Frank Sinatra cantando Britney Spears, Elvis recitando o discurso de Martin Luther King Jr. Nos últimos meses, a Internet foi inundada com conteúdos criados através de um tipo de inteligência artificial (IA) que imita voz humana, criando cenários improváveis e muitas vezes cômicos.

Sem dúvidas, a síntese de fala é uma das aplicações mais populares da inteligência artificial atualmente. Mas, afinal, como isso funciona e o que se encontra por trás desse processo?

Entendendo a síntese de fala

A IA tem a capacidade de sintetizar uma ampla variedade de conteúdos, incluindo textos, imagens, vídeos e áudios. Todos esses processos seguem uma abordagem semelhante, envolvendo fases de treinamento de máquina e síntese.

No contexto específico do áudio, esse processo começa com o uso do aprendizado profundo, também conhecido como deep learning. Essa técnica permite que os computadores analisem e compreendam grandes conjuntos de dados de áudio. O processo é composto por duas etapas fundamentais:

• Treinamento: os algoritmos de IA são alimentados com horas de gravações de áudio da voz que se deseja replicar. Isso pode ser a voz de um ator famoso, cantor ou qualquer pessoa com gravações disponíveis. Durante o treinamento, o algoritmo analisa e desmonta o áudio em elementos menores, como fonemas e entonação.

• Síntese: após o treinamento, a IA é capaz de reconstruir frases completas e até mesmo conversas inteiras usando os padrões aprendidos. Ela pode controlar a entonação, ritmo e pronúncia para criar uma voz artificial que soa notavelmente autêntica.

Embora seja um processo intrincado, já existem várias ferramentas de software disponíveis ao público que facilitam a síntese de fala, permitindo que muitos conteúdos desse tipo sejam disponibilizados na Internet.

IAs que imitam vozes humanas

Alguns dos principais softwares de síntese de voz são os seguintes:

• So-VITS-SVC: é o principal modelo utilizado atualmente para criar músicas com vozes de outros artistas. Ele funciona na base do deep learning, utilizando arquivos de áudio de qualquer timbre vocal para converter gravações vocais na voz de canto na qual foi treinado. 

• Speechify: é um aplicativo de conversão de texto em fala (TTS) que usa inteligência artificial para gerar vozes humanas de alta qualidade. Ele recebeu atenção por sua capacidade de replicar a voz de figuras públicas, levantando questões éticas e legais sobre o uso da tecnologia.

• DeepMind WaveNet: desenvolvido pela DeepMind, uma subsidiária da Alphabet (empresa-mãe do Google), o WaveNet é conhecido por produzir vozes extremamente realistas e é amplamente utilizado em assistentes virtuais e narradores de audiolivros.

• Vall-E: ainda em desenvolvimento pela Microsoft, é um modelo de linguagem de conversão de voz baseado em GPT-3. Ele é capaz de imitar vozes com uma alta fidelidade, mesmo com apenas um pequeno fragmento de áudio de entrada.

Apesar da maioria ser acessível ao público em geral, esses softwares podem não ser tão simples de operar. Sendo assim, para sintetizar falas curtas ou fazer brincadeiras, muitas pessoas recorrem a bots em plataformas como o Discord para realizar essa tarefa com facilidade.

As implicações éticas e legais da IA que imita voz

A síntese de voz por IA levanta preocupações éticas e legais importantes. Por um lado, ela oferece oportunidades inovadoras, como melhorar a acessibilidade para pessoas com deficiência vocal e aprimorar a experiência do usuário em aplicativos de assistência virtual. 

No entanto, também pode ser mal utilizada para a disseminação de informações falsas e para criar áudios falsificados que podem prejudicar a reputação de indivíduos ou empresas.

Em termos legais, a regulamentação da síntese de voz ainda está em evolução. Portanto, é fundamental que as pessoas estejam cientes dos desenvolvimentos nesse campo, a fim de proteger suas próprias informações e se prevenir contra fraudes e golpes que possam surgir do uso indevido dessa tecnologia.

O processo inverso: áudio em texto

Quem se interessa pela IA que imita voz talvez reconheça que o processo inverso da síntese de fala é a transcrição de áudio. Nesse cenário, a máquina é treinada com um vasto conjunto de dados de áudio para que ela possa interpretar as ondas sonoras e, consequentemente, criar um texto correspondente ao conteúdo falado.

A Celeste, por exemplo, é uma plataforma especializada em transcrição de áudio e vídeo. Convidamos você a experimentar nossa versão de teste gratuita aqui para explorar os benefícios dessa tecnologia!

Conclusão

A IA que imita voz é uma tecnologia fascinante que continua a evoluir e impressionar com sua capacidade de replicar sons de uma forma convincente. Não tenha medo de testá-la e utilizá-la em seus projetos, mas não se esqueça de fazer isso de uma maneira responsável e seguindo a legislação vigente no seu país.

Este conteúdo faz parte da missão da Celeste de usar inteligência artificial para extrair dados e informações de arquivos de áudio e vídeo. Ainda não conhece a Celeste? Descubra agora nossas soluções: www.celeste-ai.com