Algoritmos modernos de conversão de texto em fala possuem recursos incríveis. A evidência mais clara são duas ferramentas de código aberto chamadas SpecAugment e Translatotron, lançadas recentemente pelo Google. Em particular, o Translatotron pode traduzir completamente a fala de uma pessoa diretamente para outro idioma, preservando ao mesmo tempo o tom e a entonação da frase. No entanto, a criatividade em tecnologia é ilimitada e há sempre espaço para coisas mais extraordinárias.

Pesquisadores de inteligência artificial da Microsoft apresentaram recentemente um artigo intitulado "Almost Unsupervised Text to Speech and Automatic Speech Recognition", que detalha um sistema de IA que aproveita o aprendizado não supervisionado. Aprendizagem não supervisionada - um ramo da tecnologia de aprendizado de máquina, ajuda a IA a ter a capacidade de aprender conhecimento de dados de teste não rotulados, classificados e não formatados. Este sistema de IA da Microsoft causou grande impacto ao alcançar precisão na compreensão de leitura e processamento de texto de até 99,84% e, ao mesmo tempo, a capacidade de simulação automática de fala também foi melhorada para 11,7%. O mais impressionante é que esse modelo avançado de aprendizado de máquina só precisa usar 200 clipes de áudio e transcrições correspondentes como dados de treinamento de entrada.
A chave para desenvolver este modelo de IA são os Transformers, um tipo de arquitetura neural construída por uma equipe de cientistas do Google Brain, o braço de pesquisa de IA do Google, e foi apresentada em um artigo aprofundado sobre tecnologia em 2017. Como todas as redes neurais profundas, os Transformers contêm neurônios (funções matemáticas que são “vagamente” modeladas por neurônios biológicos) são organizados em camadas interconectadas para transmitir “sinais” de dados de entrada e ajustar gradualmente a força sináptica – peso – de cada conexão (que é como os modelos extraem recursos e aprendem a fazer previsões). Porém, os Transformadores também possuem uma característica única: cada elemento de saída será conectado a todos os elementos de entrada e os pesos entre eles são calculados de forma extremamente flexível.
A partir desta realidade, os investigadores da Microsoft passaram a incorporar um componente Transformer no design do seu sistema de IA, tornando possível receber fala ou texto como dados de entrada ou saída. E os pesquisadores decidiram usar a fonte de dados LJSpeech disponível publicamente - que contém 13.100 trechos de áudio em inglês e transcrições (transcrições) correspondentes - como dados de treinamento para o sistema de IA. Em seguida, a equipe de pesquisa selecionou aleatoriamente 200 dos 13.100 trechos de áudio mencionados acima para criar um conjunto de dados de treinamento, e também aproveitou um componente de codificação de eliminação automática de ruído para reconstruir os dados.As estruturas de fala e texto estão quebradas.
Os resultados não são nada ruins. Observando cada pequeno trecho, os pesquisadores descobriram que ele dava melhores resultados do que os algoritmos básicos usados nos testes. E algumas das amostras resultantes parecem ter sido criadas por humanos.
Por exemplo, a frase: “as formas das letras impressas devem ser bonitas e sua disposição na página deve ser razoável e ajudar no formato das próprias letras” seria lida da seguinte forma:
Ou a frase: "especialmente porque não há mais tempo ocupado ou custos incorridos na configuração do elenco ou na impressão de belas letras":
No futuro, o objetivo dos pesquisadores é ampliar os limites da tecnologia de aprendizagem não supervisionada, aproveitando totalmente dados de texto e fala não pareados, com a ajuda de métodos avançados. “Para esta tarefa, propusemos uma abordagem quase não supervisionada para conversão de texto em fala e reconhecimento automático de fala, que usa apenas alguns dados concatenados de texto e fala concatenados e uma pequena quantidade de dados adicionais não concatenados. Conforme demonstrado nos experimentos, nossos componentes de design serão essenciais para desenvolver a capacidade de converter fala e texto com alguns dados concatenados.
Os detalhes deste projeto serão apresentados pela Microsoft na Conferência Internacional sobre Aprendizado de Máquina que acontecerá em Long Beach, Califórnia, de 10 a 15 de junho, e a equipe de pesquisa também planeja o lançamento do código aberto nas próximas semanas.
