Texto para voz

Como funciona a conversão de texto em voz

O processo de conversão de texto em fala envolve normalmente várias fases, muitas vezes tratadas por arquitecturas sofisticadas de redes neuronais (NN):

1. Pré-processamento de texto: O texto de entrada é limpo e normalizado. Isto envolve a expansão de abreviaturas, a conversão de números em palavras e o tratamento da pontuação para preparar o texto para a análise linguística. Esta fase baseia-se fortemente em técnicas de Processamento de Linguagem Natural (PLN).
2. Análise linguística: O sistema analisa o texto normalizado para compreender a sua estrutura e significado. Isto inclui a identificação das partes do discurso e a transcrição fonética, convertendo palavras em fonemas (as unidades básicas do som).
3. Geração de prosódia: O sistema prevê o ritmo, o tom, a tensão e a entoação (prosódia) apropriados para o discurso com base na análise linguística. Este passo é crucial para fazer com que o discurso sintetizado soe natural e não robótico. A investigação de laboratórios como o Google AI fez avançar significativamente a modelação da prosódia.
4. Síntese da forma de onda: Utilizando a informação fonética e prosódica, é gerada uma forma de onda de fala (um sinal áudio). Os primeiros métodos envolviam a concatenação de trechos de fala pré-gravados, enquanto as abordagens modernas utilizam frequentemente vocoders neurais como o WaveNet para sintetizar o áudio diretamente, resultando numa geração de voz de maior qualidade e mais flexível.

Aplicações de conversão de texto em fala

A tecnologia TTS tem inúmeras aplicações práticas em vários domínios:

• Acessibilidade: Os leitores de ecrã utilizam o TTS para ler conteúdos digitais em voz alta, proporcionando um acesso essencial a pessoas com deficiência visual ou com dificuldades de leitura, em conformidade com as Diretrizes de Acessibilidade da Web (WCAG).
• Assistentes virtuais e chatbots: Sistemas como o Amazon Alexa, o Google Assistant e o Siri utilizam TTS para fornecer respostas de voz, permitindo uma interação mãos-livres. Explora o conceito de um assistente virtual.
• Sistemas de navegação: As aplicações GPS fornecem direcções faladas passo a passo, aumentando a segurança dos condutores que precisam de manter os olhos na estrada. Isto é relevante em áreas como a IA em carros autónomos.
• E-Learning e audiolivros: O TTS converte materiais educativos e livros em formato áudio, oferecendo formas alternativas de aprender e consumir literatura.
• Sistemas de anúncios públicos: Os anúncios automatizados em aeroportos, estações de comboio e outros espaços públicos utilizam frequentemente TTS. Vê como a IA é utilizada na gestão de aeroportos.
• Jogos e entretenimento: O TTS pode fornecer locuções para personagens ou narração em jogos de vídeo e outras aplicações de entretenimento.

Texto-voz vs. tecnologias relacionadas

É importante distinguir o TTS de conceitos relacionados:

• Reconhecimento de fala / Fala para texto: Este é o processo inverso do TTS. Os sistemas de reconhecimento de fala convertem a linguagem falada em texto escrito. Ver também Speech-to-Text.
• Processamento de linguagem natural (PNL): A PNL é um domínio mais vasto que visa permitir aos computadores compreender, interpretar e gerar linguagem humana. O TTS é uma área de aplicação dentro ou estreitamente relacionada com a PNL, especificamente centrada na síntese de voz a partir de texto. Explora mais sobre PNL.
• Geração de texto: Enquanto o TTS vocaliza o texto existente, os modelos de geração de texto como o GPT-4 criam novos conteúdos de texto.

Enquanto Ultralytics se concentra principalmente na Visão por Computador (CV) com modelos como Ultralytics YOLO para tarefas como a deteção de objectos, o TTS representa outro ramo significativo da IA, frequentemente utilizado juntamente com sistemas de visão em aplicações como a robótica para permitir capacidades de interação mais abrangentes. Muitos fornecedores de serviços na nuvem oferecem serviços TTS, como o AWS Polly e o Google Cloud TTS, e também estão disponíveis alternativas de código aberto como o Mozilla TTS.