Quando o sistema de fala não consegue sair dos termos técnicos
Eu passei semanas tentando fazer um TTS em português brasileiro pronunciar corretamente uma lista de termos médicos e de engenharia. O resultado era sempre o mesmo: "aparatoss" ao invés de "aparelhos", siglas como "CPU" sendo lidas como se fossem palavras portuguesas comuns, e termos estrangeiros sendo completamente desfigurados. A questão não é apenas fonética. É sobre como os modelos de síntese de voz lidam com léxicos que eles simplesmente não viram o suficiente durante o treinamento. A dificuldade de fala termo técnico aparece quando você tenta gerar fala natural a partir de textos que contêm vocabulário especializado demais para o corpus de treinamento do modelo. Isso é extremamente comum em documentação médica, fóruns de desenvolvimento, artigos científicos e manuais industriais. O sistema lê, mas lê errado. E não existe um botão mágico para corrigir isso dentro do modelo em si.
O que é dificuldade de fala termo técnico
O conceito descreve a incapacidade de um sistema de conversão de texto em fala de pronunciar adequadamente termos técnicos, siglas, nomes próprios estrangeiros e neologismos da área. O problema tem duas causas principais. Primeiro, a escassez de dados de treinamento que contenham esses termos no contexto correto. Segundo, a ambiguidade fonética que termos técnicos carregam — uma sigla pode ser lida como palavra ou letra por letra, e o modelo não tem como saber qual é a correta sem mais contexto. Em português brasileiro, o problema é amplificado porque a maioria dos modelos disponíveis commercialmente foram treinados predominantemente com conteúdo jornalístico e literário. Documentos técnicos representam uma fração mínima dos dados. Isso significa que o modelo simplesmente não tem referências suficientes para tomar decisões fonéticas precisas quando encontra um termo como "bioensaio", "criptomoeda" ou "hiperparametro".
Como resolver na prática
O método que funcionou para mim envolvia três camadas. A primeira era a normalização ortográfica do texto de entrada. Antes de enviar para o motor de síntese, eu passava o texto por um script que identificava termos técnicos conhecidos e os substituía por variantes foneticamente mais amigáveis ou por regras de transliteração explícita. Por exemplo, "HTTP" vira "ach ti ti pi", "DNA" vira "di ená", e "machine learning" vira "machine lírnin" com agrafos que guiam a pronúncia aproximada. A segunda camada era um dicionário glossário que eu construí com mais de dois mil entradas. Cada entrada tinha a forma original, a pronúncia em alfabeto fonético internacional e a forma substituta que o TTS conseguia processar. Esse dicionário era consultado em tempo real durante o processamento do texto. Se o termo existia no glossário, a substituição era aplicada automaticamente. Se não existia, o texto seguia para a próxima camada.
👉 Clique no botão abaixo para saber mais sobre o assunto!
A terceira camada era mais bruta mas às vezes necessária. Quando o modelo se recusava a pronunciar algo mesmo após a normalização, eu gravava a pronúncia correta usando minha própria voz e injetava o áudio no pipeline como um snippet. Ferramentas como Piper TTS ou Coqui TTS permitem essa espécie de fallback de áudio. O resultado é menos elegante, mas funciona. Um caso específico que me marcou envolveu o termo "sistemas embarcados de tempo real". O modelo lia como se fosse "sistemas embarcados de tempo rel", cortando o final da última palavra. A causaera que a palavra "real" em contexto técnico é ambígua foneticamente no português — pode ser pronunciada com o 'r' final mais suave ou mais forte dependendo do sotaque regional. Minha solução foi forçar a grafia fonética como "reál" no texto de entrada, o que corrigiu a pronúncia. Estranho, mas eficaz.
Alternativas e limitações
Nenhuma das abordagens acima é perfeita. A normalização ortográfica quebra quando o texto contém termos que você não antecipou. O glossário de dois mil entradas que eu construí ainda tinha lacunas significativas para áreas muito específicas como farmacologia ou física quântica. E a injeção de áudios gravados manualmente não escala — você não vai gravar pronúncias para milhares de termos técnicos diferentes. Se o seu uso é esporádico e um domínio específico, o glossário manual é a opção mais viável. Você gasta algumas horas construindo a lista e depois nunca mais pensa no assunto. Se precisa lidar com múltiplos domínios, vale a pena explorar modelos fine-tunados especificamente para texto técnico, como os que estão sendo desenvolvidos pela comunidade open source ao redor do Coqui TTS e do Silero. Eles ainda são imperfeitos, mas melhoram a cada release.
O que você nunca deve fazer é confiar cegamente na saída de qualquer TTS padrão para leitura de documentos técnicos. A diferença entre uma pronúncia aceitável e uma que soa absurda para um ouvinte nativo é pequena o suficiente para passar despercebida numa primeira audição, mas suficiente para destruir a credibilidade do material se alguém prestar atenção. Ouça sempre antes de distribuir. Leve talvez quinze minutos para auditar um documento de dez páginas. Vale o tempo.
