Definição
A prosódia é o padrão de tom, ritmo, ênfase, velocidade, volume e pausas que dá forma ao som da fala além das palavras. Sinaliza perguntas, ênfase, emoção e quando um falante está prestes a parar.
Como a prosódia funciona
As mesmas palavras podem significar coisas diferentes conforme o modo de dizê-las. “Você vem” sobe como pergunta ou desce como afirmação. A ênfase desloca o foco de uma frase: “Eu não disse que ele pegou” muda de sentido a cada palavra enfatizada. Ritmo e pausas marcam os limites das orações, e uma fala mais lenta e baixa soa arrependida ou séria.
Na síntese de voz, a prosódia é um dos problemas explícitos a resolver. A especificação SSML do W3C lista a análise da prosódia como uma etapa do processamento e define marcações que permitem a um autor influenciar tom, velocidade de fala, volume e pausas. Também alerta que misturar a prosódia definida pelo autor com o que o próprio processador decide pode interagir de formas específicas de cada processador, então os resultados diferem entre sistemas.
Os modelos de voz neurais aprendem boa parte disso sozinhos a partir da fala gravada, então uma frase lida de texto simples já carrega ênfase e ritmo plausíveis. Os controles depois a ajustam. Muitos serviços aceitam por requisição uma configuração de velocidade de fala, de volume ou de emoção, e alguns deixam o LLM que escreveu a resposta escolhê-las turno a turno.
Por que importa para agentes de voz
A prosódia é o que faz uma resposta soar como se fosse intencional. Uma leitura chapada de um pedido de desculpas, ou um tom ascendente em uma afirmação de fato, pode fazer uma resposta correta soar desdenhosa ou insegura. Os números também precisam de ritmo: um número de cartão lido em grupos com pausas curtas é muito mais fácil de acompanhar e anotar do que um lido como uma sequência contínua.
Também funciona no sentido contrário. As pessoas usam tom e pausas para mostrar que terminaram ou que vão continuar, e um bom sistema de troca de turnos pode usar essas pistas em vez de apenas o silêncio.
A prosódia é julgada de ouvido. A nota de naturalidade dada por ouvintes, como a pontuação média de opinião, é a verificação padrão.
Exemplo
Uma instrução ilustrativa a uma voz: ler “Seu saldo é de 1.204 dólares” em ritmo calmo, fazer uma breve pausa depois de “saldo é de” e baixar o tom na última palavra para sinalizar que a frase terminou.