O que é reconhecimento de voz? Tipos, características e sistemas

Construir sistemas habilitados para voz passa por muitas etapas de teste.

Empresas ao redor do mundo estão trabalhando para equipar seus sistemas com habilidades de conversação para criar uma experiência amigável para o usuário. Mas programar essas instruções pode ser um pouco complicado. É por isso que os sistemas acabam sendo não responsivos, incompreensíveis e lentos.

Se o seu produto se refere a uma região específica, ele precisa ser treinado em um conjunto exclusivo de dialetos regionais. Ele precisa compreender a complexidade da dicção humana, derivar padrões específicos de conversação e agir rapidamente. Os usuários esperam que os assistentes de voz respondam às suas perguntas e entendam o contexto por trás delas. Mudar para um software de reconhecimento de voz baseado em PNL ou software de rotulagem de dados pode categorizar dados de áudio de forma eficiente e construir assistentes de reconhecimento de voz responsivos.

Vamos ver como o reconhecimento de voz está moldando a indústria de tecnologia hoje e sua aceitação, arquitetura e principais aplicações.

Alguns exemplos famosos de assistentes de reconhecimento de voz são Siri da Apple, Cortana da Microsoft, Google Home e Echo da Amazon e Alexa da Amazon.

Embora os computadores modernos sejam mais proficientes em reconhecer fala, a tecnologia tem raízes no início dos anos 1970. Vamos ver a jornada de como os computadores se tornaram nossos walkie-talkies pessoais.

História do reconhecimento de voz

O primeiro sistema de reconhecimento de voz foi projetado pelos Laboratórios Bell em 1952. Conhecido como Sistema Audrey, este dispositivo podia entender 9 dígitos falados por uma única pessoa.

Dez anos depois, a IBM lançou o Shoebox, um dispositivo experimental que podia realizar funções matemáticas e processar até 16 palavras em inglês. No final dos anos 1960, a maioria das empresas adicionou componentes de hardware como transistores internos e microfones aos computadores.

Nos anos 1970 e 1980, as empresas de tecnologia foram mais longe no estudo de dados de fala e som. Elas adicionaram mais "pele" aos seus bancos de dados digitais na forma de palavras mais novas. O Departamento de Defesa dos EUA e a Agência de Projetos de Pesquisa Avançada de Defesa (DARPA) também lançaram o Programa de Pesquisa de Compreensão de Fala (SUR). Este programa deu origem ao sistema de fala Harpy, que era capaz de entender 1000 palavras.

Nos anos 1990 e 2000, o reconhecimento de fala avançou à medida que o uso de computadores pessoais (PC) cresceu. Vários aplicativos como Dragon Dictate, PlainTalk e Via Voice da IBM foram lançados. Esses aplicativos eram capazes de processar quase 80% da fala humana e ajudavam os usuários com processamento de dados e navegação em aplicativos em desktops.

Em 2009, o Google lançou o Google Voice para dispositivos iOS. Três anos depois, Siri nasceu. À medida que a base de usuários do mercado de voz cresceu, o Google começou a incluir pesquisa por voz para seu mecanismo e navegadores da web como o Google Chrome. Agora, o Google Voice opera para iOS 13 e acima.

Mais pessoas agora estão confortáveis em interagir vocalmente com máquinas. Enquanto alguns usam para transcrever documentos, outros configuram seus sistemas de automação residencial com isso.

Dispositivos domésticos podem ser controlados apenas por controle de voz. Você pode trancar as portas do seu carro à distância ou desligar seus eletrônicos com um simples comando. Se você tem um bebê dormindo no quarto ao lado, pode instruir a Alexa a ficar de olho nos movimentos dela enquanto você está fora.

Mas como essa tecnologia chegou onde está hoje? Há um mecanismo de funcionamento simples para isso.

Como funciona o reconhecimento de voz?

O sistema de reconhecimento de voz detecta a voz e extrai sinais analógicos (as palavras que falamos) em sinais digitais (que os computadores interpretam).

Isso é feito com a ajuda de um conversor analógico-digital (A/D). À medida que você fala, as ondas de áudio são aprimoradas e convertidas em sinais digitais. As características das palavras são então extraídas e armazenadas em um banco de dados digital. Antes de exibir a saída, as palavras são comparadas com o conversor A/D.

O banco de dados consiste em vocabulário, fonética e sílabas. Ele é armazenado na memória de acesso aleatório (RAM) do seu computador e é executado sempre que uma entrada é registrada. Uma vez que a RAM encontra a correspondência, ela carrega o banco de dados em sua memória e digita a saída. Assim, sempre que você fala em um microfone externo ou interno, suas palavras aparecem como texto na tela.

Você precisa de uma grande RAM e um grande conjunto de dados para garantir que o processo permaneça suave. A capacidade da sua RAM está diretamente relacionada à eficácia de um programa de reconhecimento de voz. Se todo o banco de dados puder ser carregado na RAM de uma só vez, a saída será processada mais rapidamente.

Além de economizar tempo e recursos, o reconhecimento de voz também nos dá mais opções para nos expressarmos, já que alguns de nós somos muito melhores em fala verbal do que em escrita.

Tipos de reconhecimento de voz

Usamos reconhecimento de voz em alto-falantes inteligentes, dispositivos móveis, desktops e laptops. Em todos esses dispositivos, você pode configurar um recurso de resposta que lê sua tela e vocaliza suas palavras. Isso reduz seu tempo de tela e dá a você controle mestre do seu dispositivo. Quais são os outros tipos de sistemas de reconhecimento de voz sendo usados atualmente?

• Sistema dependente do falante precisa ser treinado em várias palavras e frases antes do uso.
  

• Sistema independente do falante, também conhecido como software de reconhecimento de voz, reconhece a voz de uma pessoa sem treinamento.
  

• Reconhecimento de fala discreta requer que o usuário pause entre as palavras para que o computador possa interpretar a voz.
  

• Reconhecimento de fala contínua entende o fluxo normal da fala, assim como o recurso de digitação por voz do Google Docs.
• Texto para fala natural não apenas entende uma voz humana, mas também pode responder às perguntas feitas. O processamento de linguagem natural (PNL) ou inteligência artificial conversacional (IA) é usado para criar esses sistemas.

Principais características do reconhecimento de voz

Muitos softwares de reconhecimento de voz funcionam em redes neurais, o que os torna eficientes em termos de tempo e custo. As redes neurais trabalham em grandes conjuntos de dados computacionais que processam a voz rapidamente.

As redes neurais estão equipadas com os seguintes recursos:

• Ponderação de linguagem. Você pode melhorar sua precisão ponderando algumas palavras frequentemente usadas. O sistema pode pré-preencher essas palavras à medida que conhece seu padrão de fala.
  

• Rotulagem de falante. Com base na sua fonética e tom de voz, o sistema pode categorizar qual falante está interagindo com ele.
  

• Treinamento acústico. O sistema pode ser treinado para entender e se adaptar ao ruído de fundo de um ambiente de negócios.
• Filtragem de palavrões. Filtre palavrões ou frases indesejadas para sanitizar a saída.

Aplicações do reconhecimento de voz em diferentes indústrias

O reconhecimento de voz conquistou um pequeno espaço dentro de cada casa. Desde tocar sua música favorita até navegar na internet e fechar as cortinas, os assistentes digitais se tornaram nossos amigos.

Fora dos interesses pessoais, usamos ferramentas baseadas em voz por muitos motivos profissionais. O aspecto em constante evolução da tecnologia de voz pode ser refletido nas seguintes indústrias.

• Saúde: Usando o reconhecimento de voz, os profissionais de saúde, como enfermeiros ou médicos, podem ditar notas para seus computadores sem ignorar o atendimento ao paciente.
• Bancos, serviços financeiros e seguros: Bancos e companhias de seguros muitas vezes enfrentam dificuldades com seu atendimento ao cliente. Um funcionário júnior e um gerente de agência repetem as mesmas instruções para o cliente. Para resolver isso, perguntas frequentes sobre abertura de conta bancária ou solicitação de cartão de crédito são automatizadas em tempo real com controle de voz.
• Chatbots de recrutamento: Os funcionários estão se tornando cada vez mais confortáveis em conversar com chatbots. Se estão participando de uma avaliação de desempenho, uma promoção, uma postagem de emprego ou até mesmo uma entrevista, um chatbot pode interagir com eles e facilitar o trabalho das suas equipes de RH.
• Publicidade: Muitas marcas usam dados de fala dos usuários para criar uma estratégia de entrada no mercado. Por exemplo, se você pesquisar na web por "aulas de dança online", algumas agências de dança relevantes podem chegar à sua caixa de entrada. Não apenas seu navegador salva a consulta, mas também armazena o padrão de pesquisa, sotaque e localização. As empresas podem acessar esses dados para oferecer seus serviços.
• E-commerce: Não precisamos mais nos mover para ajustar as luzes no meio do nosso filme favorito. Assistentes digitais como Alexa ou Google Home fazem todo o trabalho pesado por nós. Também podemos comprar música, fazer compras online, jogar e ouvir audiolivros.
• Aviação: Antes de uma aeronave decolar, os pilotos devem passar por uma longa lista de verificação de requisitos do motor. Às vezes, eles esquecem etapas importantes da lista. Com a fala para texto na cabine, os pilotos podem ouvir a lista de verificação e garantir que tudo esteja em ordem antes da decolagem.
• Corporativo: Na indústria corporativa, o reconhecimento de voz promove diversidade, empatia e inclusão dos funcionários. Ele fornece uma alternativa confortável e ergonômica às formas tradicionais de trabalho. E-mails e documentos podem ser transcritos sem digitar em um teclado. Os funcionários podem configurar a digitação por voz em seus documentos e expressar suas ideias sem lidar com críticos internos.
  
  Você também pode criar as atas de qualquer reunião ou clipes de reuniões pré-gravadas em segundos. Qualquer trabalhador ausente pode se atualizar com o rastro da comunicação antiga. No geral, cria um ambiente de trabalho mais indulgente e empático.
  

Processo de reconhecimento de voz no desktop

Depois de entender a essência do reconhecimento de voz, vamos aprender sobre os vários requisitos de hardware e software para executar este programa no seu desktop.

Antes de ativar o recurso de voz, conecte seu microfone externo e fone de ouvido por meio de uma porta USB. Ligue seu microfone interno se não estiver usando um fone de ouvido externo. Agora você está pronto para ver diferentes maneiras de ativar a tecnologia de reconhecimento de voz em diferentes tipos de sistemas operacionais.

Microsoft Windows 11 (Reconhecimento de Fala do Windows)

Os passos para configurar um microfone para o Windows 11 e versões anteriores do Microsoft Windows são um pouco semelhantes.

• Selecione Iniciar > Configurações > Hora e Idioma > Fala
  
• Em Microfone, clique em Começar.
  
• Quando a janela do assistente de fala abrir, a digitação por voz começará automaticamente. Se o assistente de fala detectar problemas no microfone enquanto estiver em execução, você verá um aviso na tela. Você pode selecionar opções para resolver o problema.
  

Microsoft Office 365

Você pode usar o comando de ditado no Microsoft Word e Powerpoint para narrar seu conteúdo. Este comando permite converter sua fala em texto com um microfone e uma conexão confiável com a internet. Você pode imprimir seus pensamentos diretamente e criar artigos ou notas rápidas.

No entanto, você precisa falar os sinais de pontuação. O sistema não consegue decifrá-los.

• Faça login na sua conta Microsoft com um dispositivo habilitado para microfone.
• Abra um documento novo ou existente e selecione Início > Ditado.
• Aguarde o botão de ditado ligar, indicando que o programa está pronto para ouvir você.
• Comece a falar e você verá suas palavras aparecerem na tela.

Mac OS Dictation

No macOS Ventura, você pode ditar texto de várias maneiras. Para navegação na internet, você pode usar o Siri. Se você quiser ditar texto e controlar seu Mac usando sua voz, siga este processo:

• No seu Mac, escolha Menu Apple > Preferências do Sistema > Teclado
• Na janela do Teclado, escolha a última opção: Ditado
• Clique em Ativar. Um aviso aparecerá, informando para Ativar ditado. Selecione esta opção.
• Clique no menu pop-up de Idioma para ditar usando outro idioma, depois escolha um idioma ou dialeto. Você pode escolher um idioma personalizado e adicionar um idioma ou selecionar da lista existente.
• Para remover o idioma, clique no menu pop-up de idioma. Escolha personalizar e, em seguida, desmarque o idioma.

Acesso por voz do Google

O Google está no espaço de reconhecimento de voz há mais de uma década. Com seus produtos específicos como Google App Keep, Google Voice search e Google Home, o Google conseguiu armazenar 230 bilhões de palavras. O modelo de fala de aprendizado de máquina que o Google usa para reconhecer e converter a fala humana funciona em uma velocidade impressionante.

Principais softwares de reconhecimento de voz em 2024

O software de reconhecimento de voz é usado para converter nossas palavras em texto computadorizado usando fala para texto. Ele pode ser usado em um sistema de carro, em empresas comerciais ou para pessoas com deficiência. As empresas usam esse software para resposta de voz interativa (IVR) para automatizar consultas de consumidores. Também é usado para verificar IDs de negócios.

Para ser incluído nesta categoria, o software deve:

• Incluir algoritmos de aprendizado de máquina que interpretam vários idiomas.
• Ter um banco de dados digital de vocabulário.
• Editar e converter arquivos de áudio e vídeo.
• Treinar modelos de linguagem com base na entrada do usuário.
• Capturar conteúdo por meio de microfones portáteis, microfones externos e telefones celulares.

*Abaixo estão as cinco principais ferramentas de software de reconhecimento de voz do Relatório de Inverno de 2023 da G2. Algumas avaliações podem ter sido editadas para maior clareza.

1. Google Cloud Speech-to-Text

Google Cloud Speech-to-Text é uma plataforma de API de reconhecimento de fala baseada em nuvem que permite transcrever mais de 73 idiomas em um formato legível por humanos e gerar respostas automatizadas que são precisas, rápidas e contextuais. Esta ferramenta tem sido consistentemente classificada como líder na categoria de reconhecimento de voz e está sendo usada para reconhecimento de fala baseado em dispositivos.

O que os usuários mais gostam?

O Google Cloud Speech-to-Text é extremamente fácil de usar. Ele pode ser facilmente integrado para funcionar com qualquer reunião ou sessão de fala. A velocidade com que gera texto é quase em tempo real. Devido à sua velocidade, a criação de conteúdo se torna super rápida, economizando muito tempo do usuário. Um recurso importante que observei no Google Speech-to-Text é que ele pontua automaticamente as frases com base na compreensão da PNL.

- Revisão do Google Cloud Speech-to-Text, Varad V.

O que os usuários não gostam?

Junto com alguns bons recursos, ele também tem algumas desvantagens, como exigir conexão com a internet, o que significa que não funciona offline. Além disso, não temos certeza sobre a privacidade, como o servidor do Google está lidando com os dados do usuário e como eles estão usando para melhorar seus recursos. Às vezes, sinto latência quando a transcrição em tempo real é necessária, o que precisa ser melhorado.

- Revisão do Google Cloud Speech-to-Text, Varad V.

2. Deepgram

Deepgram é o primeiro software de transcrição baseado em IA para interação humano-computador. Seja a fonte uma ditado de alta fidelidade de um único falante ou palestras lotadas e confusas, o Deepgram oferece resultados precisos.

O que os usuários mais gostam?

“A coisa mais impressionante sobre o serviço de transcrição deles é a velocidade. Tentamos muitos serviços de transcrição, e o Deepgram nos surpreendeu com velocidade e precisão. Com seus preços altamente competitivos em comparação com os grandes, é uma escolha óbvia.”

- Revisão do Deepgram, Andrei T.

O que os usuários não gostam?

“O serviço pode ser pouco confiável quando você mais precisa. Há momentos em que os tempos de resposta da transcrição são superiores a 5 minutos.”

- Revisão do Deepgram, Dhonn L.

3. Whisper

Whisper é uma ferramenta geral de fala para texto que é treinada em algoritmos fortes de PNL para decompor instruções de voz e convertê-las em ações tangíveis. O Whisper trabalha com diversas formas de áudio, dados de estúdio, dados espaciais e sonoros para entender comandos humanos multilíngues e decompor os sentimentos por trás desses comandos.

O que os usuários mais gostam?

"O Whisper impressiona com sua interface de usuário perfeita, garantindo comunicação sem esforço. Implementá-lo é simples, embora um pouco de orientação inicial melhoraria a experiência de integração. O suporte ao cliente é confiável, mas ocasionalmente enfrenta atrasos. Seu uso frequente destaca sua praticidade, enquanto um conjunto rico de recursos atende a diversas necessidades de comunicação. A integração em fluxos de trabalho existentes é suave, contribuindo para seu apelo geral."
-Revisão do Whisper, Shashi P.

O que os usuários não gostam?

"O principal ponto de desagrado é que, se temos uma transcrição de longa duração, o modelo falha em transcrever completamente de uma vez, porque é projetado de forma que aceita apenas arquivos de áudio de 30s."
- Revisão do Whisper, Dhonn L.

4. Krisp

Krisp dá a você o poder de se comunicar de forma clara e confiante com seus funcionários, colegas, clientes ou consumidores. É uma solução de automação de fala baseada em IA que aprimora suas habilidades de interpretação e ajuda você a criar documentos.

O que os usuários mais gostam?

“Não consigo acreditar na incrível capacidade do Krisp de diferenciar entre minha voz e cancelar completamente os ruídos de fundo. Agora que tantas pessoas estão trabalhando em casa, nos acostumamos a ouvir pessoas pedindo desculpas por cães ou crianças ou outros ruídos. Mas com o Krisp, eu tive meus cães latindo bem ao meu lado, e as outras pessoas nas minhas chamadas de vídeo não conseguem ouvir os cães de forma alguma – mas ainda conseguem me ouvir perfeitamente!”

Revisão do Krisp, Crystal D.

O que os usuários não gostam?

“Os 90 minutos por dia para o nível gratuito levam você bem longe, mas ele conta automaticamente se você o tiver ligado e não estiver nem falando. Eu gostaria que ele contasse apenas os minutos em que você está realmente falando ou não está no mudo.”

Revisão do Krisp, Tai H.

5. Otter.ai

Otter.ai deriva significado de cada conversa que você tem. É uma ferramenta líder de análise de fala e colaboração que conecta membros da equipe com base no que eles dizem. Também se integra com as principais ferramentas de videoconferência como Zoom, Microsoft Teams e Google Meet.

O que os usuários mais gostam?

“Eu tenho que entrevistar pessoas e escrever artigos para o trabalho. Eu adoro usar o Otter para gravar e transcrever minhas entrevistas. Isso me economiza horas de trabalho tedioso e me permite fazer mais dos aspectos agradáveis e criativos do meu trabalho.”

Revisão do Otter.ai, Gray G.

O que os usuários não gostam?

"A capacidade de rotular diferentes falantes é útil, mas este é um ponto onde a IA não é tão boa. Muitas vezes recebo de volta e para frente entre dois ou mais falantes agrupados como um só.”

Revisão do Otter.ai, Patrick H.

Soluções alternativas para software de reconhecimento de voz

Com base no assistente baseado em voz que você pretende desenvolver, os requisitos de software de backend podem mudar. Aqui estão algumas alternativas a considerar se você estiver trabalhando com diferentes tipos de transcrição de áudio.

1. Software de Chatbot de IA: Os chatbots de IA são treinados em algoritmos de aprendizado profundo eficazes para engajar em interações baseadas em diálogo com usuários humanos. O processamento de linguagem natural (PNL) autoevolutivo e a compreensão de linguagem natural (NLU) permitem que os sistemas de computação contextualizem consultas, se relacionem com os sentimentos dos usuários e encaminhem a resolução correta. O software de Chatbot de IA é um avanço no mundo da automação de voz e texto e tornou a resolução de consultas mais simples e eficaz.

2. Software de inteligência conversacional: Ferramentas conversacionais são usadas para analisar, transcrever e documentar chamadas de vendas. Esta ferramenta usa aprendizado de máquina para extrair dados significativos, descartar principais sentimentos e pontos de dor do comprador e gerar resumos para executivos de vendas e representantes de desenvolvimento de negócios. O software de inteligência conversacional oferece os argumentos certos para se conectar melhor com seus prospects e fechar negócios mais rapidamente.

3. Software de assistentes virtuais inteligentes: Essas ferramentas atuam como funcionários digitais ou agentes de suporte ao vivo que são construídos em sistemas especialistas para fornecer resoluções rápidas para clientes e prospects. Ao contrário das ferramentas de chatbot, este software usa técnicas amigáveis para construir um forte relacionamento com os clientes e levá-los à confiança e lealdade à marca. Eles resolvem desafios dos usuários, leem e-mails de suporte e escalonamentos, encaminham chamadas para o departamento certo e constroem seu vocabulário para serem mais sucintos em conversas futuras.

Limpe a garganta e fale o que pensa

Seja superando o bloqueio de escritor, saindo de uma situação complicada ou gerenciando várias tarefas, o reconhecimento de voz está ao seu lado. Com experimentação consistente em IA, a tecnologia de reconhecimento de voz em breve eliminará todas as barreiras à interação humano-computador.

Saiba como assistentes de voz estão dominando o mercado de tecnologia e são um dos avanços industriais mais populares para fornecedores e compradores de software.