Definición
La prosodia es el patrón de tono, ritmo, acento, velocidad, volumen y pausas que da forma a cómo suena el habla más allá de sus palabras. Señala preguntas, énfasis, emoción y cuándo un hablante está a punto de parar.
Cómo funciona la prosodia
Las mismas palabras pueden significar cosas distintas según cómo se digan. «Vienes» sube hacia una pregunta o baja hacia una afirmación. El acento desplaza el foco de una frase: «Yo no dije que él lo cogió» cambia de sentido con cada palabra enfatizada. El ritmo y las pausas marcan los límites de las oraciones, y una entrega más lenta y suave se percibe como compungida o seria.
En la síntesis de voz, la prosodia es uno de los problemas explícitos que hay que resolver. La especificación SSML del W3C enumera el análisis de la prosodia como un paso del procesamiento y define marcas que permiten a un autor influir en el tono, la velocidad del habla, el volumen y las pausas. También advierte de que mezclar la prosodia fijada por el autor con lo que decide el propio procesador puede interactuar de maneras propias de cada procesador, así que los resultados difieren entre sistemas.
Los modelos de voz neuronales aprenden gran parte de esto por sí solos a partir del habla grabada, así que una frase leída desde texto plano ya lleva un acento y un ritmo plausibles. Los controles lo ajustan después. Muchos servicios aceptan por solicitud un ajuste de velocidad del habla, de volumen o de emoción, y algunos permiten que el LLM que escribió la respuesta los elija turno a turno.
Por qué importa para los agentes de voz
La prosodia es lo que hace que una respuesta suene como si se hubiera querido decir. Una lectura plana de una disculpa, o un tono ascendente en una afirmación de hechos, puede hacer que una respuesta correcta suene desdeñosa o insegura. Los números también necesitan ritmo: un número de tarjeta leído en grupos con pausas breves es mucho más fácil de seguir y anotar que uno leído como una cadena continua.
También funciona en sentido contrario. La gente usa el tono y las pausas para mostrar que ha terminado o que está a punto de continuar, y un buen sistema de turno de palabra puede usar esas señales en lugar de solo el silencio.
La prosodia se juzga de oído. La valoración de la naturalidad por parte de oyentes, como la puntuación media de opinión, es la comprobación habitual.
Ejemplo
Una instrucción ilustrativa a una voz: leer «Su saldo es de 1.204 dólares» a ritmo tranquilo, hacer una breve pausa después de «saldo es de» y bajar el tono en la última palabra para indicar que la frase ha terminado.