Recurso auxilia na construção e melhoria de sistemas de assistentes pessoais, closed caption para TVs, legendas de transmissões ao vivo, transcrições de conversas, entre outras ferramentas
Em um mundo cada vez mais tecnológico e computadorizado, a busca por facilidade e acessibilidade nos mais diversos segmentos da vida é uma constante no desenvolvimento científico. Um exemplo dentro desse contexto é a criação de bases de dados para o Reconhecimento Automático de Fala (da sigla em inglês, ASR), área interdisciplinar com origem na linguística computacional cujo objetivo é produzir métodos e tecnologias que permitam o reconhecimento e a transcrição de linguagem falada de maneira automática.
Complexa e desafiadora, a tarefa agora acaba de ganhar um importante reforço com o lançamento da CORAA (Corpus of Annotated Áudios) ASR, primeira base de dados de voz em português brasileiro direcionada para o reconhecimento automático de falas espontâneas, como entrevistas, conversas e declarações informais. A tecnologia foi criada por pesquisadores do Centro de Inteligência Artificial (C4AI) da USP, com apoio do Centro de Excelência em Inteligência Artificial (CEIA) da Universidade Federal de Goiás (UFG), que ofereceu diversas bolsas de estudo para jovens estudantes atuarem no projeto.
A CORAA ASR, que pode ser acessada gratuitamente por meio do seguinte link, aprimora as bases até então disponíveis, que eram compostas apenas de falas lidas ou preparadas, dificultando a criação de softwares flexíveis para reconhecimento de fala. A nova base pode ser aplicada, por exemplo, para auxiliar na construção ou melhoria de assistentes pessoais – Siri, Google Now e Alexa -, sistemas de closed caption para TV e para gerar legendas automáticas – como é feito no YouTube em streamings de vídeos. Além disso, o recurso também pode ser utilizado para a criação automática de atas de reuniões, como assistente de ditados e para a conversão de mensagens de voz em mensagens de texto dentro de aplicativos como o WhatsApp.
A CORAA ASR começou a ser estruturada ainda em 2020 e teve a participação de mais de 60 alunos na revisão de trechos de áudio-fala, já que a nova tecnologia partiu de outras bases disponíveis na literatura científica, como o NURC-Recife, o Projeto ALIP, o C-Oral Brasil I e o Projeto SP2010. Até o segundo semestre daquele ano, havia pouco mais de 376 horas de arquivos disponíveis publicamente para a tarefa de ASR. Em 2021, este número subiu para 574h, graças ao lançamento de outras bases. No entanto, uma limitação persistia: os recursos existentes ainda não contemplavam diálogos espontâneos, essenciais para muitos cenários de Reconhecimento Automático de Fala. Com o CORAA ASR, foram adicionadas 290h de falas dessa modalidade, mais da metade da quantidade de horas que as versões anteriores dos recursos de fala para o português possuíam, sanando a lacuna até então existente.
Uma ferramenta construída utilizando a nova base, que também conta com áudios em português europeu – cerca de 4,6h -, obteve uma taxa de acerto no reconhecimento de palavras de 70%, índice considerado adequado pelos cientistas devido às complexidades da fala espontânea e o estado da arte em reconhecimento dessa modalidade de diálogo. O projeto foi coordenado pelo professor Arnaldo Candido Junior, da Unesp, em São José do Rio Preto, e pela professora Sandra Maria Aluísio e pelo então doutorando Edresson Casanova, ambos do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP, em São Carlos. Os três pesquisadores integram a equipe NLP2 do C4AI, grupo que atua na produção de ferramentas computacionais de suporte ao Português do Brasil para facilitar o desenvolvimento de aplicativos de última geração. Os especialistas trabalham tanto com a modalidade escrita como a falada do idioma.
Os desafios para a construção da base – Até o lançamento do CORAA ASR, as maiores e mais importantes bases de dados abertas disponíveis para treinamento e avaliação de sistemas de Reconhecimento Automático de Fala com foco em diálogos espontâneos eram voltadas para o inglês. Isso se dava pela predominância do idioma no mundo, na ciência e nos negócios. Além de contemplar o português brasileiro, o novo projeto ainda aprimorou a qualidade dos áudios, aproximando-se muito mais de situações reais e, dessa forma, ampliando seu poder de uso.
Como a fala espontânea apresenta variáveis como risos, tosses, pausas preenchidas, fragmentos de palavras resultantes de repetições, reinícios e revisões do discurso, é bastante complexo desenvolver sistemas de reconhecimento automático de fala capazes de compreender conversas ou diálogos em ambientes barulhentos. Para que tecnologias baseadas no CORAA ASR atuem com melhor desempenho – de acordo com a finalidade -, algumas “dicas” podem ser dadas ao sistema, como informá-lo previamente se o áudio possui ruídos ou vozes de fundo, risadas, hesitações e disfluências.
A base de dados agora segue com o objetivo de fomentar mais ações e projetos para a língua portuguesa brasileira. O Spotify, por exemplo, lançou recentemente o recurso de DJ com inteligência artificial e trabalha neste sentido para potencializar o mundo da tarefa ASR. Estimulado pelo desejo de facilitar ainda mais a vida das pessoas, o CORAA se solidifica como um protagonista dentro deste universo que promete revolucionar a forma como trabalhamos, lidamos com as máquinas e com o nosso dia a dia.
O C4AI é um projeto financiado pela Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp) em parceria com a IBM.
Por Fabrício Santos e Henrique Fontes
Fotos: Canva
Contato para esta pauta
Assessoria de Comunicação do C4AI/USP
E-mail: fontesccientifica@gmail.com
Telefone: (16) 9 9727-2257 – Whatsapp exclusivo para atendimento à imprensa, com Henrique Fontes
