A Situational Speech Synthesizer for Yoruba: System Design, Phonological Rule Architecture, and Orthographic Extensions for Contour

A Música das Palavras: Ensinando Computadores a Cantar em Yorùbá

Imagine a linguagem como uma canção. Em muitas línguas, a melodia está escondida; você pode mudar o tom da sua voz e o significado de uma palavra pode mudar, mas as letras escritas permanecem exatamente as mesmas. Mas no Yorùbá, uma língua falada por milhões na África Ocidental, a melodia está escrita diretamente nas notas. A língua utiliza "tons" — tons agudos, graves e ascendentes ou descendentes — para dizer exatamente o que uma palavra significa. Se você escrever a nota errada, pode acabar dizendo "cachorro" em vez de "leão". Isso faz do Yorùbá um quebra-cabeça único para os computadores. Geralmente, quando pedimos a um computador para ler um texto em voz alta (uma tecnologia chamada Text-to-Speech, ou TTS), a máquina tem que adivinhar a melodia com base em padrões que aprendeu ao ouvir milhares de horas de fala humana. Mas para línguas como o Yorùbá, onde a "partitura" já está escrita no texto, não precisamos que um computador adivinhe. Só precisamos de um computador que consiga ler as notas perfeitamente.

É aqui que a história fica interessante. Durante muito tempo, os computadores tiveram dificuldade em falar Yorùbá de forma natural porque não tinham gravações de vozes humanas suficientes para aprender. Eram como um músico tentando aprender uma canção complexa de ouvido, sem partitura, muitas vezes errando o ritmo. Mas e se construíssemos um músico robô que não precisasse adivinhar? E se dermos a ele uma biblioteca de todas as combinações possíveis de notas musicais, gravadas por um humano, e um conjunto estrito de regras para saber exatamente qual nota tocar a seguir? Este é o desafio enfrentado por uma equipe de pesquisadores que queria construir uma voz para um enorme dicionário online de nomes em Yorùbá. Eles precisavam de um sistema que pudesse pegar um nome escrito, descobrir o tom e o ritmo exatos, e pronunciá-lo em voz alta instantaneamente, sem precisar que um humano gravasse cada nome do mundo.

O Coro de Robôs e a Magia das Regras

O artigo apresenta o TTSYoruba, uma voz de robô inteligente e baseada em regras, projetada especificamente para o Yorùbá. Pense neste sistema não como um cérebro que aprende ouvindo, mas como um bibliotecário muito organizado com uma caixa gigante de clipes de som pré-gravados. Os pesquisadores gravaram uma voz humana dizendo cada combinação possível de uma consoante e uma vogal (como "ba", "de", "go") em cinco tons musicais diferentes. Eles terminaram com uma biblioteca de 651 pequenos clipes de som.

A magia acontece nas regras. Quando você digita um nome como Adébọ̀wálé, o computador não apenas toca os clipes em ordem. Ele age como um maestro. Ele olha para as notas escritas acima das letras (os sinais de tom) e verifica a nota que veio antes dela. No Yorùbá, o tom de uma nota frequentemente muda dependendo da nota anterior. Se uma nota baixa é seguida por uma nota alta, a nota alta pode de fato "deslizar" para cima, soando como um tom ascendente. O sistema tem uma regra específica para isso: se ele vê uma nota alta vindo após uma baixa, ele substitui o clipe de som "alto" padrão por um clipe de som "ascendente" especial. Ele faz isso para tons descendentes também. Ao seguir essas regras musicais estritas, o computador costura os clipes para que soem como uma frase fluida, em vez de um robô estalando a língua.

Resolvendo o Mistério do "N"

Uma das partes mais complicadas do quebra-cça foi a letra n. No Yorùbá, a letra n é uma metamorfa. Às vezes é uma consoante no início de uma palavra (como em nọ́). Às vezes é uma sílaba completa por si só (como ń). E às vezes, não é um som de forma alguma, mas um marcador que indica que a vogal antes dele é "nasal" (soando pelo nariz). Para um computador, isso parece uma confusão de letras idênticas.

Os pesquisadores construíram um sistema de "Desambiguação Nasal" para resolver isso. É como um detetive que faz três perguntas:

1. O n tem uma nota musical em cima dele? Se sim, é uma sílaba independente.
2. O n está posicionado entre vogais específicas como i ou u? Se sim, é um marcador nasal, e o computador altera o som da vogal anterior.
3. É apenas uma consoante normal? Se sim, trate como o início do próximo som.

Ao aplicar essas regras, o sistema pronuncia corretamente nomes que, de outra forma, soariam errados, distinguindo entre uma vogal nasalizada e um n silábico.

A Nova Notação Musical: Carons e Circunflexos

Aqui o artigo faz um movimento criativo e ousado. Os pesquisadores descobriram um problema: alguns nomes têm um "tom de contorno" (um tom que sobe ou desce) em uma única vogal, mas a forma tradicional de escrever isso em Yorùbá é duplicar a vogal (como Níkẹ̀ẹ́). Isso parece estranho para muitos falantes nativos e parece desajeitado.

A equipe propôs uma nova forma de escrever esses sons usando símbolos que já existem em teclados de computador, mas que não foram usados para este propósito na escrita padrão do Yorùbá: o caron (um pequeno sinal de visto como ǎ) para tons ascendentes e o circunflexo (um pequeno chapéu como â) para tons descendentes.

Pense nisso desta forma: em vez de escrever um acorde de nota dupla longa como duas teclas separadas, você pressiona uma tecla com um "chapéu" especial. O computador sabe que ǎ significa "toque o clipe de som ascendente", e â significa "toque o clipe de som descendente". Isso permite que as pessoas digitem nomes exatamente como são comumente grafados, sem as estranhas vogais duplas, enquanto ainda obtêm o tom musical perfeito. Os pesquisadores testaram isso pedindo a 50 pessoas que ouvissem nomes escritos da forma antiga "vogal dupla" e da nova forma com "chapéu". O resultado? Os ouvintes não conseguiram distinguir a diferença. Eles avaliaram ambas as versões como igualmente naturais e fáceis de entender. Na verdade, alguns ouvintes até preferiram a nova versão com "chapéu" porque ela se parecia mais com a maneira como veem as palavras em suas mentes.

O Veredito: Um Bom Começo, Mas Não Perfeito

A equipe testou seu sistema com 50 voluntários que ouviram 10 nomes diferentes cada um. Os resultados foram promissores, mas honestos. O computador foi incrivelmente bom em ser compreendido (pontuando alto em "inteligibilidade"), o que significa que todos sabiam exatamente qual palavra estava sendo dita. No entanto, a pontuação de "naturalidade" foi um pouco mais baixa. Os ouvintes descreveram a voz como soando um pouco lenta, como um professor lendo um livro didático para uma classe, em vez de um amigo conversando casualmente. Isso ocorre porque o sistema costura pequenos clipes, e há uma pausa pequena e não natural entre cada sílaba.

O artigo é muito claro sobre o que ele não faz. Ele não lida com frases longas com ritmos complexos ou com a maneira como o tom cai ao longo de um parágrafo inteiro. Ele é projetado especificamente para nomes curtos. Também depende do usuário digitar os sinais de tom corretos; se você digitar sem eles, o robô não saberá a melodia.

Em última análise, este artigo mostra que, para línguas onde a música está escrita, não precisamos de cérebros de IA massivos para aprender a canção. Só precisamos de um bibliotecário inteligente com um bom conjunto de regras. O sistema prova que uma abordagem baseada em regras pode lidar com a musicalidade complexa do Yorùbá, e os novos símbolos de "chapéu" e "visto" oferecem uma maneira prática e amigável ao teclado de escrever esses sons sem alterar a forma como as pessoas grafam seus nomes. É uma base sólida e funcional que pode ajudar a construir vozes ainda melhores no futuro.