese de voz
O processo desenrola-se em duas grandes fases. A primeira, designada frontend, limpa o texto, divide-o em tokens (unidades de linguagem, que podem ser uma palavra, parte de uma palavra ou um sinal de pontuação) e converte-o em representações matemáticas, chamadas vetores, que o sistema pode manipular. A segunda, designada backend, transforma esses dados em formas de onda que modelam a fala.
O motor também tem de interpretar os símbolos. Lê assim « $11 » como « eleven dollars ». Tem ainda de gerir a prosódia, ou seja, a altura e o ritmo da voz, que conferem à fala o seu carácter natural. Para isso apoia-se no contexto, nomeadamente para os homógrafos, palavras que se escrevem da mesma forma mas nem sempre se pronunciam da mesma maneira.
O artigo segue uma frase, « Mr. Ríos paid $11 on 10/06. », ao longo do processo. O motor desenvolve « Mr. » em « Mister », lê « $11 » como « eleven dollars » e decide se « 10/06 » significa « October sixth » ou « the tenth of June », conforme a língua e o contexto. Coloca depois o acento tónico em « eleven dollars », adiciona uma pausa curta antes da data e faz descer a altura da voz no final da frase. O modelo acústico produz então um mel-espectrograma, uma representação das frequências e da energia do som ao longo do tempo, que o vocoder converte em onda sonora. Um erro a montante, como uma data mal lida, reflete-se assim no som final.
Porque é que a voz neural parece mais humana
Os motores neurais, os mais recentes, utilizam uma rede neuronal profunda, treinada com grandes volumes de gravações vocais associadas ao seu texto. São excelentes a produzir uma fala natural e inteligível, dois critérios que os engenheiros usam para avaliar estes motores.
Sucedem a duas gerações de tecnologias. A síntese formântica, dominante nos anos 1970 e 1980, gerava sons modelados a partir de regras matemáticas. Era inteligível, mas monótona e robótica. A síntese por concatenação, usada desde os anos 1990 até aos anos 2010, montava pequenas amostras de voz humana extraídas de um vasto corpus. Mais natural, podia contudo parecer truncada.
O artigo distingue ainda a síntese de voz dos « geradores de voz IA », um termo usado em marketing para designar um conjunto mais amplo de tecnologias, incluindo o design de voz, a clonagem vocal e a transferência de estilo vocal. A síntese de voz constitui uma parte desse conjunto.
Utilizações e controlo da pronúncia
A síntese de voz é utilizada para narração, voz off, dobragem, audiolivros e diálogos de videojogos. O artigo cita o caso da TAP, que usou a ElevenLabs TTS para produzir conteúdos educativos destinados a escolas na Índia. Serve também para acessibilidade, nomeadamente com leitores de ecrã, apoio à leitura para pessoas disléxicas e aprendizagem de línguas. No apoio ao cliente, agentes vocais combinam reconhecimento de voz, LLM (grande modelo de linguagem) e ferramentas conectadas. Segundo a fonte, a Klarna reduziu o seu tempo de resolução em 10x graças aos ElevenAgents.
Para corrigir erros de pronúncia, nomeadamente em nomes próprios ou jargão, a ElevenAPI oferece dicionários de pronúncia no formato PLS, que associam grafias a fonemas, bem como etiquetas fonéticas em notação API (alfabeto fonético internacional) diretamente no texto. Os programadores podem ainda ligar a sua aplicação através de uma API, enviando um texto, um identificador de voz e um identificador de modelo. Segundo o artigo, a latência pode ser reduzida para cerca de 100 ms antes do primeiro som para os agentes conversacionais.
