É provável que a maioria das pessoas já tenha ouvido falar em tradução automática (doravante TA), não sendo um exagero afirmar que praticamente todos conhecem ou já usaram, pelo menos uma vez, o Google Tradutor ou outra ferramenta de TA online para traduzir automaticamente algum tipo de texto. O aumento de recursos linguísticos tais como dicionários eletrônicos e corpora paralelos, aliados às tecnologias da informação e comunicação, têm contribuído para a popularização e evolução da tecnologia de TA (BARREIRO et al. 2014).

A interpretação automática (doravante IA), por outro lado, ainda não atingiu uma popularidade considerável, apesar de já ter sido tema de várias obras de ficção científica. Na famosa série norte-americana Star Trek, o Universal Translator é usado para decifrar e interpretar línguas alienígenas através do escaneamento de ondas cerebrais. Outro exemplo é o Babel Fish, da série O guia do mochileiro das galáxias, um pequeno dispositivo em formato de peixe, que ao ser introduzido no ouvido possibilita que qualquer pessoa compreenda qualquer língua do universo (DECAMP E ZETZSCHE 2015).

No mundo real, todavia, a IA, ou tradução automática de fala, e a criação de sistemas computacionais que a operem, cumprindo com todas as exigências de um cenário de interpretação de conferências, ainda é uma incógnita, e tem sido investigada há mais de duas décadas pelas áreas de Ciências da Computação e Inteligência Artificial (PÖCHHACKER 2004).

Para o autor chinês da Universidade de Hong Kong, Lee Tan (2015), a interpretação automática é uma tecnologia que converte um discurso oral de uma língua para outra, possibilitando a comunicação entre pessoas de diferentes línguas, por meio de um software que congrega reconhecimento automático de fala, tradução automática e síntese de voz. Lee (2015) explica que, atualmente, espera-se que essa tecnologia avance no sentido de traduzir oralmente sentenças inteiras, mantendo o ritmo de um discurso natural e contínuo, com alto grau de inteligibilidade e qualidade.

Nos últimos anos, as tecnologias de IA evoluíram para além do meio acadêmico, deixando de ser tema exclusivo de discussões teóricas para serem empregadas em situações em que antes somente a inteligência humana poderia intervir (AMINZADEH E SHEN 2009).

Waibel e Fügen (2008), Nakamura (2009) e vários outros pesquisadores informam que o aumento da importância dada à IA, na atualidade, deve-se ao processo de globalização que a humanidade está vivendo: “A economia global sem fronteiras torna a comunicação entre falantes de diferentes línguas potencialmente importante. A tecnologia de interpretação automática [...] tem sido desde há muito tempo um sonho para a humanidade” (NAKAMURA 2009: 35, tradução nossa)¹.

Liu e Zhang (2015) destacam que há um interesse cada vez maior em tecnologias de comunicação multimodal e multilíngue através dos meios de comunicação social e comunidades online. Essa conjuntura tem permitido o desenvolvimento de sistemas de tradução e interpretação automáticas (TA e IA), inseridos no contexto de um circuito global de tecnologias de processamento de conteúdo inteligente, em cujo centro encontra-se a TA (LIU E ZHANG 2015).

A disponibilidade de tecnologias capazes de realizar traduções de qualidade gera expectativas não só para o presente. Em 2004, por exemplo, um artigo da revista MIT Technology Review elegeu a IA entre as dez tecnologias que mudariam o mundo. Yuqing Gao (2004) estimava que no prazo de dez anos as tecnologias de tradução universal estariam presentes em dispositivos móveis e celulares ao alcance de qualquer pessoa.

As previsões de Gao não estavam equivocadas, pois já nos anos 2000 as empresas Google e Microsoft, líderes no mercado global de tecnologias, anunciaram o lançamento de aplicativos gratuitos de IA (CASTELLUCCIO 2014; RAWLINSON 2015).

Assim como tem acontecido com a TA, as discussões sobre a IA versam, em sua grande maioria, a respeito da confiabilidade das traduções produzidas por tais tecnologias (BARREIRO et al. 2014). Grande parte dos sistemas disponíveis no mercado trabalha apenas com um determinado número de pares linguísticos e são programados para atuar em domínios especializados (turismo, negócios, saúde etc.).

Por mais que esse tipo de tecnologia possa provocar algum temor aos intérpretes humanos, Jekat e Klein (1996) já mencionavam a importância de se enfatizar que os sistemas de IA não podem, nem pretendem, substituir o intérprete humano. Faz parte desse processo, entretanto, a exploração dos mecanismos pelos quais a interpretação humana se realiza, visto que a comparação entre a tradução humana e a automática é uma das principais exigências para a descrição dos possíveis resultados práticos alcançados por um sistema de IA (JEKAT E KLEIN 1996).

Nesse sentido, não apenas as pesquisas sobre os aspectos teórico- práticos quanto à IA encontram-se em construção, mas a própria terminologia que a constitui. Embora tenham sido utilizados no título, e ao longo deste trabalho, os termos “Interpretação Automática”, percebe-se que ainda não parece haver uma terminologia consistente que a conceitue e defina. Pesquisas junto aos mais diversos catálogos de artigos, teses, dissertações e livros, tanto em meio impresso quanto eletrônico, revelam a baixa incidência de trabalhos científicos sobre a IA em contexto brasileiro. Como grande parte das publicações se encontram atreladas a países da União Europeia, EUA e Japão, propõe-se aqui implementar um estudo bibliográfico sobre a IA que poderá estabelecer diálogos entre teorias ocidentais e orientais (LEE 2015), vislumbrando seu possível estudo também em cenário brasileiro. Quando trazidas ao âmbito nacional, as discussões podem contribuir para o fenômeno de expansão teórica da IA para além das instituições de pesquisa do exterior (AMINZADEH E SHEN 2009), lançando as bases para estudos futuros que abordem os impactos da tecnologia no trabalho do intérprete profissional.

A partir do exposto, o objetivo geral deste trabalho é realizar um levantamento bibliográfico sobre a IA, com vistas a compreender como os teóricos a concebem e descrevem no cenário atual. Com base no exame bibliográfico, construir-se-á um inventário de candidatos a termos (FINATTO 2002; FROMM 2005) que a denominam e conceituam, para seu possível uso em português do Brasil.

Espera-se que este estudo possa converter-se nos primeiros passos para a futura construção do estado da arte da IA, ainda inexistente no Brasil.

Tendo por base o objetivo de realizar um levantamento bibliográfico sobre a IA, a metodologia utilizada neste trabalho é a pesquisa bibliográfico- documental, de caráter inventariante e descritivo. Esse tipo de pesquisa, no campo das ciências humanas, incluindo dissertações de mestrado, teses de doutorado, publicações em periódicos e comunicações em anais de congressos e de seminários, vem sendo bastante difundida e utilizada nas últimas duas décadas (FERREIRA 2002).

A pesquisa bibliográfica tenta responder quais aspectos e dimensões vêm sendo contemplados pelas investigações científicas de determinada área do conhecimento em diferentes épocas e lugares, as diferentes formas com que o objeto de estudo é abordado e em que condições essas pesquisas se desenvolvem (FERREIRA 2002).

Na obra Introducing Interpreting Studies, Pöchhacker (2004) cita a IA como uma linha de pesquisa voltada para tecnologias futuristas e faz diversas referências a três termos que foram utilizados nesta pesquisa como palavras- chave aplicadas aos mecanismos de busca selecionados: automatic interpreting/interpretation, machine interpreting/interpretation e speech- to-speech machine translation.

Esses termos citados por Pöchhacker (2004) foram traduzidos para o português pelos autores deste trabalho e aplicados aos mecanismos de busca das bases dos periódicos pertencentes aos bancos de pesquisa online da CAPES, SciElo e Google Acadêmico, a fim de encontrar possíveis fontes em português. Essa etapa, todavia, resultou em apenas dois trabalhos em português brasileiro, a dissertação de Duarte (2014) e o artigo de Pinto e Prikladnicki (2015), dois trabalhos em português europeu, a dissertação de Gusmão (2008), e o artigo de Barreiro et al. (2014), do instituto INESC-ID, de Lisboa. A partir desses primeiros resultados, verificando-se a baixa incidência de pesquisas sobre IA em português, o foco passou a ser as produções científicas relativas ao tema em outros países, como uma motivação a mais para realizar um estudo do tipo bibliográfico, voltado para uma temática ainda pouco explorada no Brasil.

Pöchhacker (2004) cita o artigo Machine interpretation: Open Problems and Some Solutions, de Jekat e Klein (1996), publicado no periódico Interpreting (International Journal of Research and Practice in Interpreting, da editora John Benjamins) como sendo um dos trabalhos inaugurais sobre a temática. A partir da leitura inicial de Pöchhacker (2004) e tomando por base a técnica de pesquisa snowball, citada por Hale e Napier (2013), contatou-se via e-mail a pesquisadora austríaca Alexandra Klein, coautora do artigo, que concedeu uma cópia impressa do seu trabalho, enviada por correio terrestre, uma vez que seu artigo não se encontra disponível na internet.

A partir do artigo de Jekat e Klein (1996), o acesso a uma série de novas referências bibliográficas concernentes à IA fez expandir a lista de palavras-chave, que passou a conter speech translation e spoken language translation, resultando num total de cinco palavras-chave aplicadas aos bancos de pesquisa.

Estabelecidas as palavras-chave, deu-se início à elaboração do corpus de dissertações de mestrado, teses de doutorado, publicações em periódicos e comunicações em anais de congressos e de seminários. Inicialmente, o primeiro banco de pesquisa selecionado foi o Google Acadêmico, ferramenta que oferece acesso a bancos de dados e bibliotecas digitais sem que seja necessário que o usuário acesse esses recursos diretamente. Obteve-se então acesso aos primeiros 70 trabalhos científicos que compõem o corpus desta pesquisa.

Além do Google Acadêmico, aplicou-se as palavras-chave aos mecanismos de busca da biblioteca digital IEEE Xplore ², citada por Lee (2015), estabelecendo-se assim o segundo banco de pesquisa de relevância. A partir deste momento, descartou-se a palavra-chave automatic interpreting/interpretation, já que os resultados obtidos nas pesquisas junto à biblioteca digital IEEE Xplore referiam-se à tecnologia de interpretação automática de imagens e não à interpretação automática de fala.

Segundo Pöchhacker (2004), as pesquisas sobre o uso de tecnologia na interpretação se deu a partir dos anos 80, quando foram desenvolvidos sistemas de interpretação por telefone e tele interpretação. A partir desse dado, definiu-se realizar a busca para a pesquisa junto à biblioteca digital IEEE Xplore referente ao período de 1980 a 2015. Dessa forma obteve-se acesso a mais 141 trabalhos científicos.

A partir da leitura da maior parte desses trabalhos, a relevância das pesquisas realizadas pela Universidade de Carnegie Mellon, nos Estados Unidos, tornou-se evidente. Retomando a técnica de pesquisa snowball (HALE E NAPIER 2013), contatou-se via e-mail o professor Alex Waibel, um dos principais pesquisadores de IA, responsável pelo desenvolvimento de diversos sistemas e abordagens de IA. Além de conceder uma cópia digital do artigo Spoken Language Translation - Enabling Cross-Lingual Human-Human Communication (WAIBEL E FÜGEN 2008), a equipe do professor Waibel enviou o endereço eletrônico do portal interACT, do laboratório The Interactive Systems Lab, da Universidade de Carnegie Mellon e do Instituto de Tecnologia de Karlsruhe, da Alemanha.

O contato com o professor Waibel foi de extrema importância para esta pesquisa, pois possibilitou o acesso ao interACT ³, o terceiro banco de pesquisa estabelecido para a elaboração do corpus, através do qual obteve-se acesso a 53 trabalhos científicos.

Segundo Pöchhacker (2004), embora a IA não seja do interesse de intérpretes profissionais, que apostam na impossibilidade de desempenho dos sistemas, pesquisadores da Ciência da Computação, Linguística, Processamento de Fala e Inteligência Artificial têm se esforçado para a implementação de sistemas dessa natureza. Com base nessa informação, o quarto banco de pesquisa foi selecionado, a biblioteca digital da Association for Computing Machinery (ACM), Associação de Pesquisadores das Ciências da Computação, também dos Estados Unidos, denominada ACM-DL. Nesse banco de dados, foram encontrados 17 trabalhos científicos concernentes à IA.

Ao passo que o corpus era elaborado, realizou-se uma busca no referencial bibliográfico de todo o material levantado, com vistas a encontrar a produção científica mais antiga sobre a IA. Em Automatic Speech Translation at ATR, Morimoto e Kurematsu (1993) citam o artigo A Speech

Driven Language Translation System, de Stentiford e Steer (1987). Contatou- se via e-mail o professor Fred Stentiford, da University College London, da Inglaterra, que concedeu uma cópia digital do artigo A speech driven language translation system, de 1987, e outro de 1988, com o título Machine translation of speech.

A composição final do corpus de pesquisa, portanto, consta da somatória de todo o material coletado nos bancos de pesquisa, os artigos de Waibel e Fügen (2008), Stentiford e Steer (1987, 1988), enviados por e-mail e o artigo de Jekat e Klein (1996), enviado por correio terrestre. O Quadro 1 resume, portanto, a composição do corpus de pesquisa.

Quadro 1

Período	Bases de dados	N°
1987-2015	Google Acadêmico	70
	IEEE Xplore	141
	interACT	53
	ACM-DL	17
	E-mail	3
	Correio terrestre	1
	Total	285

Como é possível observar, embora o período de 1980 a 2015 tenha sido aplicado às ferramentas de busca das bases de pesquisa consultadas, o resultado obtido compreende o período de 1987 a 2015, o que está relacionado com o fato de a IA ter começado a ganhar força apenas no final da década de 80 (HUTCHINS 2015).

A delimitação do corpus, todavia, não significa que os pesquisadores sejam capazes de controlar o seu objeto de investigação. Segundo Ferreira (2002), é ilusório pensar que, se tomar apenas o material encontrado em uma única base de pesquisa, o pesquisador esteja escrevendo a história de determinada área do conhecimento. No caso da IA, isto seria ainda menos possível, devido à grande quantidade de produções científicas produzidas no Japão, na Alemanha e na China, que por não estarem em inglês, não puderam compor o corpus desta pesquisa.

Para Finatto (2002), à medida que a Terminologia se aproxima do texto, vemos um movimento de independência e de relativização da tradição lógico-gramatical. A autora argumenta que a terminologia atual considera os elementos culturais, comunicativos, textuais e discursivos presentes nos enunciados, sendo este um passo importante rumo a uma visão mais integradora da comunicação.

Por se tratar de uma pesquisa bibliográfico-documental, de caráter inventariante e descritivo, o vocabulário terminológico a ser apresentado a seguir foi extraído dos textos investigados, nos termos de Finatto (2002), e configura-se em um inventário de candidatos a termos mais frequentes encontrados na literatura consultada, almejando revelar como os autores de fato denominam a IA e as tecnologias utilizadas para operá-la.

Utiliza-se a denominação inventário de candidatos a termos como um passo inicial e que antecede uma pesquisa terminológica mais apurada, podendo-se futuramente lançar mão de um dos procedimentos metodológicos de construção de um vocabulário técnico explicitados por Fromm (2005), quiçá esclarecendo a profusão terminológica presente na teorização sobre a IA.

Segundo Fügen (2008), a confusão entre tradução e interpretação é recorrente, e em muitas ocasiões a interpretação simultânea é chamada erroneamente de tradução simultânea e o intérprete é chamado de tradutor. Essa flutuação terminológica também está presente nas teorizações sobre IA no interior das discussões da área de Ciências da Computação, já que os termos machine translation (MT) ou automatic translation, traduzidos para português como tradução automática (TA), são usados tanto para sistemas que traduzem texto quanto para sistemas que traduzem fala. De acordo com o autor, isso se deve ao fato de que, no passado, o principal objeto de estudo da TA era a tradução do texto. A tradução de língua falada (Spoken Language Translation - SLT), por sua vez, é mais recente. A fim de diminuir essa confusão, ao referir-se à IA, Fügen (2008) utiliza os termos tradução de fala simultânea (simultaneous speech translation) ou simplesmente tradução simultânea (simultaneous translation).

Dada a instabilidade terminológica, implementou-se um trabalho de identificação dos termos a partir de suas frequências, que foi realizado através da função “pesquisa avançada”, da ferramenta Adobe Acrobat Pro. Além de possibilitar a leitura dos arquivos de texto salvos em PDF, essa ferramenta oferece várias funções de pesquisas avançadas que permitem a extração de termos e trechos de texto de vários documentos simultaneamente, informando a frequência desses termos em cada documento e na totalidade de documentos pesquisados.

De acordo com os achados desta pesquisa, os termos mais recorrentes nos 285 trabalhos são speech translation, speech-to-speech translation, spoken language translation e simultaneous translation. Termos como speech driven language translation e machine interpreting acabaram caindo em desuso e o termo face-to-face dialog translation é usado unicamente por Wahlster (1993), para descrever o sistema Verbmobil. Além dos termos utilizados por Fügen (2008), durante o desenvolvimento desta pesquisa foram encontrados vários outros termos e expressões sinônimas referentes à IA, totalizando 14 termos, conforme mostra o quadro abaixo:

Quadro 2

N.	Termos encontrados na literatura	Referência(s)	Recorrência (Número de vezes em que aparece o termo na literatura)
1.	Speech Driven Language Translation	STENTIFORD E STEER (1987)	1
2.	Machine Interpreting	WAHLSTER (2000a)	2
3.	Face-To-Face Dialog Translation	WAHLSTER (1993)	3
4.	Simultaneous Speech Translation	FÜGEN (2008)	7
5.	Automatic Interpreting	JEKAT E KLEIN (1996)	12
6.	Speech-To-Speech Dialog Translation	KITANO (1994)	14
7.	Spoken Language Machine Translation	JIMENEZ, CASTELLANOS E VIDAL (1995)	18
8.	Automatic Interpretation	WATANABE et al. (2000)	34
9.	Spontaneous Speech Translation	MORIMOTO E KUREMATSU (1993)	44
10.	Machine Interpretation	MATSUBARA, TOYAMA, INAGAKI (1999)	66
11.	Simultaneous Translation	FÜGEN (2008)	144
12.	Spoken Language Translation	KITANO (1991)	656
13.	Speech-To-Speech Translation	TOMITA, TOMABECHI E SAITO (1989)	1211
14.	Speech Translation	TOMITA, TOMABECHI E SAITO (1989); LEE (2015)	2482

Além dos 14 termos sinônimos identificados na literatura consultada e explicitados no quadro 2, da menor para a maior recorrência, identificaram-se também outros termos relacionados aos sistemas computacionais que realizam operações de interpretação automática. Tais termos expandem o campo de estudo sobre IA e tratam das tecnologias e procedimentos utilizados para a construção de softwares, como mostrado no quadro 3.

Quadro 3

N.	Termos relacionados aos sistemas ou aplicações utilizadas durante uma IA	Referência(s)
1.	Bi-directional speech translation system	ISOTANI et al. (2003)
2.	Computer-based speech translation technology	LEE (2015)
3.	Corpus-based speech translation	TAKEZAWA et al. (2002)
4.	Corpus-based paraphrasing system	KIKUI et al. (2006)
5.	Corpus-based statistical machine translation	MRINALINI E VIJAYALAKSHMI (2015)
6.	Domain-limited speech translation systems	WAIBEL E FÜGEN (2008)
7.	Domain-specific system	KITANO (1994); CARTER et al. (1997), HUTCHINS (1997)
8.	Domain-unlimited speech translation systems	WAIBEL E FÜGEN (2008)
9.	Hybrid Approach to Spoken Language Translation	PAUL et al. (2005)
10.	Interactive spoken dialogue	LEE (2015)
11.	Natural language generator	TOMITA, TOMABECHI E SAITO (1989)
12.	Natural language parsing	GLICKMAN (1995)
13.	Natural language processing	KITANO (1991)
14.	Real-time speech processing system	TOMITA, TOMABECHI E SAITO (1989)
15.	Speech-to-speech machine translation	LEVIN et al. (2000b)
16.	Speech-to-speech translation	PAULIK (2010)
17.	Spontaneous speech translation systems	WAIBEL E FÜGEN (2008)
18.	Statistical model of speech-to-text translation	MATHIAS E BYRNE (2006)
19.	Statistical-based machine translation	FÜGEN (2008)
20.	Text-to-text machine translation	ZHOU et al. (2002)

O termo empregado para essa tecnologia em português do Brasil é tradução de voz e de Portugal, tradução de fala, que correspondem ao termo speech translation (BARREIRO et al. 2014; DUARTE 2014; PINTO E PRIKLADNICKI 2015). Durante a realização desta pesquisa bibliográfica, todavia, não foram encontradas referências ao termo “interpretação automática” em português brasileiro. O título deste trabalho, portanto, foi adotado com base em Pöchhacker (2004), que, como teórico versado nos Estudos de Interpretação, refere-se à tecnologia de tradução de fala por meio do termo machine interpreting (MI), traduzido aqui como interpretação automática (IA).

Embora a IA possa ser identificada por meio de vários termos e expressões diferentes, todos convergem para uma única definição: a IA é uma tecnologia que realiza a conversão automática de trechos de fala de uma dada língua em trechos de fala para outra língua, possibilitando que pessoas que falam línguas diferentes se comuniquem de forma natural e espontânea (LEE 2015: 619).

Os sistemas de IA podem apresentar-se de várias formas, instalados em servidores de alta performance ou em dispositivos móveis tais como smartphones, laptops, computadores de bolso e computadores vestíveis (wearable computers). (FREDERKING, RUDNICKY E HOGAN 2000; ZHANG 2003).

Grande parte desses sistemas, todavia, encontram-se instalados em computadores pessoais de médio desempenho, equipados com placa de áudio e microfone, que realizam a captura do conteúdo produzido pelo falante e reproduzem a fala traduzida para o ouvinte (LEE 2015).

De acordo com Fügen (2008: 1), é possível observar que a evolução dos sistemas de IA passou por diversas fases:

Em consequência desses avanços, os sistemas de IA de amplo vocabulário de fala contínua tornaram-se realidade. O que também pode ser observado no âmbito da TA (FÜGEN 2008: 1).

Com o advento da internet e popularização das redes sem fio, os sistemas de IA tornaram-se portáveis. É possível, por exemplo, que os usuários tenham acesso a uma interface móvel que se comunique com um servidor, de forma simples e intuitiva, sem que seja preciso que o usuário final tenha conhecimentos de programação para calibrar o sistema ou resolver problemas específicos (ISOTANI et al. 2002; WAIBEL et al. 2003).

O processo de interpretação nesses sistemas envolve três componentes básicos e integrados entre si: reconhecimento automático de fala (ASR - Automatic Speech Recognition), tradução automática (TA) e síntese de fala (TTS - Text-To-Speech). E ainda que esses componentes possuam suas próprias arquiteturas, no sistema de IA essas arquiteturas encontram-se conectadas. O produto final dessa somatória de componentes, portanto, é um único sistema, a ser comercializado em uma única interface (WAIBEL E FÜGEN 2008).

Há sistemas de tradução de fala, no entanto, que não se encaixam na descrição acima, pois não possuem ora o componente de ASR, ora o componente de TTS. Esses sistemas, portanto, não podem ser considerados sistemas de IA autênticos (ZHANG 2003). O Phraselator, desenvolvido pela empresa norte-americana VoxTec, por exemplo, não possui o componente de ASR e apesar de reproduzir faixas de áudio pré-gravadas, limita a conversação ao conteúdo disponível nessas faixas pré-gravadas (RICCI 2002; SRI 2009).

Segundo Lee (2015: 619), um sistema de IA hipotético bastante simples poderia funcionar como um “dicionário falante”⁵, que realizaria traduções palavra por palavra, desconsiderando as relações gramaticais e demais propriedades linguísticas das palavras. Tal sistema, todavia, apresentaria um nível tecnológico muito baixo e as possibilidades de aplicá-lo em um cenário de interpretação realístico seriam quase nulas.

Na prática, as expectativas com relação aos sistemas de IA são bem mais exigentes. Para que uma sessão de interpretação se desenvolva de forma confortável tanto para o ouvinte quanto para o conferencista, em uma conferência, por exemplo, é necessário que a interpretação seja feita em tempo real e com alta qualidade sonora, com o mínimo possível de erros, para que toda a sessão não seja comprometida (FÜGEN 2008).

Para que isso se dê, é necessário que o sistema seja capaz de traduzir no nível da sentença e lide com fala contínua e espontânea, de modo que o produto final soe natural, inteligível e com a qualidade semelhante à da voz humana (LEE 2015).

Após os primeiros testes para a viabilização da IA, os pesquisadores começaram a explorar meios para tornar os sistemas e protótipos em tecnologia utilizável, ao alcance dos usuários comuns. Um dos meios encontrados foi a especialização dos sistemas em determinados domínios, pois como afirma Grazina (2010: 5, tradução nossa):

A especialização dos sistemas de IA em domínios faz com que a tecnologia alcance maiores margens de equivalência, além de tornar o processamento de dados mais rápido e seguro. A IA tem que estar o mais próximo possível da interpretação humana e a tecnologia tem que ser capaz de traduzir de forma simultânea, mantendo o mesmo fluxo da fala humana (TAKEZAWA E KIKUI 2004; PAULIK E WAIBEL 2008).

Da teorização à aplicação prática da IA, nota-se que o interesse pelo desenvolvimento desses sistemas é quase exclusivo de órgãos governamentais e instituições acadêmicas, havendo poucas iniciativas por parte da indústria da tecnologia. E, até o momento, o emprego desses sistemas encontra-se restrito a alguns poucos ambientes (ZHANG 2003).

O governo dos EUA, por exemplo, tem financiado projetos de IA com a finalidade de desenvolver sistemas para serem usados em guerras e conflitos internacionais (AIKEN, SIMMONS E BALAN 2010), como é o caso dos sistemas TransTac e IraqComm, usados por soldados norte-americanos no Iraque, no Afeganistão e no Paquistão (BACH et al. 2007; SRI 2009).

A agência norte-americana de pesquisas DARPA (Defense Advanced Research Projects Agency - Agência de Projetos de Pesquisa Avançada de Defesa) possui projetos de larga escala para o desenvolvimento de sistemas de IA cuja finalidade é a tradução de diálogos típicos de consultas médicas, a serem empregados em situações em que o médico e o paciente não falam a mesma língua e estão entrando em contato pela primeira vez. Alguns destes projetos voltam-se para línguas ainda poucos exploradas, como por exemplo o pastó, uma das línguas oficiais do Afeganistão (NARAYANAN et al. 2003; KATHOL et al. 2005). Há ainda pesquisas sobre o emprego de IA em ambientes hospitalares e em organizações de saúde por parte da indústria de tecnologia, que veem boas oportunidades nesse tipo de negócio (SELIGMAN E DILLINGER 2012; Shin et al. 2015).

O governo da Alemanha, por sua vez, financiou um sistema de IA para planejamento de viagens, agendamento de consultas e manutenção remota de computadores via telefone, com a tradução consecutiva de diálogos e negociações entre falantes de japonês, alemão e inglês (KLEIN 1997).

O Japão, principalmente devido ao isolamento geográfico do país, adota medidas para o estudo permanente de IA, já que esse sistema pode ser uma boa opção para diminuir as barreiras linguísticas existentes entre as línguas ocidentais e o japonês (NAKAMURA 2009).

Os sistemas de IA também podem facilitar a comunicação entre turistas e cidadãos locais durante eventos internacionais de grande porte, quer seja para fazer reservas em hotéis e restaurantes, quer seja durante o evento, tornando a experiência da viagem mais atraente e agradável, permitindo importantes trocas culturais (STÜKER et al. 2006).

A especialização em domínios, como sugerido na literatura, facilita o desenvolvimento de sistemas capazes de atender as demandas em cenários realísticos com maior segurança. Há, todavia, projetos como o MASTOR, da IBM e o TC-STAR, da Comissão Europeia⁷, voltados para a interpretação de qualquer tipo de diálogo, sem restrições discursivas de qualquer natureza (ZHANG 2003; STÜKER et al. 2006).

Sistemas como esses, embora atinjam pontuações menores quando submetidos a testes avaliativos, podem servir para os mais variados fins, já que não há, teoricamente, limites de vocabulário e os algoritmos utilizados para o processamento de fala são capazes de lidar com as mais variadas estruturas gramaticais (FÜGEN et al. 2006; AIKEN, SIMMONS E BALAN 2010). Fügen (2008), por exemplo, apresenta um sistema de IA voltado para palestras e discursos, capaz de interpretar em tempo real e projetado para lidar com os ruídos de fundo típicos de palestras.

Evidentemente, as possibilidades de emprego da IA são praticamente infinitas, assim como são as possibilidades comunicativas inerentes ao ser humano. Além da sua relevância para a engenharia de softwares e para a ciência como um todo, os impactos econômicos e culturais proporcionados pela IA são notórios. Até mesmo um sistema simples e limitado pode ser útil para turistas, seja para comprar refeições em restaurantes, adquirir passagens aéreas, encontrar determinados lugares em uma cidade e uma série de outras pequenas tarefas. Segundo Kitano (1994), sistemas deste tipo facilitariam muito a vida dos turistas, além de tornar a experiência de viagem mais interessante, conforme explicitam Kitano (op.cit.) e Stüker et al. (2006), já citados.

A realidade, todavia, é que os seus benefícios ainda são pouco explorados devido às limitações tecnológicas. E embora o presente trabalho englobe um primeiro referencial bibliográfico sobre a IA, de 1987 até o presente, e muito embora se tenha buscado construir um modesto inventário de termos a ela relacionados, as colocações acima não são as únicas possibilidades vislumbradas. Além do mais, não se pode deixar de salientar que, conforme as pesquisas avançam, novos recursos são adicionados à tecnologia já desenvolvida e novos públicos são alcançados, de forma que seu emprego se encontra em constante processo de transformação, em conformidade com os demais progressos tecnológicos da contemporaneidade.

A partir do inventário de candidatos a termos, foi possível investigar nos 285 trabalhos coletados informações específicas concernentes à arquitetura de um software de IA. Com todos os textos digitalizados e convertidos em PDF, foi possível, mais uma vez utilizando a ferramenta Adobe Acrobat Pro, uma busca específica sobre tal descrição.

Constatou-se, como já mencionado, que a IA só é possível graças a três componentes tecnológicos que são integrados em uma só interface: Reconhecimento Automático de Fala (ASR - Automatic Speech Recognition); Tradução automática (TA) e Síntese de voz (TTS - Text-To-Speech).

A Figura 1 ilustra a arquitetura básica de um sistema de IA bidirecional para o par de idiomas A e B. O trecho de fala do idioma A é inserido no mecanismo e é reconhecido pelo componente de ASR, a fim de produzir-se um texto contendo a transcrição do trecho, ainda no idioma A. A transcrição então é traduzida pelo componente de TA que produz uma tradução textual no idioma B. Por fim, o texto traduzido passa pelo componente de TTS e então o trecho de fala contendo o enunciado traduzido é gerado e verbalizado (LEE 2015).

Figura 1 Fonte: LEE (2015); nossa tradução.

Há sistemas de IA que são construídos a partir de componentes desenvolvidos de forma independente, acoplados em uma só interface através de softwares específicos (AIKEN, SIMMONS E BALAN 2010). Na maioria das vezes, todavia, esse tipo de acoplagem não produz feedback sobre os procedimentos isolados. Consequentemente, torna-se impossível que um erro seja corrigido pelos componentes antes do fim de todo o processo. Assim, um erro gerado pelo ASR é replicado para os demais componentes de forma sequencial, comprometendo o desempenho de todo o sistema (LEE 2015).

Por outro lado, há sistemas de IA desenvolvidos a partir de uma integração mais sofisticada entre os componentes, visando um processamento coerente e um desempenho otimizado de ponta a ponta. Em sistemas desse tipo, o componente de ASR produz várias opções (hipóteses) para que o componente de TA possa escolher a que melhor se encaixa ao contexto do discurso com que se trabalha (CASACUBERTA et al. 2008). Hashimoto et al. (2012) afirmam, no entanto, que poucos sistemas têm proposto este tipo de abordagem para o componente de TTS, o que pode prejudicar a compreensão do conteúdo traduzido e verbalizado pelo sistema.

Segundo Barreiro et al. (2014), o estado da arte atual da IA caracteriza-se por

Nessa perspectiva, o reconhecimento automático de fala (ASR) refere- se ao processo computacional de converter um sinal acústico de fala em uma sequência de palavras digitalizadas. Devido à complexidade desta tarefa, os primeiros sistemas ASR eram capazes de reconhecer apenas números e, ainda assim, o locutor tinha que enunciar pausadamente e de forma clara. O Audrey, desenvolvido pelos Laboratórios Bell dos Estados Unidos, na década de 50, é um exemplo desse tipo de sistema (SAMPAIO NETO 2011).

Em 1962, a IBM fez uma demonstração pública do Shoe Box, sistema capaz de reconhecer 16 palavras do inglês (YADAV E MUKHEDKAR 2013). Também na década de 60, além dos EUA e da Inglaterra, países como o Japão e a URSS começaram a desenvolver sistemas ASR capazes de reconhecer um número limitado de consoantes e vogais.

Nesses primeiros anos, a tecnologia ASR foi trabalhada através da abordagem linguística, segundo a qual a comunicação oral humana se dá nos níveis acústico, fonético, lexical, sintático, semântico e pragmático. Um sistema capaz de compreender fala humana, portanto, deveria ser capaz de lidar com esses níveis. Em consequência disso, a maioria das abordagens aplicada à ASR na década de 60 tinham por base a segmentação dos trechos de fala em unidades fonéticas (PIERACCINI E LUBENSKY 2005).

Na década de 70, a despeito de todas as dificuldades e limitações impostas pela tecnologia da época, a agência de pesquisa norte-americana DARPA (Defense Advanced Research Projects Agency) interessou-se em financiar pesquisas sobre ASR, além de investir na melhoria dos sistemas já desenvolvidos. Em 1975, surgiu então a técnica dynamic time-warping (DTW), um algoritmo que compara e alinha duas sequências (neste caso de áudio) que variam em tempo e velocidade, determinando assim a semelhança que há entre uma e outra (SAMPAIO NETO 2011).

Nessa época, surgiram também o sistema Harpy, desenvolvido pela já mencionada Universidade de Carnegie Mellon, dos Estados Unidos, com o apoio da DARPA e da Threshold Technology, a primeira empresa norte- americana especializada em ASR. Utilizando-se algumas abordagens de sistemas anteriores ao Harpy, que era capaz de reconhecer 1.011 palavras, foi introduzido um método mais eficiente de busca denominado beam search (WAIBEL E LEE 1990).

No começo da década de 80, os sistemas ASR começaram a aplicar regras sintáticas. O mecanismo de reconhecimento de fala passou a ser feito a partir de palavras isoladas que eram captadas e analisadas. Caso as palavras seguissem regras gramaticais e sintáticas já conhecidas pelo sistema, então era possível determinar quais eram essas palavras (SAMPAIO NETO 2011).

A fala humana, no entanto, é repleta de variáveis tais como sotaques, dialetos e exceções inerentes à língua, além de sofrer constante interferência de ruídos. Incapaz de lidar com essas variáveis, as abordagens linguísticas e aquelas baseadas em regras mostraram-se ineficientes. As transcrições lexicais possuíam muitos erros que se propagavam para as interpretações sintáticas e semânticas do conteúdo inserido na tecnologia (PIERACCINI E LUBENSKY 2005).

Na esteira desses acontecimentos, no fim da década de 80, popularizou-se a abordagem estatística, a partir da qual os sistemas ASR começaram a reconhecer um número cada vez maior de palavras, além de serem empregados em várias áreas. Em 1987, por exemplo, a empresa norte- americana Worlds of Wonders implantou um dispositivo ASR na boneca Julie, que podia ser treinada para reconhecer a voz da criança e responder determinadas perguntas (YADAV E MUKHEDKAR 2013).

Segundo Aminzadeh e Shen (2009), o estado da arte da tecnologia ASR da atualidade é representado basicamente pelo uso dos Modelos Ocultos de Markov (Hidden Markov Model - HMM⁸), método estatístico que analisa o sinal acústico inserido no sistema e faz uma série de observações, além de modelar uma lista de probabilidades para as palavras. Esses modelos são obtidos através do treinamento (training) de dados específicos que fornecem as estatísticas com as quais o sistema trabalhará (AMINZADEH E SHEN 2009).

Assim, o reconhecimento automático de fala torna-se um processo de busca pela sequência mais provável de palavras a partir de um amplo conjunto de sequências geradas pelo sistema. Para exemplificar como esse processo se dá em nível estatístico, Aminzadeh e Shen (2009) citam a equação matemática ⁹ fundamental para este tipo de processo:

Figura 2 Fonte: Aminzadeh e Shen (2009)

P(o|W), comumente chamado de modelo acústico, é a função probabilística que molda W para as observações acústicas O. P(W), também chamado de modelo de linguagem, é a probabilidade de se gerar a palavra w a partir da lista de palavras levantadas pelo modelo HMM. W* é a sequência final de palavras geradas pelo sistema (AMINZADEH E SHEN 2009; LEE 2015).

Sistemas ASR de larga escala podem recorrer a milhões de parâmetros (probabilidades relacionadas aos enunciados de fala) para treinar os modelos acústicos e de linguagem. Consequentemente, para se obter W* é preciso lançar mão de muitos recursos computacionais. Segundo Aminzadeh e Shen (2009), os sistemas da atualidade podem usar mais de dez vezes os recursos do computador durante o processo de reconhecimento. Sistemas ASR menores, todavia, como aqueles instalados em smartphones e tablets são computacionalmente mais econômicos (AMINZADEH E SHEN 2009).

O treinamento do modelo acústico é feito através de corpus de voz digitalizada, contendo as transcrições ortográficas das palavras e/ou as transcrições fonéticas, chamadas unidades de modelagem10. A forma com que as unidades são modeladas depende de cada sistema. Segundo Lee (2015), enquanto a modelagem no nível da palavra é mais adequada para sistemas de pequeno vocabulário, a modelagem no nível das sílabas e demais unidades constituintes das palavras é indicada para sistemas que trabalham com o reconhecimento de fala contínua com amplo vocabulário.

Esse último tipo de modelagem tem a vantagem de oferecer maiores probabilidades de reconhecimento para palavras que não estão presentes no corpus de treinamento, haja vista que uma única unidade pode estar presente em várias palavras. Segundo Sampaio Neto (2011: 31) “estimar um bom modelo acústico é considerada a etapa mais difícil dentro do projeto de um sistema ASR”.

O treinamento do modelo de linguagem, por outro lado, é feito através de um vocabulário digital e um arquivo contendo frases das quais serão extraídas as estatísticas para o treinamento do modelo¹⁰. Segundo Yadav e Mukhedkar (2013), o modelo de linguagem tenta capturar as propriedades do idioma e prever quais palavras serão ditas em dada sequência.

A relação entre o tamanho do vocabulário digital e o número de frases utilizadas para o treinamento do modelo não influenciam no desempenho do sistema. No sistema TransTac 2007 - Eyes and Hands-Free, desenvolvido pela Universidade Carnegie Mellon, por exemplo, enquanto o modelo de linguagem foi treinado a partir de vários corpora, totalizando 1,7 milhões de palavras, o vocabulário digital tinha apenas 11 mil palavras. Esse exemplo sugere que a extensão do arquivo de treinamento é mais importante do que o vocabulário (BACH et al. 2007).

Quando trazida para o contexto dos sistemas de IA, no entanto, é muito importante que a tecnologia ASR seja modelada para um acoplamento forte (tight coupling) com a tecnologia de TA, de forma a não produzir erros que afetem todo o processo de interpretação (GRAZINA 2010).

Assim como a tecnologia ASR, a TA tem sido implementada através de várias abordagens sucessivas e sua evolução é caracterizada pelo intenso aprendizado com os problemas e erros encontrados ao longo de aproximadamente 60 anos de pesquisas e testes (FERNANDES E BARTHOLAMEI JUNIOR 2009). Na IA, a tecnologia de TA encontra-se no centro de todo o processo, sendo a responsável pela tradução de um conteúdo originalmente oral que, após ser processado, retorna ao formato oral através do sistema TTS.

Inicialmente, ao lidar com o processamento da linguagem humana, observou-se que cada sistema linguístico possuía um conjunto de regras específico, de modo que cada idioma é regido por regras diferentes (ARNOLD et al. 1994). Partindo desta observação, é possível destacar algumas abordagens aplicadas à TA: a abordagem lexicográfica (dictionary-based approach), a abordagem exemplária (tradução de example-based approach utilizada por FERNANDES E BARTHOLAMEI JUNIOR, 2009), a abordagem interlíngua (interlingua approach) e a abordagem estatística (statistical approach) (HUTCHINS 2015).

Embora essas abordagens possuam cada qual a sua especificidade e tenham contribuído de forma relevante para a evolução da tecnologia de TA, a maioria dos pesquisadores da IA se referem à proeminência das abordagens interlíngua e estatística.

A partir dessa descrição geral da arquitetura de softwares de IA, pode- se dizer que esta ferramenta ainda carrega consigo vários desafios (BARREIROS et al. 2014: 77).

Embora representem um obstáculo para a realização de interpretações totalmente isentas de erros, os desafios que acompanham os sistemas de IA desde o seu surgimento, em parte herdados da tradução automática, não têm impedido que a indústria mundial de tecnologia continue apostando no conceito. Em um mundo cada vez mais globalizado, democrático e acessível a qualquer pessoa, a comunicação entre os povos desempenha um papel de vital importância. A fim de manterem-se competitivos e eficientes no cenário global, governos, empresas e instituições de pesquisa dependem de informações de alta qualidade, que devem ser disseminadas com naturalidade e eficácia. A maior parte das informações, todavia, não está disponível no idioma de quem delas necessita e se não forem interpretadas, não poderão ser utilizadas, comprometendo todo o sistema em que as informações circulam (WAIBEL E FÜGEN 2008).

Nos últimos 15 anos, a IA vem sendo apresentada em conferências internacionais com maior frequência, passando de um assunto estranho ao público em geral para um dos principais interesses de pesquisa para os estudiosos do processamento de fala. Segundo Waibel e Fügen (2008), a convergência de novas tecnologias e a crescente atenção à necessidade de se ter uma comunicação multilíngue em um mundo globalizado são os motivos que explicam o crescente interesse em tecnologias desse tipo.

Buscou-se, por meio deste trabalho, realizar um levantamento bibliográfico concernente aos estudos sobre IA, especificamente quanto a seus conceitos, definições e descrição da arquitetura desse tipo de tecnologia. A partir de um corpus de 285 artigos científicos que buscam definir, conceituar e descrever a IA e os sistemas que a constituem, foi possível elaborar um inventário de candidatos a termos. Verificou-se que speech translation, speech-to-speech translation, spoken language translation e simultaneous translation são termos recorrentes na literatura que definem e discutem essa tecnologia.

Em relação aos termos adotados em língua portuguesa, verificou-se que o termo “tradução de voz” é utilizado pelas pesquisas brasileiras, embora ainda evidentemente escassas, e que “tradução de fala” é utilizado por estudiosos de Portugal, em correspondência ao termo speech translation (BARREIRO et al. 2014; DUARTE 2014; PINTO E PRIKLADNICKI 2015).

A partir deste trabalho, espera-se que os primeiros passos tenham sido dados rumo a um estado da arte sobre a IA, almejando veicular o que se tem estudado sobre essa emergente temática. Nas palavras de Grazina (2010), o panorama socioeconômico da atualidade requer, mais do que nunca, a construção de canais de comunicação e interação multilíngues em nível global, força motriz de grande importância para novas frentes de investigação tanto para os Estudos da Tradução e Interpretação quanto das Ciências da Computação.