Pular para o conteúdo
LabS Atlas
Generative AI
Entrar

Turno de Fala

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.

Turno de fala é a janela entre o momento em que uma pessoa termina de falar e o momento em que a outra começa, e o problema de decidir quando a vez de falar passou. Numa conversa humana essa janela dura em média cerca de 200 milissegundos, e um modelo de IA Generativa de Voz precisa acertá-la para soar natural.

Estudos em várias línguas mostram que a conversa natural gira em torno desse intervalo. Um silêncio bem maior que isso causa desconforto, como se a resposta não viesse; uma resposta antes disso soa como atropelo. Pessoas aprendem essa percepção ainda crianças, observando os sinais de quem fala, e a IA precisou aprender o mesmo.

Como o modelo detecta o fim do turno

O modelo marca a janela de fala de cada usuário e calcula os silêncios a partir da própria comunicação dele, para distinguir três situações: o turno acabou, a pessoa passou a vez, ou é só uma pausa para respirar ou pensar. O ponto em que a fala termina funciona como marcador de encerramento.

A entonação final da frase pesa muito nessa decisão:

  • Uma frase que termina com a última sílaba esticada ou com um som de hesitação indica que a pessoa vai continuar pensando em voz alta. O modelo estende o silêncio e não interrompe.
  • Uma frase que termina com pergunta fechada ou entonação de exclamação indica que é a vez do modelo, e ele responde.

Os silêncios são o caso mais difícil. Quem dita um número de documento para alguém digitar faz pausas esperando a digitação; um modelo que trate essa pausa como fim de turno corta a fala antes da hora. O mesmo vale para o silêncio de quem está organizando o pensamento. Por isso o treinamento incluiu estudos de turno de fala, de entonação e de diferenças regionais: em capitais a fala tende a ser mais rápida do que no interior, e o modelo precisa acomodar esse ritmo.

Timeout fixo contra turno adaptativo

Os assistentes de voz da geração anterior usavam um timeout fixo, calibrado perto dos 200 milissegundos para todo mundo e em qualquer situação, o que produzia atropelos e silêncios longos com frequência. Nos modelos atuais, o fim do turno é inferido pela forma como o usuário fala. A adaptação é perceptível: quando a pessoa acelera muito o ritmo de repente, o primeiro turno ainda sai com espera maior, e nos seguintes o modelo já se ajusta à nova velocidade.

Half-duplex e full-duplex

Os termos vêm da telefonia. Em half-duplex, um lado fala e o outro espera: o usuário termina, o modelo processa e só então responde. A espera fica visível e a conversa soa robótica. Em full-duplex, os dois canais ficam abertos o tempo todo: o modelo processa enquanto o usuário fala, emite sinais de que está acompanhando e aceita sobreposição de vozes, como numa conversa entre pessoas. Além da naturalidade, ganha tempo de processamento, porque não espera o fim da fala para começar.

Interrupções, eco e ruído

Tosse, ruído de rua, eco e alguém interrompendo no meio da fala também precisam de tratamento. Quando o usuário fala por cima da resposta (o chamado barge-in), modelos recentes param a própria fala, escutam e retomam levando em conta o que foi dito. Numa interrupção vinda de fora, uma pessoa entende o que aconteceu na hora; o modelo tende a esperar toda a movimentação terminar e depois perguntar sobre o assunto inicial para retomar o fio. A forma como essas etapas se organizam no pipeline está em Arquiteturas de IA de Voz.