Se já implementou agentes de voz com IA ou tradução de voz "prontos a usar" em Portugal, provavelmente encontrou logo um obstáculo: sistemas com ótimos resultados nos testes têm dificuldade em perceber um falante nativo de Lisboa, do Porto ou de Coimbra.
Os clientes não são compreendidos, têm de repetir o que disseram ou ouvem vozes sintéticas que soam a brasileiro ou a robô. Em centros de contacto e em ambientes de telecomunicações, uma taxa de erro de palavras (WER) que em inglês fica abaixo dos 10% pode ser muito mais alta em português europeu (pt-PT).
A causa não é o tamanho do modelo. É um desajuste acústico e linguístico na forma como os modelos de voz são treinados, somado às limitações da telefonia em tempo real.
1. O problema acústico central: ritmo acentual vs. ritmo silábico
A principal razão pela qual os motores de reconhecimento de voz (ASR) tropeçam no português europeu é o ritmo.
- O português do Brasil (pt-BR) tem um ritmo sobretudo silábico. As vogais mantêm-se abertas, articuladas e regularmente espaçadas.
- O português europeu (pt-PT) tem um ritmo acentual, mais próximo do inglês ou do russo do que do espanhol ou do italiano.
Redução e supressão de vogais
No português europeu, as vogais átonas são fortemente reduzidas ou desaparecem por completo:
| Palavra | Pronúncia brasileira | Pronúncia europeia | O que um ASR genérico costuma devolver |
|---|---|---|---|
| Excelente | /e.se.ˈlẽ.tʃi/ | /ɐiʃ.s(ə).ˈlẽ.t(ɨ)/ | "sente", um "excelente" atrasado, ou nada |
| De certeza | /dʒi seʁ.ˈte.za/ | /d(ɨ) s(ɨɾ).ˈte.zɐ/ | "certeza" (preposição perdida) |
| Obrigado | /o.bɾi.ˈga.du/ | /ˈbɾi.ga.du/ | "brigado" ou um termo não reconhecido |
A maior parte dos dados de treino em português é brasileira. Quando um modelo treinado assim ouve português europeu natural, espera energia vocálica onde só existe um grupo rápido de consoantes ou um schwa sussurrado (/ɨ/).
O modelo acaba por saltar palavras, inventar palavras para preencher o vazio ou acumular mais áudio à espera de uma vogal clara, o que acrescenta atraso desnecessário.
2. Compressão do áudio telefónico (8 kHz G.711)
As demonstrações na web com áudio de banda larga a 16 kHz podem esconder o problema. Os centros de contacto reais e os troncos SIP funcionam em telefonia de banda estreita:
- Limite de banda: amostragem a 8 kHz (G.711 lei A / lei μ).
- O conflito: o português europeu usa muito os sons "ch" e "j" (/ʃ/ e /ʒ/) no fim das palavras (dois, vamos, frequência).
- Perda de frequências: grande parte da energia que distingue estes sons está acima dos 4 kHz. Em linhas de banda estreita confundem-se com ruído, provocando erros na separação das palavras.
3. Erros a jusante: gramática e pronomes clíticos
Mesmo quando a transcrição é razoável, os agentes LLM multilingues genéricos erram na forma de dizer:
- Colocação dos pronomes clíticos:
- O pt-PT usa a ênclise por defeito: "Diga-me o seu número", "Enviei-lhe a confirmação".
- O pt-BR prefere a próclise: "Me fala o seu número", "Te enviei a confirmação".
- Os modelos genéricos dão respostas que soam estranhas a quem liga de Portugal.
- Formas verbais progressivas:
- pt-PT: "Estou a verificar o estado do processo."
- pt-BR: "Estou verificando o status do processo."
- Vocabulário:
- Dizer "celular" em vez de "telemóvel" ou "tela" em vez de "ecrã" quebra a confiança em setores como a banca, os seguros e as telecomunicações.
4. Como a SentiVue trata o português europeu em produção
A SentiVue segue uma abordagem nativa da rede:
[ PSTN / tronco SIP ]
│ (áudio RTP G.711 8 kHz)
▼
[ Pré-processamento na rede ] ──► Buffer de jitter + realce de sibilantes telefónicas
│
▼
[ ASR calibrado para pt-PT ] ──► Descodificadores afinados para a supressão de vogais átonas
│ (tokens em streaming)
▼
[ LLM/MT com dialeto fixo ] ──► Ênclise e terminologia europeia
│ (1,2–1,6 s ida e volta)
▼
[ TTS natural em pt-PT ] ──► Prosódia europeia, sem cadência brasileira
- Descodificadores calibrados para a supressão de vogais: modelos afinados com perfis acústicos europeus segmentam a fala de ritmo acentual sem esperar por vogais que nunca chegam.
- Realce de sibilantes telefónicas: o pré-processamento para troncos SIP e de telecomunicações reforça as transições de consoantes de alta frequência antes da inferência.
- Latência de ida e volta de 1,2–1,6 s: o áudio é processado ao nível do fluxo de media, e não através de várias chamadas a APIs em cadeia, para que as conversas mantenham um ritmo natural.
- Governação de dados europeia: processamento alinhado com o RGPD que mantém os fluxos de voz empresariais na UE.
IA de voz em que os clientes portugueses confiam
Tratar o português como uma só língua é a forma mais rápida de um projeto de automação de voz em Lisboa ou no Porto ficar parado. Se está a implementar agentes de voz ou tradução de chamadas para clientes portugueses, teste especificamente com fala de ritmo acentual e áudio telefónico real.
- SentiVue Talk: agentes de voz com passagem para um humano.
- SentiVue Translate: tradução de chamadas em direto em mais de 70 línguas.
- Fale com a nossa equipa para testar os nossos modelos com as suas próprias chamadas.
