Como funciona o texto para fala? Da escrita ao som real

Como funciona o texto para fala? Em três etapas. Primeiro, o software limpa o seu texto e decide como cada palavra deve ser pronunciada. Depois, um modelo neural prevê o ritmo, a altura e o tempo da frase, representados como um espectrograma. Por fim, um vocoder transforma esse espectrograma numa forma de onda de áudio que você ouve. A cadeia inteira roda em poucos segundos para um artigo de 1.000 palavras, e é por isso que você cola um link e aperta play.

O que acontece entre a página e o seu ouvido?

Pense nisso como um revezamento com quatro corredores. O texto entra. O texto normalizado passa para a etapa de pronúncia. A pronúncia passa para a etapa de prosódia. A prosódia passa para o gerador de forma de onda. O áudio sai.

Todo motor moderno, da voz no menu de acessibilidade do celular aos narradores dentro dos apps de leitura, segue alguma versão desse revezamento. Alguns sistemas mais novos juntam dois ou três corredores numa única rede, mas as tarefas continuam existindo. Só que agora são feitas dentro de um único modelo.

ENTRADA → "Dra. Voss pagou $4.50 em 21/5."
ETAPA 1 → "Doutora Voss pagou quatro dólares e cinquenta centavos em vinte e um de maio."
ETAPA 2 → /ˈdutoɾɐ vɔs .../
ETAPA 3 → altura, duração e energia por fonema
ETAPA 4 → forma de onda, 22.050 a 48.000 amostras por segundo

Esse é o truque inteiro. O resto deste texto explica o que cada corredor faz, onde cada um falha e o que você ouve quando isso acontece.

Por que a primeira etapa, a normalização do texto, importa tanto?

Porque texto escrito não é texto falável. Uma página está cheia de números, datas, abreviações, símbolos de moeda, URLs, marcadores de nota de rodapé e emojis. Nenhum deles tem uma pronúncia óbvia.

A normalização os expande. "5/21/24" vira "vinte e um de maio de dois mil e vinte e quatro". "$4.50" vira "quatro dólares e cinquenta centavos". "St." vira "Street" ou "Saint", dependendo do que vem ao redor. Os motores antigos faziam isso com regras escritas à mão. Os novos misturam regras com um pequeno modelo aprendido para os casos ambíguos.

Aqui é onde os artigos dão errado de um jeito que você percebe na hora. Um nome de produto como "iPhone 15 Pro Max" lido como "quinze" ou como "um cinco" muda o sentido da frase. Uma citação como "[12]" lida em voz alta no meio do parágrafo quebra o raciocínio. Boas ferramentas de artigo para áudio removem marcadores de nota, pulam textos de navegação e decidem o que fazer com tabelas antes de a voz abrir a boca.

Numa leitura longa, você ouve a diferença no primeiro minuto. Se o narrador tropeça num número, a falha foi da etapa de texto, não da voz.

Como o sistema sabe pronunciar cada palavra?

A ortografia do inglês é um guia ruim para o som. "Though", "through", "tough" e "thought" compartilham quase todas as letras e quase nenhum som. Por isso o motor precisa de uma etapa de pronúncia, geralmente chamada de conversão grafema-fonema, ou G2P.

Um fonema é a menor unidade de som que distingue palavras. O inglês usa uns 40. A etapa G2P mapeia letras em fonemas de duas formas. Um dicionário de pronúncia cuida das palavras comuns e das exceções conhecidas. Um modelo aprendido adivinha o resto, como um sobrenome que ele nunca viu.

Depois vem a parte difícil, os homógrafos. "Sede" na frase "a sede da empresa" e em "estou com sede" se escreve igual e se fala diferente. "Manga" a fruta e "manga" da camisa também. O modelo precisa olhar a frase ao redor da palavra, e é por isso que os motores atuais usam redes sensíveis ao contexto em vez de buscas simples.

Onde ele ainda falha:

• Nomes próprios, especialmente de outras línguas, num artigo majoritariamente em inglês.

• Jargão técnico e siglas, em que "SQL" pode virar "sequel" ou "S-Q-L".

• Nomes de marcas que quebram de propósito as regras de ortografia.

A maioria dos motores permite adicionar uma pronúncia personalizada. Poucos leitores fazem isso. Se uma palavra específica não para de tropeçar o narrador, vale a pena encontrar essa configuração.

De onde vêm o ritmo e a entonação?

Esta é a etapa que separa uma voz plana de uma que dá para ouvir por quarenta minutos. Chama-se prosódia: acento, ritmo, pausas e a variação de altura ao longo da frase.

Humanos fazem isso sem pensar. Subimos o tom no fim de uma pergunta, desaceleramos antes de uma vírgula e apoiamos a palavra que carrega o ponto. Um modelo de TTS precisa prever tudo isso só a partir do texto. Para cada fonema, ele estima três números: quanto tempo o som dura, quão alto está a altura e quanta energia ele carrega. Faz isso usando as palavras vizinhas, a pontuação e a posição de cada som dentro da sílaba, da palavra e da frase.

A pontuação é o sinal mais forte que o modelo recebe. Uma vírgula pede uma pausa curta, um ponto uma pausa maior, uma quebra de parágrafo uma pausa ainda maior. Por isso um artigo mal formatado, sem quebras de parágrafo ou com um bloco de aspas aninhadas, soa apressado mesmo com uma voz excelente.

Aqui vai um número que vale guardar. Um narrador típico fala por volta de 150 palavras por minuto. Um ensaio de 3.000 palavras dá, portanto, uns 20 minutos de áudio. A maioria dos apps deixa você acelerar a reprodução para 1,5x ou 2x, o que transforma esse mesmo ensaio em 13 ou 10 minutos. A qualidade da prosódia decide se 1,5x continua confortável ou vira uma massa sem sentido.

O que é um vocoder e por que você precisa dele?

Depois do planejamento da prosódia, o modelo tem um plano, mas ainda não tem som. Na maioria dos sistemas neurais, o plano é um espectrograma de mel: uma imagem de como a energia se espalha pelas frequências ao longo do tempo, geralmente com cerca de 80 quadros por segundo.

Um espectrograma não é áudio. Ele descarta o detalhe fino de fase que faz uma forma de onda ser uma forma de onda. Então um segundo modelo, o vocoder, precisa reconstruir uma forma de onda que case com ele. Isso significa gerar dezenas de milhares de amostras de áudio por segundo, cada uma um número que descreve a pressão do ar naquele instante.

WaveNet, publicado pela DeepMind em 2016, foi o modelo que tornou famoso o vocoder neural. Ele gerava áudio bruto uma amostra de cada vez e soava muito mais natural que tudo o que existia antes. Também era lento. Vocoders posteriores, como o HiFi-GAN, geram áudio em paralelo e rodam muitas vezes mais rápido que o tempo real, o que torna a reprodução instantânea possível num celular.

Alguns sistemas pulam a etapa do meio. O VITS, descrito neste artigo de 2021, treina uma única rede para ir direto dos fonemas até a forma de onda. Menos passagens de bastão significam menos lugares onde os erros se acumulam.

Como chegamos aqui a partir dos brinquedos falantes dos anos 1980?

A síntese de voz não começou com redes neurais. Passou por três eras, e você ainda consegue ouvir resquícios das duas primeiras em leitores de tela antigos.

Síntese formântica e baseada em regras. Engenheiros modelavam o trato vocal com filtros e ajustavam os parâmetros à mão. O som era inteligível e inconfundivelmente mecânico. É a voz dos primeiros brinquedos falantes e da primeira geração de leitores de tela. Muitos usuários cegos ainda mantêm uma dessas vozes no celular em velocidade alta, porque ela é rápida, previsível e nunca muda entre atualizações.

Síntese por concatenação ou seleção de unidades. Em vez de modelar a voz, gravava-se uma pessoa real por dezenas de horas, cortava-se o áudio em pequenas unidades e costurava-se as certas em tempo de execução. Soava bem mais humano, mas com emendas audíveis. Dava para ouvir as junções em palavras incomuns, e a voz não podia mudar de estilo sem uma nova sessão de gravação.

Síntese neural. A abordagem de hoje. O modelo aprende o mapeamento inteiro a partir de um grande conjunto de gravações e gera o áudio em vez de juntar pedaços. Estilo, velocidade e emoção ficam controláveis. Clonar uma voz a partir de uma amostra curta tornou-se possível. E as emendas quase desapareceram.

Uma ressalva honesta. As vozes neurais não são perfeitas. Podem inventar uma palavra, engolir uma sílaba ou achatar uma frase que pedia ênfase. As falhas são mais raras e mais estranhas que as antigas, mas existem. Em documentos longos, prefiro uma voz um pouco mais simples que nunca falha a uma voz bonita que tropeça em cada cinquentésima frase.

Quais ferramentas de TTS mostram essas etapas na prática?

Produtos diferentes apostam de formas diferentes no revezamento. Alguns que vale conhecer, com a visão honesta de cada um.

Speechify aposta no acabamento do app e numa biblioteca grande de vozes. Forte no celular, com importação de muitas fontes. Se você quer o conjunto mais amplo de integrações, comece por aqui.

O NaturalReader é o nome mais simples e mais antigo do setor. É estável com documentos e PDFs, e uma escolha sensata quando sua entrada são arquivos e não artigos da web.

O ElevenLabs fica no outro extremo. É antes de tudo uma plataforma de geração de voz, com prosódia forte e clonagem, feita para produzir áudio que você publica, não para tocar uma fila de leitura.

O Voice Dream Reader é o que muitos leitores com baixa visão já conhecem. Ele deixa trocar o motor de voz por baixo, ajustar pronúncias e definir a velocidade em passos finos, o que transforma o pipeline acima em algo que você consegue de fato regular.

Esqueça a ideia de que um deles tem "a melhor voz". O que muda é a etapa de texto: como cada um limpa um artigo, o que faz com uma tabela, como lida com um texto de 5.000 palavras cheio de aspas aninhadas. É aí que um fluxo de leitura dá certo ou falha em silêncio.

O que isso muda na forma como você ouve?

Entender o revezamento te dá três movimentos práticos.

1. Limpe a entrada. Tire anúncios, banners de cookies e a poluição das notas de rodapé antes de mandar um artigo para áudio. O modo leitura ajuda. A etapa de texto só consegue corrigir até certo ponto.

2. Ajuste a velocidade à prosódia. Se uma voz soa bem em 1,0x mas quebra em 1,5x, o modelo de duração é o ponto fraco. Experimente outra voz antes de desistir da velocidade.

3. Corrija os reincidentes. Se um nome ou uma sigla continua saindo errado, adicione uma pronúncia personalizada uma vez em vez de aturar isso por meses.

Além disso, teste com seu pior artigo, não com o melhor. Um post limpo de 800 palavras não prova nada. Um texto denso de 4.000 palavras com números, citações e uma tabela é o exame de verdade.

QUEUE: 2 artigos. Coloque na fila uma leitura longa e uma curta. Ouça os primeiros dois minutos de cada uma em velocidade normal e depois em 1,5x. Você vai reconhecer as etapas que acabamos de ver e saberá qual corredor deixou o bastão cair.