Porque é que a narração com IA finalmente soa humana (e onde ainda falha)

Se a tua memória do texto para voz é uma voz plana e robótica a pronunciar mal tudo o que encontra, essa memória está desatualizada. A narração sintética melhorou muito, rapidamente, e hoje é agradável o suficiente para ouvir durante horas. Perceber o que mudou tem valor prático: diz-te como tirar o melhor partido da tecnologia e onde moderar as expetativas.

Como era antes, e porque soava a robô

Durante décadas, o texto para voz funcionou de uma de duas formas mecânicas.

A mais antiga construía a fala a partir de regras sobre como vogais e consoantes se formam. O resultado era aquela voz inconfundível, artificial e zumbidora. A geração seguinte, a síntese concatenativa, gravava uma pessoa real a dizer milhares de pequenos fragmentos de som e juntava-os em tempo real. Ao nível de uma palavra isolada soava mais humana, mas as emendas ouviam-se, e o sistema não tinha noção real de frase. Dizia as palavras. Não as interpretava.

O que faltava a tudo isto era a prosódia: a melodia da fala. A subida no fim de uma pergunta, a acentuação que cai na palavra certa, a pequena pausa antes de uma viragem. A prosódia é a maior parte do que dá vida a uma voz, e os sistemas baseados em regras e fragmentos quase não a tinham.

O que mudou: modelos que aprendem o ritmo da fala

A narração moderna é gerada por redes neuronais treinadas em grandes volumes de fala humana real. Em vez de juntar fragmentos, o modelo aprende os padrões de uma leitura natural e produz o som de uma vez, inteiro. Aprende a prosódia a partir de exemplos e não de regras, por isso coloca a inflexão na pergunta e o peso na palavra certa na maioria das vezes.

Dois fatores elevam ainda mais a qualidade. Modelos maiores, treinados com mais fala e mais variada, captam subtilezas que os mais pequenos perdem. E gerar o áudio com antecedência, em vez de em tempo real, dá ao sistema espaço para planear ao longo de uma frase e de um parágrafo completos, moldando ritmo e ênfase porque já sabe o que vem a seguir. Esse planeamento explica em boa parte porque é que o áudio produzido na nuvem soa trabalhado e fluido, enquanto uma voz pequena, em tempo real, soa apenas correta.

Onde a fala sintética ainda falha

Não é um problema resolvido, e fingir que é não ajuda ninguém. Algumas coisas ainda fazem tropeçar mesmo os bons sistemas:

Nomes invulgares e palavras inventadas. Nomes de fantasia, apelidos raros e empréstimos de outras línguas são palpites que o modelo por vezes erra.
Homógrafos. Palavras escritas de igual mas pronunciadas de forma diferente. «Tenho sede» (com «e» aberto) versus «a sede da empresa» (com «e» fechado); «o governo» versus «eu governo». O modelo tem de ler o sentido para escolher, e por vezes engana-se.
Ironia e subtexto. Uma frase sarcástica é lida a sério, porque as palavras não carregam o tom sozinhas. Um narrador humano traz esse tom da interpretação.
Ênfase a longa distância. Uma referência que só se revela três parágrafos depois, em que o peso de uma palavra depende de algo dito muito antes, é difícil de acertar.

Estas são as limitações atuais. Estão a estreitar-se, mas são reais, e são a razão por que um grande narrador humano continua a ganhar em arte nos livros onde a interpretação é o essencial.

Como obter a leitura mais natural

Sabendo o que está em jogo, algumas coisas práticas fazem diferença:

Usa o motor mais rico nos livros que o merecem. No telemóvel, as vozes do dispositivo são grátis e imediatas, mas um pouco planas. O áudio de estúdio na nuvem, produzido em modelos muito maiores, soa bastante mais humano. No BookNPC essa é a opção de estúdio, e a comparação entre as duas está tratada em narração no dispositivo versus na nuvem.
No iOS, instala as vozes de sistema premium. Até a experiência grátis no dispositivo melhora muito com elas. Há um guia curto.
Começa com uma cópia limpa do livro. A leitura sintética só soa tão bem quanto o texto que recebe. Um EPUB bem estruturado lê-se de forma fluida; uma exportação confusa faz qualquer voz tropeçar.

O balanço honesto

A narração com IA passou de «tolerável para acessibilidade» a «genuinamente agradável para leitura por prazer». Para a maioria dos livros, na maioria das vezes, soa natural. Ainda não iguala os melhores intérpretes humanos nos livros em que a interpretação é tudo, e ainda se atrapalha com o nome ou o trocadilho ocasional. As duas coisas são verdade ao mesmo tempo.

O que importa reter é o que isso abre: uma leitura com som natural de qualquer livro que possuis, não apenas dos poucos que foram gravados comercialmente. O BookNPC usa a geração na nuvem para as suas vozes de estúdio e as vozes do teu dispositivo de graça, para veres o que a tecnologia consegue num livro à tua escolha.