Orientadora: Profa. Paula Dornhofer Paro Costa (FEEC-Unicamp) Coorientador: Dr. Lucas Hideki Ueda
Este projeto de mestrado tem como foco principal estudar a aplicação de Inteligência Artificial para aprimorar a interação humano-computador por meio da voz. O escopo da pesquisa abrange o desenvolvimento e a integração de tecnologias essenciais para uma comunicação automatizada fluida em português brasileiro, incluindo tarefas de Reconhecimento Automático de Fala (ASR) e Síntese de Fala (Text-to-Speech, TTS). Adicionalmente, o projeto envolve a otimização sustentável desses modelos, buscando torná-los mais eficientes e adequados para aplicações reais. O objetivo central é criar sistemas robustos capazes de compreender e gerar fala.
A realização deste projeto representa uma oportunidade significativa para a/o pós-graduanda/o aprofundar seus conhecimentos técnicos e fazer contribuições originais à comunidade científica nas áreas de processamento de fala e inteligência artificial. Ao mesmo tempo, o projeto propicia o desenvolvimento de habilidades práticas no processamento e modelagem de sinais de fala, bem como o domínio de técnicas avançadas de deep learning aplicadas à criação de interfaces de voz e à eficiência computacional.
Para este projeto, buscam-se candidatas/os que tenham afinidade e interesse na intersecção entre as áreas de processamento de fala, aprendizado de máquina, IA generativa e interação humano-computador. Por se tratar de um projeto de mestrado, espera-se que as/os estudantes tenham forte vocação para a pesquisa, capacidade de aprendizado autônomo, rigor científico e raciocínio crítico.
Este projeto de pesquisa está inserido no contexto do projeto INSPIRE - IA no Serviço Público com Inovação, Responsabilidade e Ética, com foco na pesquisa e no desenvolvimento de tecnologias de síntese e reconhecimento de fala em português brasileiro para a comunicação automatizada entre serviços públicos digitais e cidadãos. O projeto é conduzido em conjunto com a empresa CPQD, com o apoio do Ministério da Gestão e da Inovação em Serviços Públicos, Ministério da Ciência, Tecnologia e Inovação (MCTI) e Finep.
Huang, K.-P., “EmoRES-TTS: Residual-Enhanced Vector Steering for Emotional Speech Generation”, arXiv e-prints, Art. no. arXiv:2609.38157, 2026. doi:10.48550/arXiv.2609.38157.
S. Mehta, R. Tu, J. Beskow, É. Székely and G. E. Henter, "Matcha-TTS: A Fast TTS Architecture with Conditional Flow Matching," ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Seoul, Korea, Republic of, 2024, pp. 11341-11345, doi: 10.1109/ICASSP48485.2024.10448291.
Sorin, A., Shechtman, S., Hoory, R. (2020) Principal Style Components: Expressive Style Control and Cross-Speaker Transfer in Neural TTS. Proc. Interspeech 2020, 3411-3415, doi: 10.21437/Interspeech.2020-1854.
G. Ramesh, K. Audhkhasi and B. Ramabhadran, "Task Vector Algebra for ASR Models," ICASSP 2024 - 2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Seoul, Korea, Republic of, 2024, pp. 12256-12260, doi: 10.1109/ICASSP48485.2024.10447848.
Radford, A., Kim, J.W., Xu, T., Brockman, G., Mcleavey, C. & Sutskever, I.. (2023). Robust Speech Recognition via Large-Scale Weak Supervision. Proceedings of the 40th International Conference on Machine Learning, in Proceedings of Machine Learning Research 202:28492-28518 Disponível em: https://proceedings.mlr.press/v202/radford23a.html.
Kulkarni, A., Kulkarni, A., Couceiro, M., Trancoso, I. (2024) Unveiling Biases while Embracing Sustainability: Assessing the Dual Challenges of Automatic Speech Recognition Systems. Proc. Interspeech 2024, 4628-4632, doi: 10.21437/Interspeech.2024-2494.