Reconhecimento de Voz
Reconhecimento de voz (Speech-to-Text, STT), também chamado de reconhecimento automático de fala (ASR), é a tecnologia de IA que converte áudio falado em texto escrito: você fala e o software escreve o que você disse. Ele está por trás do ditado no celular, das legendas ao vivo, dos assistentes de voz e dos chatbots de voz, e é o primeiro passo sempre que um sistema de IA precisa entender a fala.
Entendendo Reconhecimento de Voz
O reconhecimento de voz avançou enormemente com o uso de deep learning. Sistemas modernos de ASR, como o Whisper da OpenAI, atingem precisão de transcrição em nível humano, inclusive entre diferentes sotaques, idiomas e condições acústicas. Essa precisão tornou a entrada por voz viável para cenários profissionais, indo além de simples comandos. Transcrição de reuniões, gravação de notas de voz, criação de tarefas por voz e assistentes de IA controlados por voz dependem de um STT confiável. A combinação de STT com compreensão baseada em LLM possibilita interfaces de voz realmente naturais, em que você fala de forma espontânea e a IA entende a intenção, sem depender de comandos rígidos.
Como funciona o reconhecimento de voz: os sistemas modernos trabalham em três etapas. Primeiro, o áudio é dividido em quadros curtos (normalmente de 10 a 25 milissegundos) e convertido em um espectrograma, uma imagem de quais frequências estão mais fortes a cada instante. Depois, uma rede neural, em geral um transformer ou conformer treinado com centenas de milhares de horas de fala transcrita, associa esses quadros a sons e palavras prováveis. Por fim, um decodificador escolhe a frase mais provável usando o que sabe do idioma para diferenciar, por exemplo, "concerto" de "conserto" pelo contexto. Os sistemas antigos tinham modelos acústico, de pronúncia e de linguagem separados; os modelos atuais de ponta a ponta aprendem os três juntos.
Speech-to-text é IA generativa? Normalmente é classificado como reconhecimento, não como geração: o trabalho dele é reproduzir o que foi dito, não criar conteúdo novo. Mas a fronteira ficou menos nítida. Modelos como o Whisper usam o mesmo desenho de transformer codificador-decodificador dos modelos de linguagem generativos e escrevem a transcrição token por token, e é por isso que às vezes "alucinam" palavras que ninguém disse, principalmente em silêncios ou com ruído de fundo. O text-to-speech, a direção contrária, é a parte generativa de um sistema de voz.
Reconhecimento de voz em chatbots: em um chatbot ou assistente de voz, o STT é um elo de uma cadeia. O reconhecimento de voz transforma suas palavras em texto, um grande modelo de linguagem lê esse texto e decide o que dizer ou fazer, e a síntese de voz lê a resposta em voz alta. O STT em streaming envia transcrições parciais enquanto você ainda está falando, e a detecção de fim de fala percebe quando você terminou, então a resposta pode começar em cerca de um segundo. Alguns modelos novos de voz para voz pulam a etapa do texto, mas a maioria dos assistentes em produção mantém a cadeia de três partes porque cada peça pode ser trocada e verificada. O reconhecimento de intenção (speech to intent) vai um passo além da transcrição: "me lembra às 17h" vira um lembrete, não só uma frase.
Usos e limites: ditado de mensagens e documentos, legendas para vídeos e eventos ao vivo, análise de chamadas em centrais de atendimento, ditado médico e jurídico, busca por voz e controle sem as mãos ao dirigir ou cozinhar. A precisão é medida pela taxa de erro de palavras (WER), a proporção de palavras inseridas, omitidas ou trocadas. Um ditado limpo com o microfone perto da boca costuma ficar na casa de um dígito baixo, enquanto vozes sobrepostas, sotaques fortes, jargão e áudio com qualidade de telefone elevam bastante a taxa. Para um registro literal de uma reunião com identificação de quem falou, use um serviço de transcrição dedicado; para um assistente que age com base no que você diz, STT mais um LLM é o desenho certo.
Como GAIA usa Reconhecimento de Voz
O componente de agente de voz do GAIA usa reconhecimento de voz para permitir interação sem o uso das mãos. Você pode ditar tarefas, fazer perguntas sobre sua agenda e emitir comandos verbalmente. O texto transcrito é processado pelo LLM do GAIA para reconhecimento de intenção e execução de ações. Isso é especialmente útil para uso móvel e para registrar tarefas e anotações longe do teclado.
Conceitos relacionados
Texto para Fala
Texto para fala (TTS) é a tecnologia que converte textos escritos em áudio falado sintetizado, permitindo que computadores e sistemas de IA se comuniquem verbalmente por meio de vozes naturais.
Processamento de Linguagem Natural (PLN)
Processamento de Linguagem Natural (PLN) é um ramo da inteligência artificial que foca em permitir que computadores compreendam, interpretem, gerem e respondam à linguagem humana de forma significativa.
Reconhecimento de Intenção
Reconhecimento de intenção é o processo pelo qual um sistema de IA identifica o objetivo ou propósito subjacente à entrada de um usuário, permitindo selecionar a resposta ou ação adequada, em vez de apenas reagir à forma superficial da mensagem.
IA multimodal
IA multimodal refere-se a sistemas de inteligência artificial capazes de processar e gerar vários tipos de dados, como texto, imagens, áudios e vídeos, dentro de um único modelo ou pipeline integrado.
