Pular para o conteúdo
LabS Atlas
Generative AI
Entrar

IA Generativa de Voz

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

IA generativa de voz é o uso de modelos que escutam o áudio de quem fala e respondem também em áudio, numa conversa quase natural, sem depender de um roteiro de comandos. Ela trata a voz como interface completa: além das palavras, o modelo considera ritmo, emoção, entonação, sotaque e o ambiente em que a pessoa está.

A voz é uma das interfaces mais antigas da humanidade e carrega muito mais sinal do que o texto. Uma frase escrita, mesmo com interrogação, exclamação ou reticências, transmite menos intenção do que a mesma frase falada, em que dá para perceber se a pessoa está triste, com pressa ou sendo irônica. Levar essas nuances para o computador foi um problema antigo, e é o que a geração atual de modelos passou a resolver. Ela é um caso particular de Inteligência Artificial Multimodal: áudio, texto e imagem processados no mesmo modelo permitem pedir em áudio e receber uma imagem, ou pedir em texto e receber em áudio.

Por que a voz voltou ao centro

A voz é a interface de menor atrito em situações em que teclado e tela cobram atenção demais:

  • Mãos ocupadas, como no chão de fábrica, na cozinha ou no centro cirúrgico, onde falar é a forma mais rápida de comandar algo.
  • Atenção e visão ocupadas, como ao dirigir, correr ou praticar esporte.
  • Pessoas com baixo letramento, para quem a fala continua acessível, porque é uma das primeiras formas de comunicação que se aprende.
  • Acessibilidade: recursos que simulam a voz da própria pessoa ajudam quem tem fraqueza muscular nas cordas vocais, ligação direta com Acessibilidade com IA Generativa.

Quatro eras da voz na tecnologia

A evolução costuma ser contada em quatro fases. Até por volta de 1970, a voz analógica: rádio e telefone só transmitiam o som. Até cerca de 2005, a voz comandada: GPS de carro e URA de atendimento reconheciam um vocabulário fixo de frases e obedeciam, sem nenhum raciocínio sobre o que foi dito. De 2006 a 2022, os assistentes de voz, como Siri e Alexa, transcreviam a fala, interpretavam o texto e buscavam a resposta; na transcrição, porém, perdiam emoção, tempo de fala e ambiente, e sobrava só a palavra. A partir de 2023, a voz generativa: o modelo processa áudio e devolve áudio, com escuta e fala acontecendo quase ao mesmo tempo.

Os sinais dessa virada aparecem no dia a dia: narrações de audiobooks e vídeos curtos feitos inteiramente por IA, dublagem automática de vídeos que mantém a emoção original, plataformas de música gerada por IA, assistentes no celular que conversam enquanto veem a tela do usuário e carros e casas comandados por voz.

O que a nova geração precisou resolver

A passagem do assistente que transcrevia para o modelo que escuta exigiu atacar quatro problemas: o orçamento de latência de cada etapa do pipeline, detalhado em Arquiteturas de IA de Voz; o silêncio e a hora certa de responder, tema do Turno de Fala; interrupções, eco e ruído; e a entonação, que só é captada quando o modelo escuta o áudio original em vez de ler uma transcrição.

Pontos ainda em aberto

O que ainda não está resolvido

Conversas muito longas ainda podem perder coerência. O problema já existia em texto e reaparece em voz, uma modalidade mais nova, ligada ao limite da Janela de Contexto. Também faltam métricas objetivas para dizer o que é um bom modelo de voz: o que responde com exatidão ou o que entende piada, ironia e urgência.

O mesmo realismo que torna a conversa natural abre espaço para imitação, o que leva à Clonagem de Voz e aos seus riscos.