A Evolução do Reconhecimento Automático de Fala
O reconhecimento de voz começou como curiosidade de laboratório e tornou-se uma interface ubíqua. Marcos principais:
Anos 1950–1960: Fundações
- 1952 – Audrey (Bell Labs): Reconhecia dígitos 0–9 de um único locutor usando análise de formantes.
- 1962 – Shoebox (IBM): Vocabulário de 16 palavras (dígitos + "mais", "menos", etc.) na Feira Mundial de 1962.
- 1969 – Dynamic Time Warping (DTW): Alinhava templates de fala de comprimento variável; permitiu sistemas isolados dependentes de locutor.
Anos 1970–1980: Modelagem Estatística
- Anos 1970 – Hidden Markov Models (HMM): Baker, Jelinek, Bahl (IBM) aplicaram HMMs à fala contínua; framework probabilístico substituiu matching de templates.
- 1976 – Harpy (CMU): Vocabulário de 1.011 palavras, busca em feixe.
- Anos 1980 – Redes Neurais Entram: Waibel (TDNN), Bourlard (híbrido HMM/ANN); cedo mas limitado por computação.
Anos 1990: Comercialização
- 1990 – Dragon Dictate (Dragon Systems): Primeiro ditado discreto para consumidor ($9.000).
- 1996 – ViaVoice (IBM): Ditado contínuo para PCs.
- 1997 – Nuance fundada: Consolidou Dragon, Kurzweil, SpeechWorks; alimentou IVR, automotivo, médico.
Anos 2000–2010: Móvel e Nuvem
- 2008 – Google Voice Search (iPhone): ASR na nuvem, grátis, volante massivo de dados.
- 2011 – Siri (Apple): Assistente de voz mainstream.
- 2014 – Deep Speech (Baidu) & CTC Loss: Deep learning end-to-end supera HMM/GMM.
- 2016 – WaveNet (DeepMind): TTS generativo; fechou o ciclo.
Anos 2020: Modelos Fundamentais
- Whisper (OpenAI, 2022): Multilíngue, robusto, open-source.
- ASR integrada a LLM: Context-aware, pontuação, diarização, tradução em um modelo.
- Streaming on-device: RNN-T, Conformer, Zipformer — tempo real, privado, offline.
De 10 dígitos a conversação fluente em 70 anos — a próxima década visa compreensão multilíngue, multi-locutor, consciente de emoções em todo lugar.
