Síntese de fala é a produção artificial de fala humana. Um sistema computacional usado para esse fim é chamado de sintetizador de fala, e pode ser implementado em produtos de software ou hardware. Um sistema de texto para fala (TTS) converte texto em linguagem normal em fala; outros sistemas convertem representações linguísticas simbólicas, como transcrições fonéticas, em fala. O processo inverso é o reconhecimento de fala.
A fala sintetizada pode ser criada pela concatenação de trechos de fala gravada armazenados em um banco de dados. Os sistemas diferem no tamanho das unidades de fala armazenadas; um sistema que armazena fonos ou difones oferece a maior faixa de saída, mas pode carecer de clareza. Para domínios de uso específicos, o armazenamento de palavras ou frases inteiras permite uma saída de alta qualidade. Alternativamente, um sintetizador pode incorporar um modelo do trato vocal e outras características da voz humana para criar uma saída de voz completamente "sintética".
A qualidade de um sintetizador de fala é avaliada pela sua semelhança com a voz humana e pela sua capacidade de ser compreendido claramente. Um programa de texto para fala inteligível permite que pessoas com deficiências visuais ou dificuldades de leitura ouçam palavras escritas em um computador doméstico. O primeiro sistema operacional de computador a incluir um sintetizador de fala foi o Unix em 1974, através do utilitário Unix speak. Em 2000, o Microsoft Sam foi o sintetizador de voz de texto para fala padrão usado pelo recurso de acessibilidade do narrador, que acompanhava todos os sistemas operacionais Windows 2000 e os sistemas subsequentes Windows XP.
Arquitetura de um Sistema de Texto para Fala
Um sistema de texto para fala (ou "motor") é composto por duas partes: um front-end e um back-end. O front-end tem duas tarefas principais. Primeiro, ele converte texto bruto contendo símbolos como números e abreviações no equivalente a palavras escritas por extenso. Esse processo é frequentemente chamado de normalização de texto, pré-processamento ou tokenização. O front-end então atribui transcrições fonéticas a cada palavra e divide e marca o texto em unidades prosódicas, como frases, orações e sentenças. O processo de atribuir transcrições fonéticas às palavras é chamado de conversão de texto para fonema ou de grafema para fonema. As transcrições fonéticas e as informações de prosódia juntas compõem a representação linguística simbólica que é emitida pelo front-end.
O back-end, frequentemente referido como sintetizador, então converte a representação linguística simbólica em som. Em certos sistemas, essa parte inclui o cálculo da prosódia alvo (contorno de pitch, durações de fonemas), que é então imposta à fala de saída. Esse design de dois estágios permite desenvolvimento modular, onde a análise linguística pode ser melhorada independentemente da geração acústica.
Desenvolvimento Histórico
Muito antes da invenção do processamento eletrônico de sinais, algumas pessoas tentaram construir máquinas para emular a fala humana. Também havia lendas sobre a existência de "Cabeças de Bronze", como aquelas envolvendo o Papa Silvestre II (m. 1003 d.C.), Alberto Magno (1198–1280) e Roger Bacon (1214–1294).
Em 1779, o cientista germano-dinamarquês Christian Gottlieb Kratzenstein ganhou o primeiro prêmio em uma competição anunciada pela Academia Imperial Russa de Ciências e Artes por modelos que ele construiu do trato vocal humano que podiam produzir os cinco sons vocálicos longos (em notação do Alfabeto Fonético Internacional: [aː], [eː], [iː], [oː] e [uː]). Seguiu-se a "máquina de fala acústico-mecânica" operada por fole de Wolfgang von Kempelen de Pressburg, Hungria, descrita em um artigo de 1791. Essa máquina adicionou modelos da língua e dos lábios, permitindo-lhe produzir consoantes além de vogais. Em 1837, Charles Wheatstone produziu uma "máquina de falar" baseada no design de von Kempelen, e em 1846, Joseph Faber exibiu a "Euphonia". Em 1923, Paget ressuscitou o design de Wheatstone.
Na década de 1930, os Bell Labs desenvolveram o vocoder, que analisava automaticamente a fala em seus tons fundamentais e ressonâncias. A partir de seu trabalho no vocoder, Homer Dudley desenvolveu um sintetizador de voz operado por teclado chamado The Voder (Voice Demonstrator), que ele exibiu na Feira Mundial de Nova York de 1939.
Franklin S. Cooper e seus colegas nos Laboratórios Haskins construíram o pattern playback no final da década de 1940 e o completaram em 1950. Havia várias versões diferentes deste dispositivo de hardware; apenas uma sobrevive atualmente. A máquina converte imagens dos padrões acústicos da fala na forma de um espectrograma de volta em som. Usando este dispositivo, Alvin Liberman e colegas descobriram pistas acústicas para a percepção de segmentos fonéticos (consoantes e vogais).
Sistemas Eletrônicos e Baseados em Computador
Os primeiros sistemas de síntese de fala baseados em computador originaram-se no final da década de 1950. Noriko Umeda et al. desenvolveram o primeiro sistema geral de texto para fala em inglês em 1968, no Laboratório Eletrotécnico no Japão. Em 1961, o físico John Larry Kelly, Jr e seu colega Louis Gerstman usaram um computador IBM 7090 para sintetizar fala, um evento entre os mais proeminentes na história dos Bell Labs. O sintetizador de gravador de voz (vocoder) de Kelly recriou a canção "Daisy Bell", com acompanhamento musical de Max Mathews. Coincidentemente, Arthur C. Clarke estava visitando seu amigo e colega John Pierce nas instalações dos Bell Labs em Murray Hill. Clarke ficou tão impressionado com a demonstração que a usou na cena culminante de seu roteiro para seu romance 2001: Uma Odisséia no Espaço, onde o computador HAL 9000 canta a mesma canção enquanto o astronauta Dave Bowman o coloca para dormir. Apesar do sucesso da síntese de fala puramente eletrônica, a pesquisa em sintetizadores de fala mecânicos continua.
A codificação preditiva linear (LPC), uma forma de codificação de fala, começou seu desenvolvimento com o trabalho de Fumitada Itakura da Universidade de Nagoya e Shuzo Saito da Nippon Telegraph and Telephone (NTT) em 1966. Desenvolvimentos adicionais na tecnologia LPC foram feitos por Bishnu S. Atal e Manfred R. Schroeder nos Bell Labs durante a década de 1970. A LPC foi posteriormente a base para os primeiros chips sintetizadores de fala, como os Chips de Fala LPC da Texas Instruments usados nos brinquedos Speak & Spell a partir de 1978.
Em 1975, Fumitada Itakura desenvolveu o método de pares espectrais de linha (LSP) para codificação de fala de alta compressão, enquanto estava na NTT. De 1975 a 1981, Itakura estudou problemas em análise e síntese de fala baseados no método LSP. Em 1980, sua equipe desenvolveu um chip sintetizador de fala baseado em LSP. LSP é uma tecnologia importante para síntese e codificação de fala, e na década de 1990 foi adotada por quase todos os padrões internacionais de codificação de fala como um componente essencial, contribuindo para o aprimoramento da comunicação de fala digital através de canais móveis e da internet.
Em 1975, o MUSA foi lançado e foi um dos primeiros sistemas de Síntese de Fala. Consistia em um hardware de computador autônomo e um software especializado que permitia ler italiano. Uma segunda versão, lançada em 1978, também era capaz de cantar italiano em um estilo "a cappella".
Os sistemas dominantes nas décadas de 1980 e 1990 foram o sistema DECtalk, baseado em grande parte no trabalho de Dennis Klatt no MIT, e o sistema Bell Labs; este último foi um dos primeiros sistemas multilíngues independentes de idioma, fazendo uso extensivo de técnicas de processamento de linguagem natural.
Abordagens e Aplicações Modernas
Com o surgimento do aprendizado de máquina e do aprendizado profundo, a síntese de fala mudou para métodos baseados em redes neurais. Redes neurais podem modelar o mapeamento complexo de texto para fala diretamente, frequentemente produzindo saídas com som mais natural do que sistemas concatenativos ou baseados em formantes anteriores. Esses sistemas modernos frequentemente aproveitam arquiteturas transformer, que também são fundamentais para grandes modelos de linguagem, para capturar dependências de longo alcance na linguagem e na prosódia.
Motores contemporâneos de texto para fala são amplamente implantados em dispositivos de consumo, sistemas de navegação e assistentes virtuais. Empresas como Apple, Samsung e Google DeepMind integraram síntese avançada em seus produtos. A tecnologia também suporta recursos de acessibilidade em sistemas operacionais, permitindo leitores de tela para usuários com deficiência visual. A partir da década de 2020, a pesquisa continua focada em melhorar a expressividade emocional, a clonagem de voz e a síntese em tempo real para aplicações interativas.
Avaliação e Desafios
Avaliar sintetizadores de fala envolve tanto testes subjetivos de audição quanto métricas objetivas. Testes subjetivos medem naturalidade e inteligibilidade, frequentemente usando pontuações de opinião média. Medidas objetivas podem comparar características acústicas ou usar reconhecimento automático de fala para avaliar a clareza. Desafios permanecem em lidar com diversos idiomas, dialetos e estilos de fala, bem como em reduzir o custo computacional para implantação em dispositivos. Considerações éticas também surgem com o potencial de falsificação de voz e uso indevido de vozes clonadas, provocando discussão contínua na comunidade de IA generativa.