Quando um benchmark de 2026 pediu a sistemas neurais de síntese de fala (TTS, do inglês text-to-speech) que enfatizassem a palavra certa em duas versões da mesma frase, os índices Pair-Correct ficaram próximos de zero para quase todos eles, e o melhor resultado foi 11,5%, mesmo com a ênfase marcada explicitamente na entrada (Turetzky et al., benchmark CAST 2026). O mesmo padrão atravessa o restante da pesquisa sobre prosódia: em um estudo com audiolivros em japonês, o erro de altura tonal praticamente dobrou entre a ressíntese por vocoder e o TTS completo, um classificador de emoções que acertou 99,64% nas gravações humanas acertou 15,31% nas sintetizadas, e os modelos de código fechado ficaram 0,93 ponto atrás das gravações reais em riqueza expressiva na leitura de textos longos. As notas gerais de naturalidade hoje ficam próximas das gravações humanas (veja nossas estatísticas de MOS da fala sintética), mas melodia, tempo e ênfase são onde ainda está a diferença restante. Reunimos dados do Journal of the Brazilian Computer Society, do Interspeech e dos ISCA Speech Synthesis Workshops, do Blizzard Challenge, do ACL 2026 Findings, do Journal of the Acoustical Society of America, do LabPhon e de mais de uma dúzia de artigos do arXiv.
TL;DR
- 95 de 100 estudos de avaliação de prosódia de 2020 a 2024 analisaram a altura tonal (F0), e o RMSE de F0 foi a métrica mais usada (Galdino et al., JBCS 2025).
- O RMSE de F0 em escala logarítmica tem correlação de apenas r = 0,30 com as notas humanas de prosódia (Yang et al., ProsodyEval 2025).
- O erro de altura tonal (RMSE de F0) foi 14,03 na linha só de vocoder HiFi-GAN contra 27,93 no melhor modelo de TTS completo (Xin et al., TTS de audiolivros 2022).
- Um TTS de referência em cantonês cometeu 32,76% de erros de quadro de F0 em perguntas declarativas contra 13,53% em afirmações (Bai et al., Interspeech 2022).
- Os ouvintes perceberam como perguntas apenas 21,83% das perguntas declarativas sintetizadas pelo sistema de referência (Bai et al., Interspeech 2022).
- A colocação correta da ênfase em ambos os pares (Pair-Correct) chegou no máximo a 11,5% entre todos os sistemas de TTS testados, enquanto um modelo só de texto alcançou 76,1% (Turetzky et al., CAST 2026).
- Os ouvintes reconheceram a raiva em 37% das gravações humanas, mas em 7% dos trechos sintetizados (Abilbekov et al., KazEmoTTS 2024).
- O reconhecimento de emoção na saída do CosyVoice 2 caiu de 83,93% (fala real) para 34,57% quando a prosódia precisava vir do texto (Ge et al., 2026).
- As notas de frases isoladas explicaram só cerca de 12% da variância das notas de parágrafos (Clark et al., SSW10 2019).
- O TTS de textos longos de código fechado teve média de 3,42 em riqueza expressiva contra 4,35 da fala real (Pan et al., SwanBench-Speech, ACL 2026 Findings).
- Leitores humanos corriam a 3,20 sílabas por segundo ao ler contra 4,96 ao falar livremente (Jacewicz et al., JASA 2010).
1. Medir a Prosódia: O Problema das Métricas
A área mede a prosódia principalmente com um único número, e esse número mal acompanha o que os ouvintes percebem. O RMSE de F0 em escala logarítmica, a métrica padrão de erro de altura tonal, teve correlação de r = 0,30 com as notas humanas de prosódia, menos da metade da correlação de uma métrica mais nova baseada em tokens (Yang et al., ProsodyEval 2025). F0 (frequência fundamental) é a medida acústica por trás da altura tonal percebida, e o RMSE (raiz do erro quadrático médio) compara a curva de altura tonal sintética, quadro a quadro, com uma única gravação humana da mesma frase.
O problema é estrutural: uma frase pode ser lida bem com muitas melodias diferentes, então a distância em relação a uma única referência pune variações válidas. Nem mesmo os grandes modelos de linguagem de áudio resolvem isso por enquanto, já que o Gemini 2.5 Pro obteve correlação de r = 0,27 com as notas humanas de prosódia no mesmo benchmark de 1.000 amostras, 7 sistemas de TTS e 2.000 notas humanas.
| Métrica | Valor | Fonte |
|---|---|---|
| Estudos de avaliação de prosódia analisados (publicados de 2020 a 2024) | 100 | Galdino et al., JBCS 2025 |
| Estudos que analisaram a altura tonal (F0) | 95 de 100 | Galdino et al., JBCS 2025 |
| Estudos por idioma: inglês / mandarim / japonês | 48 / 27 / 15 | Galdino et al., JBCS 2025 |
| Correlação com as notas humanas de prosódia: RMSE de F0 em escala logarítmica | r = 0,30 [0,19; 0,40] | Yang et al., ProsodyEval 2025 |
| Correlação com as notas humanas de prosódia: DS-WED (métrica baseada em tokens) | r = 0,77 [0,73; 0,81] | Yang et al., ProsodyEval 2025 |
| Gemini 2.5 Pro como juiz de prosódia, correlação com as notas humanas | r = 0,27 | Yang et al., ProsodyEval 2025 |
Contexto: a revisão sistemática do Journal of the Brazilian Computer Society também constatou que o LJ Speech, um corpus de inglês com um único falante e leitura de textos de não ficção, foi o conjunto de dados mais usado, de modo que boa parte da evidência publicada descreve um único estilo de leitura em um único idioma. Um benchmark separado, com 35 sistemas de TTS de 2008 a 2024, relata que a prosódia pesa mais nos sistemas mais recentes, e seus autores sugerem que os avaliadores humanos se concentram mais nela à medida que os problemas de ruído e inteligibilidade desaparecem (Minixhofer et al., TTSDS 2024).
2. Erro de Altura Tonal e de Duração Medido em Relação a Gravações Humanas
Quando um estudo separa o vocoder da etapa que prevê a prosódia a partir do texto, a maior parte do erro de altura tonal aparece na segunda. Em um estudo com audiolivros em japonês, o RMSE de F0 foi 14,03 na linha só de vocoder HiFi-GAN e 27,93 no melhor modelo de TTS completo, cerca de 2 vezes maior (27,93 / 14,03 = 1,99) (Xin et al., TTS de audiolivros 2022). Um vocoder é a etapa final que converte características acústicas em forma de onda, então uma nota só de vocoder aproxima o piso de erro da própria cadeia de áudio.
Preditores mais novos reduzem só alguns pontos. Um modelo de prosódia de 2025 treinado com cerca de 750 horas de áudio em inglês acertou a altura tonal de referência em 43,9% dos quadros, contra 40,2% da linha de base mais forte. A variedade de prosódia também é frágil: o ajuste fino por preferência (DPO) reduziu em 18,8% a diversidade de prosódia medida em um sistema.
| Métrica | Valor | Fonte |
|---|---|---|
| RMSE de F0: só vocoder (HiFi-GAN) contra o melhor modelo de TTS completo (audiolivros em japonês) | 14,03 contra 27,93 | Xin et al., TTS de audiolivros 2022 |
| Erro grosseiro de altura tonal: só vocoder (HiFi-GAN) contra o melhor modelo de TTS contra a linha de base | 2,2 contra 12,57 contra 14,16 | Xin et al., TTS de audiolivros 2022 |
| Preferência AB: modelo sensível ao contexto contra a linha de base (40 ouvintes) | 61,5% contra 38,5% | Xin et al., TTS de audiolivros 2022 |
| RMSE de F0: modelo hierárquico para textos longos contra a linha de base FastSpeech 2 com BERT (audiolivros em mandarim) | 36,61 contra 51,12 | Guo et al., HiGNN-TTS 2023 |
| MSE de duração: modelo hierárquico para textos longos contra a linha de base | 0,1083 contra 0,1421 | Guo et al., HiGNN-TTS 2023 |
| Precisão bruta de altura tonal (parcela de quadros próximos da altura tonal humana): ProMode contra a linha de base StyleTTS 2 | 43,9% contra 40,2% | Eren et al., ProMode 2025 |
| Variação da diversidade de prosódia após ajuste fino por DPO, CosyVoice 2 (LibriSpeech) | -18,8% | Yang et al., ProsodyEval 2025 |
Nota sobre valores atípicos: os valores de RMSE de F0 só são comparáveis dentro de um mesmo artigo, porque unidades, alinhamento e conjuntos de dados diferem. O artigo do ProMode não informa as unidades do seu RMSE, e o texto do HiGNN-TTS descreve o próprio resultado de F0 com palavras que contradizem a sua tabela, por isso reportamos os valores da tabela.
3. Perguntas, Sintaxe e Homógrafos: Acertar o Tipo de Frase
A entonação de pergunta falha onde a gramática não dá nenhuma pista. Um sistema Tacotron 2 de referência em cantonês cometeu erros de quadro de F0 em 32,76% dos quadros de perguntas declarativas, contra 13,53% em afirmações, e os ouvintes identificaram como perguntas apenas 21,83% de suas perguntas declarativas (Bai et al., Interspeech 2022). Uma pergunta declarativa é uma frase com forma de afirmação que deveria terminar com altura tonal ascendente; no corpus CanTTS elas somam cerca de 1.000 de 12.010 enunciados, então o modelo raramente vê o padrão. O erro de quadro de F0 conta os quadros em que a altura tonal, ou a presença de vozeamento, se afasta claramente da gravação humana.
A correção nesse estudo, um classificador de texto separado para distinguir pergunta de afirmação, elevou a identificação a 98,41%. Os sistemas mais novos continuam irregulares: no benchmark EmergentTTS-Eval de 2025, avaliado por um juiz de IA contra uma referência comercial em que 50% significa empate, os modelos de código aberto Sesame1B, Orpheus-TTS e Qwen 2.5 Omni ganharam 31,78%, 39,64% e 49,28% das amostras de perguntas (Manku et al., Boson AI, EmergentTTS-Eval 2025).
| Métrica | Valor | Fonte |
|---|---|---|
| Perguntas declarativas identificadas como perguntas: Tacotron 2 de referência contra modelo com classificador de perguntas | 21,83% contra 98,41% | Bai et al., Interspeech 2022 |
| Erro de quadro de F0 em perguntas declarativas contra afirmações, Tacotron 2 de referência | 32,76% contra 13,53% | Bai et al., Interspeech 2022 |
| Entonação de pergunta percebida corretamente: ressíntese por vocoder contra duas linhas de base de TTS emocional | 99,2% contra 81,6% e 85,9% | Tang et al., QI-TTS 2023 |
| Taxa de vitória na categoria Perguntas contra a linha de base: GPT-4o-audio (melhor no geral) contra Sesame1B | 56,96% contra 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Taxa de vitória em complexidade sintática contra a linha de base: Orpheus-TTS contra Sesame1B | 38,92% contra 18,88% | Boson AI, EmergentTTS-Eval 2025 |
| Taxa de vitória em pronúncia complexa contra a linha de base: Qwen 2.5 Omni | 3,30% | Boson AI, EmergentTTS-Eval 2025 |
| Concordância entre o ranking do juiz de IA e o ranking humano (Spearman) | 90,5% | Boson AI, EmergentTTS-Eval 2025 |
| Teste de homógrafos em francês (Blizzard 2023): nível do acaso contra os melhores sistemas | 50% contra mais de 80% | Perrotin et al., Blizzard Challenge 2023 |
Contexto: os homógrafos (palavras escritas igual, mas pronunciadas de modo diferente, como o francês ‘est’, verbo ou ponto cardeal) foram avaliados por 218 ouvintes em um teste ABX no Blizzard Challenge 2023, e os organizadores associaram os melhores resultados a sistemas que usavam um modelo de linguagem grande no codificador de texto. O estudo do QI-TTS é de março de 2023; dado mais recente disponível para essa medida.
4. Ênfase e Acento Contrastivo
Colocar a ênfase na palavra certa é a falha mais clara hoje. No benchmark CAST com 113 pares contrastivos (226 itens), os índices Pair-Correct (a palavra certa enfatizada nas duas versões de um par) ficaram próximos de zero para quase todos os sistemas, e o melhor foi 11,5%, alcançado apenas quando a ênfase era marcada explicitamente na entrada (Turetzky et al., CAST 2026). O mesmo benchmark mostrou que um modelo de linguagem só de texto consegue deduzir a ênfase pretendida a partir do contexto em 76,1% das vezes, ou seja, a informação está disponível: os sistemas de TTS é que não a transformam em som.
Fornecer ao modelo de TTS o contexto anterior não trouxe melhora clara em nenhum sistema. Estudos mais antigos com ouvintes apontam na mesma direção: as marcações de erro na fala sintética se concentram em torno de fronteiras prosódicas, e a variação prosódica extra costuma ser ouvida como erro quando não se encaixa no contexto.
| Métrica | Valor | Fonte |
|---|---|---|
| Palavra-alvo enfatizada (Hit) / ambos os lados corretos (Pair-Correct): Kokoro | 38,1% / 0,0% | Turetzky et al., CAST 2026 |
| Hit / Pair-Correct: GPT-4o-mini-tts com marcação explícita de ênfase | 51,8% / 11,5% | Turetzky et al., CAST 2026 |
| Hit / Pair-Correct: Claude Haiku 4.5 só de texto prevendo a ênfase a partir do contexto | 88,1% / 76,1% | Turetzky et al., CAST 2026 |
| Palavra enfatizada identificada pelos ouvintes, EME-TTS: emoção média contra surpresa | 78% contra 64% | Li et al., EME-TTS 2025 |
| Correlação entre a nota de prosódia e a taxa de erro marcada pelos ouvintes | R = -0,75 | Gutierrez et al., SSW11 2021 |
| Parcela das vezes em que a palavra mais marcada como erro no FastPitch vinha logo antes de pontuação (texto de audiolivro) | 73% | Gutierrez et al., SSW11 2021 |
Contexto: a concordância dos ouvintes sobre onde cai a ênfase na fala sintética é, por si só, modesta (kappa de Fleiss = 0,36 entre três ouvintes no mesmo benchmark), o que é um dos motivos pelos quais a ênfase é difícil de medir. No EME-TTS (11 ouvintes), a surpresa teve a menor nota, e os autores atribuem isso à subida frequente da altura tonal no fim da fala surpresa, que levou os ouvintes a perceber a última palavra como enfatizada. O estudo de transcrição prosódica rápida é de 2021; dado mais recente disponível para a marcação de erros pelos ouvintes.
5. Prosódia Emocional: O Que Ouvintes e Classificadores Reconhecem
A emoção é transmitida em grande parte pela prosódia, e a emoção sintética é reconhecida com muito menos frequência que a gravada. Em um estudo em cazaque com 64 ouvintes, a emoção pretendida foi reconhecida em 43% das gravações humanas, mas em 32% dos trechos sintetizados, e a raiva caiu de 37% para 7% (Abilbekov et al., KazEmoTTS 2024).
Uma análise de 2026 rastreou onde a emoção se perde. No CosyVoice 2, o reconhecimento de emoção ficou em 82,43% após a reconstrução pelo vocoder e em 84,07% quando o modelo recebeu os tokens de fala reais, próximo dos 83,93% da fala real, mas caiu para 34,57% quando o modelo precisou gerar a fala a partir do texto (Ge et al., On the Emotion Understanding of Synthesized Speech, 2026). A perda está na etapa de texto para prosódia, não na qualidade do áudio. Para saber como os modelos de reconhecimento se saem em vozes humanas, veja nossas estatísticas de reconhecimento de emoção na fala.
| Métrica | Valor | Fonte |
|---|---|---|
| Reconhecimento de emoção pelos ouvintes: gravações humanas contra sintetizadas (6 emoções) | 43% contra 32% | Abilbekov et al., KazEmoTTS 2024 |
| Reconhecimento de raiva pelos ouvintes: gravações humanas contra sintetizadas | 37% contra 7% | Abilbekov et al., KazEmoTTS 2024 |
| Acurácia do classificador de emoções (emotion2vec): gravações humanas do TESS contra TESS sintetizado | 99,64% contra 15,31% | Ge et al., 2026 |
| Acurácia do classificador de emoções: IEMOCAP humano contra IEMOCAP sintetizado | 71,28% contra 49,58% | Ge et al., 2026 |
| CosyVoice 2 no TESS: fala real contra só vocoder contra geração guiada por texto | 83,93% contra 82,43% contra 34,57% | Ge et al., 2026 |
| Acurácia do classificador de emoções na saída do gpt-4o-tts (frases do CREMA-D / TESS) | 32,94% / 46,42% | Ge et al., 2026 |
| Acurácia de reclassificação de emoção: gravações humanas passadas pelo vocoder contra o melhor e o pior de três sistemas de TTS | 0,931 contra 0,749 e 0,623 | Tang et al., ED-TTS 2024 |
| Taxa de vitória na categoria Emoções contra a linha de base: GPT-4o-audio contra Sesame1B | 88,84% contra 7,32% | Boson AI, EmergentTTS-Eval 2025 |
Nota sobre valores atípicos: os números dos classificadores de 2026 são notas de máquina, não julgamentos de ouvintes, e um classificador treinado com fala sintetizada chegou a 91,84% no TESS sintetizado, mas a 15,00% no TESS humano, o que sugere que a emoção sintética e a humana diferem acusticamente. O ED-TTS usou o próprio classificador de emoções, então sua escala não é diretamente comparável à do emotion2vec.
6. Leitura de Textos Longos: Onde os Testes com Frases Deixam de Funcionar
Uma prosódia que soa bem frase a frase pode se desviar, achatar-se ou colocar pausas no lugar errado ao longo de um parágrafo. Em um estudo de leitura de notícias, até a melhor nota de uma única frase de um parágrafo explicou apenas cerca de 12% da variância da nota do parágrafo inteiro (MOS máximo de frase contra MOS do parágrafo, r = 0,345, p < 0,01) (Clark et al., Evaluating Long-form Text-to-Speech, SSW10 2019). Os autores concluíram que as notas no nível da frase são «maus preditores do MOS do parágrafo».
O quadro de 2026 é mais estreito, mas não está fechado. No SwanBench-Speech, o melhor sistema de código fechado chegou a 0,09 das gravações reais na nota de prosódia (3,95 contra 4,04), mas a média dos sistemas de código fechado ficou 0,93 ponto abaixo da fala real tanto em riqueza expressiva (ressonância emocional, retrato de personagens, narração de histórias) quanto em hierarquia expressiva (dinâmica expressiva no nível do parágrafo), e a maioria dos modelos piorou quando o trecho passava de 100 palavras (Pan et al., SwanBench-Speech, ACL 2026 Findings). Para produtores que trabalham com conteúdo narrado de treinamento e explicativo, nossas estatísticas de locução com IA cobrem a adoção, e um gerador de voz com IA é mais fácil de avaliar em um parágrafo completo, não em uma única linha.
| Métrica | Valor | Fonte |
|---|---|---|
| Correlação, nota média das frases contra nota do parágrafo (notícias) | r = 0,296 (p < 0,05) | Clark et al., SSW10 2019 |
| Nota média, frases curtas contra trechos de 40 segundos, melhor modelo | 4,09 contra 3,86 | Guo et al., HiGNN-TTS 2023 |
| Nota média, frases curtas contra trechos de 40 segundos, linha de base | 3,52 contra 3,34 | Guo et al., HiGNN-TTS 2023 |
| Teste de escuta de audiolivro: ouvintes / notas / duração do trecho | 204 / 33.750 / cerca de 2 minutos | Zhang et al., SSW 2023 |
| Ganho de qualidade geral com os aprimoramentos para textos longos (resumo) | +0,47 MOS | Zhang et al., SSW 2023 |
| Nota comparativa após remover o contexto de várias frases: voz feminina / masculina | -0,42 / -0,58 | Zhang et al., SSW 2023 |
| Riqueza expressiva: fala real contra média dos sistemas de código fechado contra média dos de código aberto | 4,35 contra 3,42 contra 3,03 | Pan et al., SwanBench-Speech 2026 |
| Hierarquia expressiva (dinâmica no nível do parágrafo): fala real contra média dos sistemas de código fechado | 3,94 contra 3,01 | Pan et al., SwanBench-Speech 2026 |
Contexto: as notas do SwanBench são automáticas. Sua métrica de prosódia concordou com 10 avaliadores humanos em SRCC = 0,82 em 50 pares, e seu juiz de riqueza e hierarquia (Gemini 3 Pro) em 0,71 e 0,62. O artigo sobre síntese de audiolivros afirma que seus aprimoramentos «reduzem a enorme distância entre a síntese de referência e as gravações naturais» sem eliminá-la. O estudo de Clark et al. é de 2019; dado mais recente disponível para a comparação entre frase e parágrafo.
7. A Linha de Base Humana: Quanto a Prosódia Real Varia
Qualquer número de «erro» pressupõe um alvo, e a prosódia humana é um alvo largo. Entre 192 falantes de inglês americano, a taxa de articulação foi de 3,20 sílabas por segundo na leitura de frases e de 4,96 na fala espontânea (Jacewicz et al., JASA 2010). A taxa de articulação conta sílabas por segundo sem as pausas, de modo que isola o andamento da hesitação.
A variação dentro de uma mesma pessoa é a maior história: nos mesmos dados, a variação de frase para frase em um falante superou a variação entre falantes. Um estudo de corpus apresentado no LabPhon 19, com quase 120.000 enunciados, constatou que os falantes individuais variam mais do que os dialetos. É por isso que uma única gravação de referência é uma régua fraca, como a seção 1 mostrou para o RMSE de F0.
| Métrica | Valor | Fonte |
|---|---|---|
| Taxa de articulação, frases lidas contra fala espontânea (sílabas por segundo) | 3,20 contra 4,96 | Jacewicz et al., JASA 2010 |
| Taxa na fala espontânea, falantes de Wisconsin contra Carolina do Norte (sílabas por segundo) | 5,21 contra 4,80 | Jacewicz et al., JASA 2010 |
| Taxa de leitura, adultos jovens contra adultos mais velhos (sílabas por segundo) | 3,58 contra 3,0 | Jacewicz et al., JASA 2010 |
| Variância da taxa de fala: dentro do falante contra entre falantes | 1,0 contra 0,19 | Jacewicz et al., JASA 2010 |
| Tamanho do corpus: enunciados / falantes / dialetos | 119.736 / 1.115 / 15 | Tanner et al., LabPhon 19 |
| Diferença estimada na taxa de articulação entre dialetos do inglês | cerca de 40% (cerca de 2 sílabas por segundo) | Tanner et al., LabPhon 19 |
| Probabilidade de a variação entre falantes superar a variação entre dialetos | 0,98 | Tanner et al., LabPhon 19 |
Contexto: o artigo sobre taxa de articulação do SPADE usou 14 corpora de fala espontânea do inglês britânico e norte-americano. Os dados de Jacewicz são de 2010; dado mais recente disponível para o andamento da leitura contra o da fala espontânea em uma única amostra controlada. Para outra característica prosódica em que os julgamentos dos ouvintes divergem da acústica, veja nossas estatísticas de vocal fry.
Resumo: Erro de Prosódia e Entonação em TTS Neural em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Estudos de prosódia (2020 a 2024) que analisaram a altura tonal | 95 de 100 | Galdino et al., JBCS 2025 |
| Correlação do RMSE de F0 em escala logarítmica com as notas humanas de prosódia | r = 0,30 | Yang et al., ProsodyEval 2025 |
| RMSE de F0: só vocoder contra o melhor TTS completo | 14,03 contra 27,93 | Xin et al., 2022 |
| Precisão bruta de altura tonal de um preditor de prosódia de 2025 | 43,9% | Eren et al., ProMode 2025 |
| Erro de quadro de F0, perguntas declarativas contra afirmações (linha de base) | 32,76% contra 13,53% | Bai et al., Interspeech 2022 |
| Perguntas declarativas percebidas como perguntas: linha de base contra modelo com classificador | 21,83% contra 98,41% | Bai et al., Interspeech 2022 |
| Taxa de vitória em Perguntas contra a linha de base: GPT-4o-audio contra Sesame1B | 56,96% contra 31,78% | Boson AI, EmergentTTS-Eval 2025 |
| Teste de homógrafos: nível do acaso contra os melhores sistemas | 50% contra mais de 80% | Perrotin et al., Blizzard 2023 |
| Acento contrastivo Pair-Correct: melhor TTS contra modelo de linguagem só de texto | 11,5% contra 76,1% | Turetzky et al., CAST 2026 |
| Reconhecimento de emoção pelos ouvintes: fala humana contra sintetizada | 43% contra 32% | Abilbekov et al., KazEmoTTS 2024 |
| Classificador de emoções: TESS humano contra TESS sintetizado | 99,64% contra 15,31% | Ge et al., 2026 |
| Acurácia de emoção do CosyVoice 2: fala real contra guiada por texto | 83,93% contra 34,57% | Ge et al., 2026 |
| Nota de frase contra nota de parágrafo, variância explicada | cerca de 12% | Clark et al., SSW10 2019 |
| Riqueza expressiva: fala real contra média dos sistemas de código fechado | 4,35 contra 3,42 | Pan et al., SwanBench-Speech 2026 |
| Frases curtas contra trechos de 40 segundos, melhor modelo | 4,09 contra 3,86 | Guo et al., HiGNN-TTS 2023 |
| Taxa de articulação lida contra espontânea (sílabas por segundo) | 3,20 contra 4,96 | Jacewicz et al., JASA 2010 |
| Diferença na taxa de articulação entre dialetos do inglês | cerca de 40% | Tanner et al., LabPhon 19 |
Metodologia e Fontes
Todos os números acima foram lidos no artigo, na página de anais ou no texto completo que os reportou. Quando um artigo mostrava resultados apenas em gráfico, usamos suas conclusões declaradas e descartamos valores aproximados. As notas atribuídas por máquina (juízes de IA, classificadores de emoção, benchmarks automáticos) estão identificadas como tal no texto e não devem ser lidas como percentuais de ouvintes.
- Galdino, Matos, Svartman e Aluisio, “The evaluation of prosody in speech synthesis: a systematic review”, Journal of the Brazilian Computer Society, 9 de julho de 2025
- Yang et al., “Measuring Prosody Diversity in Zero-Shot TTS” (ProsodyEval), arXiv 2509.19928, revisado em 1 de abril de 2026
- Minixhofer, Klejch e Bell, “TTSDS - Text-to-Speech Distribution Score”, arXiv 2407.12707, 2024
- Xin et al., “Improving Speech Prosody of Audiobook Text-to-Speech Synthesis with Acoustic and Textual Contexts”, arXiv 2211.02336, 2022
- Guo et al., “HiGNN-TTS: Hierarchical Prosody Modeling with Graph Neural Networks for Expressive Long-form TTS”, arXiv 2309.13907, 2023
- Eren et al., “ProMode: A Speech Prosody Model Conditioned on Acoustic and Textual Inputs”, arXiv 2508.09389, 2025
- Bai, Ko e Zhang, “A Study of Modeling Rising Intonation in Cantonese Neural Speech Synthesis”, Interspeech 2022
- Tang et al., “QI-TTS: Questioning Intonation Control for Emotional Speech Synthesis”, arXiv 2303.07682, 2023
- Manku et al. (Boson AI), “EmergentTTS-Eval”, arXiv 2505.23009, 29 de maio de 2025
- Perrotin, Stephenson, Gerber e Bailly, “The Blizzard Challenge 2023”, ISCA Archive
- Turetzky et al., “Knowing What to Stress: A Discourse-Conditioned Text-to-Speech Benchmark” (CAST), arXiv 2604.10580, 12 de abril de 2026
- Li et al., EME-TTS, sobre a relação entre ênfase e emoção na síntese de fala, arXiv 2507.12015, 2025
- Gutierrez, Oplustil-Gallegos e Lai, “Location, Location”, ISCA SSW11, 2021
- Abilbekov et al., “KazEmoTTS: A Dataset for Kazakh Emotional Text-to-Speech Synthesis”, arXiv 2404.01033, 2024
- Ge et al., “On the Emotion Understanding of Synthesized Speech”, arXiv 2603.16483, 17 de março de 2026
- Tang et al., “ED-TTS: Multi-Scale Emotion Modeling using Cross-Domain Emotion Diarization”, arXiv 2401.08166, 2024
- Clark, Silen, Kenter e Leith, “Evaluating Long-form Text-to-Speech: Comparing the Ratings of Sentences and Paragraphs”, SSW10, arXiv 1909.03965, 2019
- Zhang et al., “Audiobook synthesis with long-form neural text-to-speech”, ISCA SSW12, 2023
- Pan et al., “Comprehensive Benchmarking of Long-Form Speech Generation in Diverse Scenarios” (SwanBench-Speech), ACL 2026 Findings, arXiv 2605.28618
- Jacewicz, Fox e Wei, “Between-speaker and within-speaker variation in speech tempo of American English”, Journal of the Acoustical Society of America, 2010
- Tanner et al. e o SPADE Data Consortium, “Exposing the anatomy of articulation rate across English dialects and speakers”, LabPhon 19
- Atenção aos dados: os valores de RMSE de F0 não são comparáveis entre artigos (unidades, alinhamento e conjuntos de dados diferentes), e o artigo do ProMode não informa as unidades. Xin et al. listam uma linha HiFi-GAN sem descrevê-la; nós a interpretamos como saída só de vocoder porque sua distorção espectral é muito inferior à das linhas de TTS, o que é uma inferência nossa. Jacewicz et al. apresentam 5,21 e 4,80 sílabas por segundo no texto, mas 5,38 e 4,97 em uma tabela para os mesmos dialetos; reportamos o texto. O artigo de audiolivros do SSW 2023 apresenta um ganho de 0,47 MOS no resumo e de 0,46 no corpo do texto; os valores por sistema em seu gráfico não puderam ser associados com segurança, então foram omitidos. O SwanBench-Speech diz que a diferença de hierarquia é «de mais de meio ponto», enquanto as médias de sua tabela implicam 0,93; reportamos a tabela. Os resultados do EmergentTTS-Eval e do SwanBench vêm de juízes de IA validados contra pequenos painéis humanos, e relatórios técnicos posteriores que reescreveram os textos do EmergentTTS não são comparáveis com o artigo original. Os números do QI-TTS (2023), de Xin et al. (2022), Bai et al. (2022), Gutierrez et al. (2021), Clark et al. (2019) e Jacewicz et al. (2010) têm mais de três anos e são os dados mais recentes disponíveis para essas medidas específicas. Várias fontes de 2026 são preprints e podem mudar após a revisão por pares. Os próximos resultados do Blizzard Challenge e os anais do Speech Prosody podem trazer dados mais novos sobre entonação de perguntas e textos longos.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando os próximos resultados do Blizzard Challenge forem publicados no ISCA Archive.