Como fazer uma rede neural em inglês ler em russo

Um autor do Habr publicou um material sobre como fazer redes neurais de síntese de fala em inglês (TTS, text-to-speech) soarem em russo. O artigo começa admitindo que a tecnologia TTS vem tomando aos poucos parte do trabalho de locutores e dubladores profissionais, e traz um panorama de modelos gratuitos que não exigem créditos, assinaturas nem cartão bancário vinculado. Com uma ressalva: nem de longe todos oferecem suporte ao russo e, nos que oferecem, costuma aparecer um sotaque perceptível.

O que exatamente o autor testou

O centro do material é uma comparação prática: o autor gera a narração de um mesmo texto em inglês e em russo com vários modelos neurais gratuitos de síntese de fala, para avaliar quanto a qualidade do som e da pronúncia difere entre os idiomas. Essa abordagem responde a uma pergunta que os materiais de marketing dos próprios desenvolvedores raramente tratam: como um modelo treinado principalmente com um corpus em inglês lida com a fonética e a entonação de um idioma para o qual não foi projetado originalmente?

O russo é objetivamente mais difícil de sintetizar do que a maioria dos idiomas da Europa Ocidental. Seu acento livre pode cair em sílabas diferentes em palavras aparentadas, o rico sistema de desinências de caso influencia a pronúncia, e a abundância de sibilantes e consoantes palatalizadas exige do modelo uma fonética muito mais refinada do que, por exemplo, a do inglês, com sua entonação relativamente previsível. A maioria dos modelos TTS abertos é treinada primeiro com conjuntos de dados em inglês, simplesmente porque é onde há mais dados em acesso aberto, e o suporte ao russo costuma ser adicionado depois, com menos cuidado.

Que problemas os modelos em inglês têm com o russo

A principal descoberta do material é o sotaque. O autor compara o som de alguns modelos com a pronúncia de Arnold Schwarzenegger no filme Programado para Matar (Red Heat), em que o ator interpreta um policial soviético com um russo reconhecível, mas claramente não nativo. A comparação capta um problema típico dos modelos TTS treinados principalmente com fala em inglês: mesmo quando o modelo consegue formalmente pronunciar palavras russas, o acento tônico, os contornos de entonação e a suavidade das consoantes muitas vezes saem errados. O resultado soa reconhecível, mas pouco natural, como um estrangeiro e não como um falante nativo.

Principais fatos:

• O material compara modelos TTS gratuitos em inglês e em russo
• Critério de seleção: sem créditos, sem assinaturas e sem vincular cartão
• Nem todos os modelos testados oferecem suporte ao russo
• Alguns dos modelos que oferecem suporte ao russo têm sotaque perceptível, comparável ao do personagem de Schwarzenegger em Red Heat

Vale a pena usar esses modelos para narração em russo?

A conclusão prática do artigo trata justamente da aplicabilidade. Mesmo que o modelo seja gratuito e, em geral, impressione pela qualidade da fala em inglês, um projeto em russo, seja a narração de um vídeo, de um podcast ou de uma interface de voz, exige checar separadamente como ele lida com a fonética russa, em vez de confiar na impressão geral das demos em inglês. Na prática, o material entrega ao leitor um checklist de avaliação própria: testar o modelo com um texto no seu idioma, comparar a pronúncia com a fala russa real e só então decidir se dá para relevar as limitações de idioma em nome do custo zero, ou se a tarefa ainda pede um modelo pago com suporte explícito ao russo.

Para autores que criam conteúdo em russo por conta própria, como blogueiros, professores e desenvolvedores de jogos indie, análises comparativas como essa são especialmente valiosas, porque poupam o tempo de testar uma dezena de modelos manualmente e levam direto aos poucos que soam aceitáveis em russo, sem gastar recursos com modelos que não foram feitos para isso. Para muitos cenários não profissionais, como narrações de rascunho, versões de teste de um produto e projetos pessoais, os modelos gratuitos em inglês podem ser um meio-termo bem funcional. Já para conteúdo voltado a um público amplo de língua russa, o sotaque descrito pelo autor provavelmente será inaceitável.