O árabe é escrito com menos do que é pronunciado. Quando um leitor árabe encontra uma frase sem vogais, ele reconstrói as vogais curtas a partir do contexto sem perceber. Um modelo de voz precisa fazer o mesmo com estatística. É aí que o problema começa: um mesmo texto pode admitir mais de uma pronúncia, e cada pronúncia muda o significado. Além disso, o árabe tem uma enorme variedade de dialetos, e os dados de fala bem organizados para eles são escassos. Neste artigo, lemos o que trabalhos de pesquisa recentes dizem sobre esses obstáculos, com os números publicados por seus autores, e depois tiramos conclusões práticas para quem produz conteúdo em áudio em árabe.
Um texto que esconde sua pronúncia: o problema das vogais curtas
O árabe costuma ser escrito sem as vogais curtas (fatha, damma, kasra, sukun e tanwin). A palavra «كتب» é um exemplo conhecido: pode ser lida «kataba» (ele escreveu), «kutub» (livros) ou «kutiba» (foi escrito). O leitor decide pelo contexto da frase inteira.
Um artigo de Hala Al Masri e Muhy Eddin Zater sobre a preparação de dados de fala em árabe descreve esse problema com clareza: uma mesma palavra pode ter vários significados quando faltam as vogais, e tanto o dublador quanto o módulo de IA se beneficiam de diacríticos que reduzem a ambiguidade. O artigo propõe a diacritização parcial, com marcas apenas nos pontos ambíguos, porque textos totalmente vocalizados são raros e caros.
Dá para adicionar os diacríticos automaticamente? Os números mostram avanço e uma lacuna
A solução lógica é adicionar os diacríticos automaticamente antes da leitura. A diacritização automática melhorou muito, mas ainda está longe de ser perfeita. O artigo CATT (um transformer de tashkeel árabe em nível de caractere) apresenta os resultados do seu modelo em dois benchmarks:
- No benchmark WikiNews com vogais finais de caso, o modelo codificador-decodificador atingiu uma taxa de erro de caracteres de cerca de 5,96% e uma taxa de erro de palavras de cerca de 20,06%.
- No benchmark CATT, mais difícil, a taxa de erro de caracteres foi de cerca de 8,62% e a de palavras de cerca de 34,19%.
A diferença entre os benchmarks é importante. Aqui, um erro de palavra significa que a palavra tem pelo menos um erro de diacritização. Mesmo superando os modelos com os quais foi comparado, o modelo do artigo erra cerca de uma palavra em cada cinco no benchmark mais fácil e cerca de uma em cada três no mais difícil. As vogais finais de caso (as terminações gramaticais) são a parte mais difícil da diacritização, porque dependem da estrutura da frase e não apenas da palavra. Por isso os números melhoram quando elas são excluídas (cerca de 3,63% de erro de caracteres no WikiNews).
Conclusão: a diacritização automática reduz a ambiguidade, mas não a elimina, e qualquer erro nela passa direto para a pronúncia.
Os dados podem substituir os diacríticos? Um experimento do QCRI
Existe um caminho alternativo de pesquisa: em vez de adicionar diacríticos ao texto, treinar o modelo com uma quantidade enorme de fala para que ele aprenda a adivinhar corretamente. Foi isso que o artigo «More Data, Fewer Diacritics» (março de 2026), de pesquisadores do Qatar Computing Research Institute (QCRI), testou. A equipe reuniu cerca de 20 mil horas de áudio de plataformas sociais e, depois de limpar e segmentar, manteve cerca de 4000 horas adequadas ao treinamento. Em seguida, treinou modelos de tamanhos diferentes, com e sem diacríticos, e mediu a taxa de erro de palavras (WER) com um modelo de reconhecimento de fala.
Principais resultados:
- Com 4000 horas e diacríticos: WER de 1,67, o melhor resultado.
- Com 4000 horas e sem diacríticos: WER de 3,18.
- O modelo sem diacríticos treinado com 1000 horas (3,12) superou os modelos com diacríticos treinados com 100 horas (3,48 e 3,62).
Ou seja, com a mesma quantidade de dados os diacríticos ainda dão o melhor resultado, mas muitos dados compensam boa parte da ausência deles. Os pesquisadores apontam limites importantes: o experimento cobriu apenas o árabe padrão moderno, a medição foi objetiva e sem testes de escuta humana, e a família de modelos de reconhecimento usada na pontuação está ligada ao processo de preparação dos dados, o que pode enviesar os resultados.
Árabe padrão e dialetos: uma língua escrita e uma língua falada
O segundo problema é mais profundo que os diacríticos: de qual «árabe» estamos falando? O artigo Habibi (janeiro de 2026) diz que o árabe tem mais de 30 variedades faladas, que o árabe padrão moderno raramente é usado na fala cotidiana e que os dialetos diferem muito em vocabulário e pronúncia. Acrescenta que a maior parte dos dados de fala árabes disponíveis foi construída originalmente para reconhecimento de fala, muitas vezes com ruído e sem diacríticos, e que não existe um benchmark unificado para avaliar a síntese de fala multidialetal.
O estudo «Arab Voices» (Universidade da Colúmbia Britânica, janeiro de 2026) confirma o quadro pelo lado dos dados. Ele catalogou 31 conjuntos de dados de fala árabes e constatou que os rótulos de dialeto não são padronizados e que regiões como o norte da África (argelino, hassania, marroquino e tunisiano) e o Iraque são pouco representadas. Em testes de reconhecimento de fala sem treinamento prévio, a taxa de erro de algumas configurações do Whisper passou de 200 e chegou a 271,25 para o árabe mesopotâmico, enquanto a do árabe padrão ficou abaixo de 12 em vários modelos. São números de reconhecimento de fala, e não de síntese, mas refletem a mesma lacuna entre árabe padrão e dialetos nos dados.
Um resultado marcante do Habibi é que treinar o modelo primeiro com árabe padrão e depois com o dialeto dá resultados muito melhores do que treinar só com o dialeto. No conjunto SADA, o WER foi de cerca de 13,30 com essa abordagem, contra 55,63 ao treinar do zero apenas com o dialeto. Em outras palavras, o árabe padrão funciona como uma base sobre a qual se constrói, e os dados dialetais sozinhos não bastam.
Antes de o modelo falar: normalização do texto e gravação
Muitos dos erros que ouvimos não vêm do modelo de voz, mas do texto que chega até ele. Al Masri e Zater explicam que o processo de preparação converte números, datas, palavras não árabes e abreviações em texto árabe pronunciável antes da diacritização, da revisão ortográfica e da segmentação. Um texto como «1994», «5 km» ou «iPhone» não é pronunciado como é escrito e, sem conversão explícita, será pronunciado errado ou ignorado.
O artigo também trata da qualidade da gravação: ruído, chiado e plosivas em um estúdio sem tratamento estragam os dados de treinamento, e ele recomenda evitar o ruído na fonte, manter um ritmo estável e natural e colocar as pausas só nos sinais de pontuação. Isso lembra que a qualidade da voz sintética depende da qualidade da voz humana com a qual ela aprendeu.
Como saber se uma voz é boa? O problema da medição
A maioria dos estudos se apoia em métricas automáticas como WER, similaridade do falante e naturalidade prevista (UTMOS), e todas têm limites. O Habibi alerta que algumas dessas métricas não generalizam bem fora dos dados de treinamento, e por isso os pesquisadores acrescentaram uma avaliação humana com 10 a 20 falantes nativos por dialeto. Na comparação com um modelo comercial, nenhum dos lados venceu em todas as métricas: o Habibi foi melhor em similaridade do falante e em taxa de erro em vários dialetos, e o modelo comercial foi melhor em naturalidade. A lição é que o «melhor sistema» depende do que se mede, e que ouvir de verdade não tem substituto.
O que isso significa para quem produz conteúdo em áudio em árabe?
Da pesquisa acima saem alguns hábitos práticos. Esta é uma análise minha, e não o que os artigos dizem palavra por palavra:
- Adicione você mesmo os diacríticos nos pontos ambíguos. A diacritização parcial nas palavras que admitem mais de uma pronúncia é mais barata e mais precisa do que confiar no palpite, que é o que Al Masri e Zater sugerem.
- Escreva números, datas, abreviações e nomes estrangeiros do jeito que quer que sejam pronunciados.
- Escolha árabe padrão ou dialeto de propósito e evite misturá-los no mesmo parágrafo, a não ser por uma escolha artística.
- Ouça antes de publicar. Nenhuma métrica automática substitui o ouvido humano, principalmente em nomes, termos e números.
- Divida textos longos em partes curtas e revise parte por parte, pois um único erro em uma hora inteira é difícil de perceber.
Moknah hoje
O Moknah cuida de parte desses passos dentro da plataforma: para o árabe, oferece três processadores de texto, Básico, Tashkeel e Poeta IA, e Tashkeel e Poeta IA consomem mais créditos que o Básico. A plataforma oferece conversão de texto em fala em mais de 130 idiomas. Ela não substitui a revisão humana; reduz o trabalho manual repetitivo. Você pode começar de graça e testar o texto que importa para você na página de preços.
Leituras relacionadas
- Por que o árabe é um grande desafio para sistemas globais de locução com IA?
- Como escolher a voz mais adequada para a sua marca com a Moknah?
- O que é texto para fala?
Fontes
- Musleh, Zhang, Darwish, "More Data, Fewer Diacritics: Scaling Arabic TTS", arXiv:2603.01622, March 2026: https://arxiv.org/html/2603.01622
- "CATT: Character-based Arabic Tashkeel Transformer", arXiv:2407.03236: https://arxiv.org/html/2407.03236
- Al Masri, Zater, "Arabic Text-to-Speech (TTS) Data Preparation", arXiv:2204.03255: https://arxiv.org/pdf/2204.03255v1
- Chen et al., "Habibi: Laying the Open-Source Foundation of Unified-Dialectal Arabic Speech Synthesis", arXiv:2601.13802: https://arxiv.org/html/2601.13802v2
- Sullivan et al., "Arab Voices: Mapping Standard and Dialectal Arabic Speech Technology", arXiv:2601.13319, January 2026: https://arxiv.org/html/2601.13319v2