O software Eloquens foi desenvolvido para ser usado em um PC autônomo. Mas a CSELT, que pertencia à companhia telefônica nacional, naturalmente tinha o objetivo de utilizá-la na rede telefônica. Foi aí que eu entrei. Naquela época, eu era consultor de uma empresa italiana que tinha os direitos exclusivos de venda para a Itália das placas de computador feitas pela Natural Microsystems e empresa americana. Estas estavam entre as primeiras placas CTI que permitiam que um PC se comunicasse com a rede telefônica.

Minha função era adaptar o software Eloquens para rodar com os DSPs da placa, para que pudesse ser utilizado em aplicações do tipo IVR. Lembro-me desses dias como um período extraordinário. Além do projeto, que era muito interessante, eu era um jovem engenheiro recém-saído da universidade e passando um longo período fora de casa pela primeira vez. Torino era naquela época uma cidade fortemente industrial e às 20h30 todos os restaurantes estavam vazios e ninguém estava nas ruas. No dia seguinte, as sirenes da fábrica soavam antes do amanhecer para marcar o início de um novo dia de trabalho. Isso era bem diferente da minha cidade natal, Roma. Eu trabalhava com o grupo do Marcello Balestri e do Luciano Nebbia: eram excelentes engenheiros, como a maioria do pessoal da CSELT. Juntos, pudemos desenvolver e lançar a primeira versão italiana – e uma das primeiras no mundo! – de um TTS comercial que pode ser usado em um sistema IVR.

Mesmo hoje, passados 30 anos, esse software ainda é implantado em algumas empresas. Isso também devido ao fato de que, somente nos últimos anos, houve um salto tecnológico substancial com desempenho visivelmente melhor, graças ao uso de redes neurais e, em particular, técnicas de deep learning. Treinando redes neurais para realizar TTS, o processo não depende da concatenação de difones e assim evita a “pixelação” que ainda está presente em sistemas mais antigos. Usando o deep learning, a prosódia é praticamente perfeita e, às vezes, as pessoas não conseguem distinguir uma voz sintética de uma fala humana original.

Uma capacidade interessante da tecnologia de Neural TTS é a possibilidade de criar a voz sintetizada de qualquer pessoa gravando, através da leitura de textos, algumas dezenas de horas de áudio. Entre as aplicações mais surpreendentes está o uso de uma voz sintética para criar a persona digital de um indivíduo, mesmo depois do seu falecimento. É possível, inclusive, manter os traços de sua personalidade.

Mas voltando aos assuntos mais terrenos, recentemente, a Interactive Media ganhou um contrato para produzir todas as respostas de áudio nos sistemas de atendimento ao cliente da TIM Brasil, usando um Neural TTS da Microsoft. A qualidade resultante é incrível, e quem liga tem a sensação de que quem está falando é uma pessoa real: educada, simpática, prestativa e, ao mesmo tempo, profissional. Nós, da Interactive Media, estamos prontos para expandir essa experiência, com o know-how que acumulamos em 25 anos, em todos os outros mercados. Entre em contato conosco se a voz que você usa para falar com seus clientes for importante para você!