Lidar com sotaques e enviesamento na biometria de voz
October 15, 2025
•min read
Investigação em IA
Figura 1: mapear a diversidade global da voz
A “lacuna do sotaque”
Historicamente, o reconhecimento de voz funcionava muito bem com os sotaques “General American” ou “Received Pronunciation” (britânico).
Falhava redondamente com locutores não nativos, dialetos regionais ou AAVE.
Porquê? A aprendizagem supervisionada dependia de conjuntos de dados rotulados (na sua maioria lidos por atores pagos em estúdio).
Entra a aprendizagem autossupervisionada (SSL)
Os modelos modernos (como o Wav2Vec 2.0 e o HuBERT) não precisam de rótulos.
Treinam com mais de 100,000 horas de áudio aleatório da internet (YouTube, podcasts, rádio) em mais de 100 idiomas.
Aprender física, não pronúncia
Os modelos antigos aprendiam “como se pronuncia ‘Hello’”.
Os modelos novos aprendem “como o seu trato vocal ressoa”.
- A pronúncia é aprendida (varia consoante a cultura/o sotaque).
- A física do trato vocal é biológica (única para si).
Ao concentrarmo-nos na física (timbre, tom, ressonância), tornamos a autenticação independente do idioma.
Avaliar a equidade
Testamos os modelos IdentityCall ‘26 contra o conjunto de dados “FairVoice”.
| Grupo de sotaque | Taxa de falsa rejeição (antiga) | Taxa de falsa rejeição (nova) |
|---|---|---|
| Nativo dos EUA | 1.2% | 0.8% |
| Sotaque espanhol | 4.5% | 0.9% |
| Sotaque asiático | 5.1% | 1.0% |
A lacuna fechou-se. A segurança não deve discriminar.
Inclusivo desde a conceção
Não nos limitamos a “remendar” o enviesamento. Construímos arquiteturas que ignoram a camada cultural da fala e verificam a camada humana.
Tags:
