A resposta curta
Uma voz de síntese soa natural quando acerta em três coisas: a prosódia (a melodia e a acentuação de uma frase), o ritmo e as pausas, e a pronúncia dos casos difíceis, como nomes, números e abreviaturas. As vozes neuronais modernas tratam as três muito melhor do que as antigas vozes robóticas, e muitas delas correm agora inteiramente no iPhone. As vozes no dispositivo mantêm o seu texto privado, funcionam sem ligação e não têm limites por carácter; a contrapartida é uma transferência única e algum espaço de armazenamento.
O que faz uma voz soar natural
A maioria das pessoas avalia uma voz nos primeiros dez segundos. É um erro: a primeira frase de quase qualquer voz moderna soa bem. O que conta num livro é como ela aguenta na página 80, e isso resume-se a algumas coisas concretas.
Prosódia: a melodia de uma frase
Um leitor humano sobe o tom no fim de uma pergunta, acentua a palavra que carrega o sentido ("Eu não disse que ela o levou") e deixa a voz descer no fim de uma afirmação. Uma entoação monocórdica ou fora do sítio é a primeira coisa que cansa o ouvido, mesmo quando cada palavra está bem pronunciada.
Ritmo e pausas
As vírgulas, os pontos finais, as mudanças de parágrafo e os diálogos pedem, cada um, uma pausa diferente. Uma voz que deixa o mesmo intervalo curto em todo o lado soa apressada; uma que para demasiado em cada vírgula soa hesitante. As boas vozes também aceleram ligeiramente nas expressões comuns e abrandam nas palavras longas e invulgares, que é o que faz a fala parecer viva em vez de metronómica.
A pronúncia dos casos difíceis
Antes de ser produzido um único som, o texto tem de ser transformado em palavras que se possam dizer. É neste passo que muitas vozes que soam lindamente numa demonstração tropeçam em livros reais:
- Números e datas: "1984" é um ano numa frase e uma quantidade na seguinte. "3/4" pode ser uma fração ou uma data.
- Abreviaturas: "S." pode ser São ou Sul, "D." pode ser Dom ou Dona.
- Palavras que se escrevem da mesma forma mas se dizem de maneira diferente: "a sede da empresa" e "ter sede"; "o molho do assado" e "um molho de chaves".
- Nomes: personagens, lugares e palavras inventadas, que nenhum dicionário tem.
Nenhuma voz acerta em todos estes casos o tempo todo, e é por isso que uma forma de corrigir a pronúncia importa tanto como a própria voz (mais sobre isso abaixo).
Vozes robóticas vs vozes neuronais
A "voz de robô" de que a maioria das pessoas se lembra vem de métodos de síntese mais antigos. As vozes baseadas em regras geram o som a partir de um modelo do aparelho vocal: muito inteligíveis, mesmo a alta velocidade, e é por isso que alguns utilizadores de leitores de ecrã ainda as preferem, mas inconfundivelmente sintéticas. As vozes seguintes colavam pequenos fragmentos gravados de um locutor real, o que soa humano de perto mas produz emendas audíveis onde as peças se juntam.
As vozes neuronais funcionam de outra forma. Um modelo treinado com muitas horas de fala gravada prevê o som de uma frase inteira a partir do texto, incluindo a entoação e o ritmo. O resultado é mais fluido e muito mais próximo de uma pessoa a ler. Não são perfeitas: uma voz neuronal pode, de vez em quando, acentuar a palavra errada ou hesitar perante um nome raro. Mas numa escuta longa, a diferença no cansaço é grande.
O seu iPhone já traz vozes do sistema, e algumas podem ser transferidas em variantes maiores, Melhorada (Enhanced) ou Premium, em Definições › Acessibilidade › Conteúdo enunciado › Vozes. Servem bem para textos curtos; o nosso guia para pôr o iPhone a ler texto em voz alta fala delas e dos seus limites.
Síntese de voz no dispositivo vs na nuvem
As vozes neuronais podem correr num servidor remoto ou diretamente no telemóvel. As duas abordagens são legítimas; trocam coisas diferentes.
| Vozes na nuvem | Vozes no dispositivo | |
|---|---|---|
| Para onde vai o seu texto | Enviado para um servidor para ser convertido | Fica no iPhone |
| Ligação | Necessária enquanto ouve, ou para gerar o áudio | Só para transferir a voz uma vez |
| Limites | Muitas vezes contados por caracteres ou minutos | Sem quota por carácter |
| Dados móveis | Gastos enquanto ouve | Nenhuns depois de instalada a voz |
| Armazenamento | Pouco no telemóvel | Cada voz ocupa espaço |
| Bateria | Uso da rede | A fala é calculada no telemóvel |
| Expressividade | Os modelos maiores podem ser muito expressivos | Próxima para narração, limitada pelo telemóvel |
A questão da privacidade é a que as pessoas mais subestimam. Se ouve relatórios de trabalho, contratos, cartas médicas ou os seus próprios textos inéditos, a síntese no dispositivo significa que nada desse texto sai do telemóvel. A questão prática é a segunda surpresa: um avião, o metro, uma casa de campo sem rede, ou uma conta de roaming que prefere evitar. Uma voz no dispositivo simplesmente continua a ler.
Os custos também são reais. As vozes têm de ser transferidas, de preferência por Wi-Fi, e ocupam espaço, por isso instale as que vai mesmo usar e remova as outras. Gerar fala usa o processador, por isso uma sessão longa gasta mais bateria do que reproduzir um ficheiro de áudio; os iPhone incluem o Apple Neural Engine, concebido precisamente para este tipo de trabalho.
Como o VocaRead trata disto
O VocaRead corre todas as suas vozes no dispositivo. Transfere uma voz uma vez e depois tudo funciona offline: sem conta, sem processamento na nuvem, e os seus livros nunca saem do iPhone. Há mais de 200 vozes, incluindo 144 vozes neuronais premium, em mais de 30 idiomas, e os motores neuronais são acelerados pelo Apple Neural Engine. Um motor de leitura mais recente está disponível como beta opcional em Definições › Vozes; este guia explica como experimentá-lo e voltar atrás. Veja o catálogo completo de vozes.
Não há contador de caracteres. O único limite é comercial e está dito à partida: 90 minutos de escuta grátis por livro, depois uma compra única Premium para escuta ilimitada. A reprodução acontece dentro da app; não exporta ficheiros MP3.
Como escolher uma voz para um livro
Primeiro, o idioma
Use sempre uma voz nativa para o idioma do livro. Uma voz inglesa a ler um romance francês vai estropiar cada nome e a maior parte das frases. Se lê em vários idiomas, instale uma boa voz por idioma em vez de uma voz para tudo.
Ajuste o narrador ao livro
Uma voz calorosa e pausada assenta bem num romance ou numas memórias. Uma voz nítida e neutra assenta bem num livro técnico ou num relatório, onde a clareza conta mais do que a personalidade. A ficção com muito diálogo precisa de uma voz com mudanças de entoação claras, já que um só narrador dá voz a todas as personagens.
Teste nas páginas certas
Salte o primeiro parágrafo do primeiro capítulo. Em vez disso, reproduza uma página com diálogo, uma página com números ou datas e uma página com os nomes das personagens principais. Depois ouça durante dez minutos antes de decidir. Pequenas manias que o encantam numa amostra podem irritar ao fim de uma hora, e o inverso também acontece.
Defina a velocidade por livro
O VocaRead permite definir a velocidade de 0,5x a 2,0x, e ela fica memorizada por livro. Comece a 1,0x e ajuste em pequenos passos. A não-ficção densa funciona muitas vezes melhor à velocidade normal ou ligeiramente abaixo; um género familiar ou uma releitura podem ir a 1,3x ou mais. Se está a ler numa segunda língua, abrandar para cerca de 0,8x mantém a voz natural e dá-lhe tempo para acompanhar.
Corrigir nomes e palavras com pronúncias personalizadas
Mesmo a melhor voz vai adivinhar mal um nome inventado, e vai cometer o mesmo erro em cada página. No VocaRead, mantenha premida a palavra, escreva como deve ser dita, e a regra fica guardada para esse idioma e sincronizada pelo iCloud com o seu iPad. Uma correção resolve o livro inteiro. O nosso guia para corrigir nomes mal pronunciados tem dicas para escrever regras que funcionam.
O que as vozes sintéticas ainda fazem pior
Aqui, a honestidade ajuda. Um narrador sintético lê poesia de forma mais monótona do que um bom ator, não faz vozes de personagens e pode falhar uma ironia que um humano transmitiria no tom. Tabelas, notas de rodapé e listas longas de referências são incómodas para qualquer voz. Para um romance que vive da interpretação, um audiolivro narrado por uma pessoa pode continuar a ser a melhor experiência; para os milhares de livros, artigos científicos e documentos que nunca terão um, uma voz natural no dispositivo é o que torna a escuta possível. Comparamos as duas opções em síntese de voz vs audiolivros.
Perguntas frequentes
As vozes no dispositivo são tão boas como as vozes na nuvem?
Para narração, as melhores vozes neuronais no dispositivo estão próximas, e ganham em privacidade, uso offline e ausência de limites de utilização. Os maiores modelos na nuvem podem ser mais expressivos, à custa de enviar o seu texto para fora e de pagar consoante o uso.
O meu texto é enviado para algum lado quando ouço?
Não, com síntese no dispositivo. No VocaRead, o áudio é gerado no iPhone e os livros nunca saem dele. Só precisa de ligação para transferir uma voz, um livro gratuito ou uma página web.
As vozes offline ocupam muito espaço?
Cada voz é uma transferência que fica no telemóvel. Instale as vozes que realmente ouve, uma ou duas por idioma, e remova as que experimentou e não manteve.
Que velocidade devo usar?
Comece a 1,0x e ajuste em pequenos passos até deixar de reparar na voz. A maioria dos ouvintes acaba algures entre 1,0x e 1,5x, com velocidades mais lentas para matéria densa ou numa segunda língua.
A melhor forma de avaliar uma voz é com um livro que conhece. Descarregue o VocaRead, importe um dos seus ficheiros e experimente algumas vozes: cada livro inclui 90 minutos de escuta grátis, e o Premium é uma compra única, não uma assinatura.