A síntese de fala é a produção de voz por máquinas, a partir da fonetização automática de frases (DUTOIT, 1997[1]). Ao contrário da simples reprodução de voz, essa síntese objetiva um resultado equivalente à produção da fala humana, com informações fonéticas e prosódicas correspondentes (SAGISAKA, 1990[2]).

A síntese de fala se divide em duas classes e são diferenciadas a partir do tamanho do vocabulário e do campo de aplicação, conforme Egashira (1992[3]). Segundo o autor, na primeira categoria, estão os sistemas de resposta vocal, usados em serviços telefônicos, sistemas de saldo bancário, por exemplo, com frases introdutórias, como “bom dia”, “digite sua senha”, em que há pouca interação com o usuário. Nesses casos, o vocabulário é limitado, e sua realização é resultado de gravação e armazenamento de fala, a fim de gerar possibilidades de combinações para uma posterior reprodução.

A segunda categoria dos sistemas de síntese de fala são os chamados conversores de texto em fala (TTS – Text-To-Speech). Eles contêm uma gama enorme de aplicações, facilitando a interação humano-computador para cegos, lendo notícias, boletins meteorológicos e, principalmente, atuando na automação de call center (TAYLOR, 2009[4]). Assim, essa classe de sistema possui um vocabulário irrestrito, tem um custo computacional mais elevado e precisa fazer análises do texto escrito, identificação dos sons equivalentes, associações dos parâmetros de entoação e ritmo e processamento de sinais, o que não traz, muitas vezes, a naturalidade que a fala humana possui (PACHECO, 2010[5]).

Os modernos sistemas de TTS possuem diversas arquiteturas, mas existem pelo menos três blocos que são comuns: front-end (pré-processamento de texto), back-end (motor de síntese) e voice font (base de dados de voz) (BRAGA, 2007[6]). Um resumo dessa arquitetura é mostrado na Figura 1.

As etapas de análise do texto e de transcrição fonética do front-end não apresentam grandes dificuldades. Entretanto, a última etapa, a geração prosódica, ainda apresenta desafios, pois os sistemas de síntese carecem de informações prosódicas mais acuradas, resultando em uma artificialidade da voz sintética (SILVA, 2004[7]). Isso significa que é necessário investir no melhoramento da anotação automática de prosódia, para que essa fala sintética se aproxime da naturalidade da fala humana (KLIMKOV et al., 2017[8]).

A prosódia é a organização de várias unidades linguísticas em um ou mais enunciados no processo de produção da fala e sua realização contém características segmentais e suprassegmentais, com o objetivo de transmitir informações linguísticas, paralinguísticas ou não linguísticas (FUJISAKI, 1997[9]). Muitos sistemas TTS predizem representações prosódicas diretamente do texto, mas há risco de o processo de análise cometer erros, suscitando o desafio de gerar conteúdo prosódico, porque o texto codifica principalmente o componente verbal, ignorando a prosódia (TAYLOR, 2009[4]).

Essa preocupação com a prosódia é uma constante em estudos sobre TTS. Trabalhos iniciais sobre o português brasileiro, por exemplo, descrevem os procedimentos desses sistemas, abordando, também, diferentes conceitos relativos à produção da fala, como fones, duração, ritmo, frequência fundamental, intensidade etc. (EGASHIRA, 1992[3]; CHBANE, 1994[10]; MADUREIRA et al., 1995[11]; SILVA & VIOLARO, 1995[12]; OLIVEIRA, 1996[13]; AQUINO, 1998[14]; GOMES, 1998[15]; BARBOSA, 1999[16]; BARBOSA et al., 1999[17]; SIMÕES, 1999[18]). Esses sistemas são investigados, em sua maioria, por profissionais da Engenharia da Computação. No entanto, Simões et al. (2000)[19] propõem um sistema TTS para o português brasileiro com colaboração de linguistas, o que evidencia a necessidade de formação interdisciplinar de linguistas neste campo de investigação (BRAGA, 2007)[6]. Pelo exposto, a Linguística é uma área fundamental para a geração da fala sintética, uma vez que a descrição das línguas, especificamente no nível prosódico, fornece informações que podem aperfeiçoar a naturalidade da fala sintética.

Levando-se em conta a importante relação entre prosódia e síntese de fala, este artigo busca dissertar sobre como a prosódia tem sido considerada para o aprimoramento da síntese de fala. Pacheco (2010)[5] realiza uma revisão de literatura cerca da síntese de fala, a partir de um resgate histórico dos sistemas mecânicos do século XVIII até os atuais sistemas de geração de síntese de fala, além de fazer um detalhamento das aplicações requeridas para uma boa conversão. Entretanto, falta uma discussão acerca do papel da prosódia nestes sistemas. Assim, este trabalho preenche essa lacuna, apresentando-se como uma contribuição a estudos de interface entre as áreas da Linguística e da Computação.

A revisão aqui reportada foi construída a partir de quatro passos, seguindo a recomendação PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses): definição da pergunta norteadora, elaboração dos critérios de inclusão e exclusão para a busca da literatura, síntese das informações dos estudos incluídos e apresentação da revisão. Utilizamos os passos indicados pelo PRISMA, porque eles permitem que, a partir da pergunta de pesquisa, se possa decidir quais as palavras-chave que estarão na busca e selecionar, de forma criteriosa, os estudos que serão incluídos na revisão.

Para realização do levantamento bibliográfico sistemático e da discussão da presente pesquisa, a seguinte pergunta norteadora foi elaborada: “Como a prosódia tem sido considerada em trabalhos que visam o aprimoramento da síntese de fala?”. Foi realizada uma busca no ano de 2022 no Google Scholar, uma vez que é uma base de dados que reúne trabalhos de diversos tipos, além de ser um dos indexadores mais utilizado por periódicos acadêmicos. A busca com os descritores foi sobre trabalhos do português brasileiro, produzidos no Brasil, usando a seguinte sintaxe: (prosódia OR entoação OR “frequência fundamental”) AND ("text-to-speech" OR TTS OR "síntese de fala" OR “síntese da fala”), sem incluir citações nas bases de dados.

Foram incluídos artigos, monografias, dissertações e teses publicados em português, produzidos no Brasil, realizados nos últimos 11 anos (2010 a 2021) que tratassem do tema “prosódia e síntese de fala”. Foram excluídos livros, resenhas, estudos duplicados e de revisão. Essa seleção dos trabalhos foi feita mediante uma avaliação inicial dos títulos e dos resumos. Posteriormente, houve a leitura na íntegra dos trabalhos e a inclusão dos estudos que de fato tratavam do tema desta pesquisa.

Para a síntese das informações dos trabalhos, foi feita uma adaptação de um instrumento proposto por Ursi (2005)[20], em que se identificam os objetivos, os aspectos metodológicos e os resultados.

A seleção dos estudos para esta revisão está descrita na Figura 2. O fluxograma mostra uma quantidade de 799 trabalhos, em que 780 deles foram excluídos já na fase de análise do título e do resumo. Após a leitura na íntegra dos 19 estudos baixados, incluímos 10 estudos nesta revisão.

A seguir, apresentamos, no Quadro 1, a autoria, o ano e o título dos trabalhos incluídos nesta revisão.

Table 1

Fonte: elaborado pelos autores.

Nesta revisão, encontramos estudos que pertencem a diversas áreas. Eles estão distribuídos na Engenharia Elétrica (n=3), na Engenharia de Computação (n=1), na Engenharia de Teleinformática (n=1), na Engenharia Mecatrônica (n=1), na Engenharia Eletrônica e de Computação (n=1), na Ciência da Computação (n=2) e na área da Linguística (n=1).

Essa distribuição de áreas demonstra que a maioria das pesquisas foi desenvolvida em âmbitos do conhecimento de linhas mais exatas e técnicas. Entretanto, a fim de aprimorar o desempenho de sistemas de conversão de texto, esses trabalhos precisam utilizar informações que permitam entender as características próprias da fala. Por isso, os estudos linguísticos são muito importantes no aprimoramento da fala sintética, pois é a Linguística o campo do conhecimento capaz de fornecer informações que descrevam os fenômenos que o caráter multissistêmico da língua apresenta, sobretudo os aspectos prosódicos.

Esta revisão apresenta 10 estudos que estabelecem a relação entre a prosódia e a síntese de voz. Os objetivos destes trabalhos são diferentes, mas todos se preocupam em aprimorar o desempenho dos sistemas de conversão de texto para a fala, seja para testar um novo modelo, desenvolver um algoritmo ou para aprimorar determinadas características, como a emoção, por exemplo.

Em relação à metodologia utilizada nos estudos, apesar de estarem inseridos em áreas mais exatas, há uma preocupação em usar informações linguísticas que possam tornar a fala sintética mais natural. Thomaz (2012)[30], por exemplo, a fim de aprimorar a sintetização da fala, faz uso da Linguística ao modelar uma voz neutra em 14 atitudes prosódicas, entre elas, ironia, pedido e sugestão, descritas por Moraes (2008)[31]. O trabalho alcançou seu objetivo, ao fazer um teste de percepção, em que 9 dessas atitudes modeladas foram bem aceitas pelos juízes, porém, 5 delas não tiveram boa avaliação. Pode-se inferir, a partir disso, que é interessante investigar, em trabalhos futuros, quais informações prosódicas podem ser consideradas para melhorias e qual a diferença entre os contornos entoacionais da fala humana e da fala sintética nessas atitudes, por exemplo.

Reis et al. (2011)[27] fazem uso de teoria prosódica para determinar o contorno da fala nos sistemas de conversão. O modelo proposto pelos autores foi eficaz para um tipo apenas de curva entoacional, nas sentenças afirmativas simples, o que demonstra a necessidade de se trabalhar outras naturezas de curva e levar em conta outros parâmetros. Dessa forma, esses exemplos mostram que é importante o trabalho conjunto de linguistas e pesquisadores das engenharias, pois, se esses estudos envolvessem profissionais de ambas as áreas, haveria uma melhora na constituição dos blocos dos sistemas de síntese e no entendimento de características prosódicas que pudessem aprimorar esses sistemas.

Entre as características prosódicas investigadas nos 10 estudos, a frequência fundamental é a mais expressiva, como em Sá (2018)[28], que propõe um modelo para síntese de contornos de f0. Esses parâmetros da fala são gerados e manipulados mediante algoritmos, logaritmos e outros recursos matemáticos e computacionais. Em Souza (2010)[29] e Barbosa (2016)[21], a f0 é obtida inicialmente com uma sequência de logaritmos e depois com uma sequência de vetores, a partir de uma escala de melodia, em que, para cada tom com uma certa frequência em Hz, é associado um valor.

A f0 também pode ser utilizada com extração de uma base de voz, modelada através de Modelos Ocultos de Markov (NETO, 2011)[26]. Zen et al. (2009)[32] explicam que a síntese baseada nesses modelos unifica os blocos front-end e back-end, gerando uma nova estrutura, o que se torna uma vantagem para o desempenho geral de um sistema TTS, pois, segundo os autores, com os dois blocos em conjunto, é possível obter eficácia em usar análise de texto e análise acústica em um único bloco.

Entre os estudos revisados, a f0 aparece como equivalente ao pitch (MAIA & SEARA, 2017[23]; THOMAZ, 2012[30]; LATSCH, 2011[22]; MOREIRA, 2015[25]). É importante, no entanto, distinguir os dois conceitos, pois a f0 é mensurável e pertence à esfera da produção, enquanto o pitch pertence à esfera da percepção (BARBOSA, 2019[33]).

Outras características prosódicas também podem participar do processo de geração da entoação da síntese de fala. Manfio (2012)[24], por exemplo, investiga a síntese de voz em um aplicativo chamado Balabolka, que utiliza partes gravadas da fala humana e possui uma prosódia próxima à da fala real, embora o software não consiga atingir um bom desempenho em frases interrogativas e na produção dos ditongos. O autor ressalta boa realização de características prosódicas no aplicativo, como a delimitação de pausas feitas pelas vírgulas, bem como o resultado satisfatório de volume e tonalidade nas frases que são formadas por enumeração, por exemplo.

Embora haja predominância de certos recursos prosódicos para a geração e o aprimoramento de TTS, para gerar nuances de emoção, por exemplo, o estudo de Reis et al. (2011)[27] faz uso de várias características prosódicas, como duração, pitch, velocidade e contorno de frequência fundamental. Recentemente, essa tentativa de inserir expressões emocionais para aprimorar a expressividade dos sistemas tem sido constante (INOUE et al., 2017[34]; ROBINSON et al., 2019[35]; TAHON et al., 2018[36]). Esse processo de geração envolve geralmente a conversão de uma voz neutra para uma voz emocional, sendo uma característica que os ouvintes esperam, devido ao contexto em que a frase está sendo emitida (ROBINSON et al, 2019[35]).

De forma geral, os estudos descritos nesta revisão mostram que a prosódia tem sido considerada como essencial para o desenvolvimento da síntese de fala, a partir de informações linguísticas aliadas ao campo das áreas das engenharias. A presença da Linguística nesses trabalhos demonstra que ela é uma área importante, uma vez que contribui para uma voz sintética mais expressiva e aceita pelos usuários, especificamente nos níveis prosódicos.

Além disso, os resultados desta revisão mostraram que há ainda pouco estudo no Brasil sobre a relação entre a prosódia e a síntese de fala e que é importante a pesquisa conjunta entre pesquisadores de áreas da linguística e das engenharias, a fim de se obter melhores resultados em sistemas de síntese de fala.

Em nossa revisão, observamos que há 10 estudos que estabelecem relação entre prosódia e síntese de fala, encontrados na base de dados Google Scholar, apenas em português, o que demonstra que há escassez de pesquisas realizadas no Brasil. São trabalhos que estão inseridos em áreas mais exatas, porém, também fazem uso de aporte teórico da Linguística, a fim de aprimorar o desempenho de sistemas de conversão de texto para a fala. De forma geral, os sistemas utilizam várias características prosódicas para esse aprimoramento, mas a frequência fundamental (pitch) é o recurso mais expressivo.

Estudos em outras línguas, como o inglês, o chinês, o tailandês, entre outros, contêm uma variedade maior de análises entre prosódia e fala sintética, com o objetivo principal de propor modelos para geração de contornos de frequência fundamental (KAMEOKA et al., 2015[37]; KORIYAMA & KOBAYASHI, 2015[38]; THOMAS et al., 2015[39]; MOUNGSRI et al., 2017[40]; CHEN et al., 2018[41]; RAO, 2017[42]). Em línguas como o mandarim, a F0 baseia-se em “tons” lexicais que diferem em significado, havendo necessidade de um bom resultado dos padrões entoacionais (CHEN et. al., 2018[41]). Assim, definir esses contornos é importante, pois uma prosódia que se distancia das características da fala natural pode prejudicar a inteligibilidade dos sistemas.

Além dos sistemas TTS, outro tipo de aplicação tecnológica que se ampara de informações prosódicas da fala são os sistemas ASR (Automatic Speech Recognition), em que, ao contrário da síntese de fala, a voz é inserida no sistema e é convertida em texto. A prosódia pode ajudar a melhorar esses sistemas, uma vez que recursos, como a pausa, a intensidade, o pitch e a frequência fundamental, podem possibilitar o reconhecimento de voz por meio de redes neurais (BALLESTEROS & WANNER, 2016[43]; LIU, LIU & SONG, 2018[44]; SZASZÁK & TÜNDIK, 2019[45]; YI & TAO, 2019[46]). A inteligência artificial já apresenta bons resultados no reconhecimento dessa fala, mas há escassez de trabalhos em língua portuguesa (TEIXEIRA et al., 2016[47]). Assim como o reconhecimento de fala, os resultados desta revisão mostraram que há ainda pouco estudo no Brasil sobre a relação entre a prosódia e a síntese de fala.

DOI: https://doi.org/10.25189/rabralin.v22i1.2130.R

Editora: Raquel Freitag

ORCID: https://orcid.org/0000-0002-4972-4320

Afiliação: Universidade Federal de Sergipe

RODADAS DE AVALIAÇÃO

Avaliadora 1: Camila Leite

ORCID: https://orcid.org/0000-0002-4269-8430

Afiliação: Universidade Federal de Uberlândia

Avaliadora 2: Sandra Madureira

ORCID: https://orcid.org/0000-0001-8263-053X

Afiliação: Pontifícia Universidade Católica de São Paulo

AVALIADORA 1

TÍTULO

O título do artigo reflete, de forma geral, o objeto da pesquisa proposta. Entretanto, sugiro que, já no título, os autores delimitem o espaço “geográfico” da revisão de literatura proposta. Pelo título e, seguindo a leitura do resumo, o leitor pode entender que os autores pretendem realizar um trabalho não só a respeito de pesquisas no Brasil.

RESUMO

O resumo é sucinto, claro e compreensível.

INTRODUÇÃO

A introdução cumpre seu objetivo, mas sugiro que os autores revejam a justificativa apresentada. O fato de não haver uma discussão sobre os estudos escolhidos para a revisão não justificam o trabalho.

As duas últimas frases da introdução apontam informações que demonstram a necessidade de uma pesquisa de revisão a aqui proposta.

MÉTODOS

O método de pesquisa utilizado pelos autores é válido para o tipo de pesquisa proposta.

A seleção da amostragem está adequanda, no entando, sugiro que os autores reforcem que se trata de uma pesquisa bibliográfica de trabalhos realizados no Brasil.

RESULTADO

Considerando o foco da Revista Abralin, os autores discutem de forma satisfatória os trabalhos selecionados para revisão.

O texto consegue acrescentar uma discussão complementar aos dados apresentados nas seções anteriores. O quadro elaborado pelos autores é um excelente resumo dos trabalhos selecionados.

AVALIADORA 2

O artigo apresenta uma revisão integrativa de trabalhos que abordam as relações entre prosódia e síntese de fala. Revisões integrativas fornecem um panorama sobre trabalhos que apresentam uma contribuição relevante na construção de conhecimento sobre um tópico de pesquisa e com base nesse panorama identificam questões relevantes a serem perseguidas em trabalhos de pesquisa.

O texto está bem redigido, expõe claramente o escopo dos trabalhos incluídos na revisão. Do ponto de vista do conteúdo, o texto traz considerações relevantes para a abordagem da prosódia em sistemas de síntese de fala. Do ponto de vista formal, há adequação em termos de escolha de título, do conteúdo do resumo, da abrangência de informações na introdução e do método adotado. As figuras auxiliam a interpretação textual e o quadro “Síntese dos trabalhos revisados” contém as informações relevantes sobre os trabalhos de pesquisa levantados pelos autores.

A critério dos autores, no parágrafo em que citam trabalhos iniciais de sistemas de síntese em português brasileiro (EGASHIRA, 1992; GOMES, 1998; SILVA; VIOLARO, 1995; OLIVEIRA, 1996; CHBANE, 1994; SIMÕES, 1999; BARBOSA, 1999) considerar a inclusão ou não das seguintes referências:

AQUINO, P. A.. O papel das vogais reduzidas pós-tônicas na construção de um sistema de síntese concatenativa para o português do Brasil. Revista Sínteses do Instituto de Estudos da Linguagem IEL Unicamp, Unicamp, Campinas, v. 3, p. 9-18, 1998.

AQUINO, P. A.. O papel das vogais reduzidas pós-tônicas na construção de um sistema de síntese concatenativa para o português do Brasil. In: GEL - Grupo de Estudos Lingüísticos do Estado de São Paulo, 1999, São José do Rio Preto. Estudos Lingüísticos, 1999. v. 28. p. 361-366.

BARBOSA, P. A. ; VIOLARO, F. ; ALBANO, E. C. ; SIMÕES, F. ; AQUINO, P. A. ; MADUREIRA, S. ; FRANÇOSO, E. . Aiuruetê: a high-qulity concatenative text-to-speech system for brazilian portuguese with demisyllabic analysis-based units and a hierarchical model of rhythm production. In: Eurospeech, 1999, Budapeste. Proceedings do Eurospeech'99, 1999. v. 5. p. 2059-2062.

MADUREIRA, Sandra; SILVA, C. H. ; AQUINO, P. . Pitch Patterns and Duration: Analysis and Synthesis. In: XIII International Congress of Phonetic Sciences, 1995, Estocolmo. Proceedings of the XIII International Congress of Phonetic Sciences. Stockholm, 1995. v. 3. p. 406-410.

Os autores não têm conflitos de interesse a declarar.