Yorùbá Natural Language Processing and Speech Technology
A comprehensive scholarly survey of Yorùbá computational linguistics, covering automatic diacritic restoration, machine translation, speech recognition, speech synthesis, and community benchmarks.
Yorùbá O Processamento de Linguagem Natural (PLN) e a tecnologia de fala abrangem os métodos computacionais, conjuntos de dados e arquiteturas de aprendizado de máquina desenvolvidos para processar, traduzir, transcrever e sintetizar a língua Yorùbá. Como o Yorùbá é uma língua tonal escrita em uma ortografia latina modificada com pontos subscritos e marcas diacríticas de tom, os sistemas computacionais enfrentam obstáculos estruturais únicos que os pipelines padrão de processamento de texto não comportam. Ao longo das últimas duas décadas, o campo evoluiu dos primeiros modelos acústicos neurais e baseados em regras em laboratórios universitários para benchmarks participativos em larga escala, corpora de tradução multidomínio e sistemas comerciais de voz [S1][S2][S6][S9].
Este documento detalha o estado da linguística computacional do Yorùbá em todas as principais áreas funcionais. Ele examina as dependências técnicas entre marcas ortográficas e fidelidade semântica, revisa conjuntos de dados estabelecidos e benchmarks algorítmicos, avalia a transição de pipelines fechados para estruturas participativas abertas e documenta as limitações estruturais que continuam a desafiar os pesquisadores.
O Panorama Ortográfico e Fonológico na Computação
A ortografia padrão do Yorùbá baseia-se em diacríticos para marcar tanto a qualidade vocálica segmental quanto os contornos de tom suprassegmentais. As vogais com pontos inferiores ou pontos subscritos verticais, especificamente ẹ ([ɛ]), ọ ([ɔ]), e a consoante ṣ ([ʃ]), representam fonemas distintos de suas contrapartes não marcadas e ([e]), o ([o]) e s ([s]). O tom suprassegmental compreende três registros de altura nivelados: alto (marcado com um acento agudo, como em á), médio (não marcado, como em a) e baixo (marcado com um acento grave, como em à). A nasalização é indicada ortograficamente por um n final (por exemplo, an, ẹn, in, ọn, un).
Owo (mid-mid): Hand / Broom
Owó (mid-high): Money
Ọwọ̀ (subdot low - subdot low): Respect / Honor
Ọ̀wọ́ (subdot low - subdot high): Group / Broom cluster
Em contextos computacionais, a omissão dessas marcas cria uma enorme ambiguidade lexical. Um único token escrito sem diacríticos como owo pode corresponder a mais de quatro itens lexicais distintos com semânticas completamente não relacionadas [S1][S3]. Como a raspagem padrão da web coleta textos em Yorùbá escritos em teclados sem suporte a caracteres nativos, o texto extraído da web é predominantemente não diacritizado, criando um grave gargalo para o processamento de linguagem downstream [S1][S3].
Original: Ọwọ́ tọ̀ ọ́.Literal gloss: Ọwọ́ (hand / group) tọ̀ (reach / visit) ọ́ (him / her / it).
Idiomatic English: A hand reached it / It was touched. (Rendered by corpus annotator).
Notes on the translation: Without tone marks, "Owo to o" could alternatively signify "Money is enough for him" (Owó tó o) or "Respect visits him" (Ọwọ̀ tọ̀ ọ́). The tone marks alone carry the grammatical and semantic distinctions.
Algoritmos de tokenização de subpalavras comumente usados em grandes modelos de linguagem multilíngues, como Byte-Pair Encoding (BPE) e WordPiece, agravam esse desafio. Os tokenizadores padrão frequentemente dividem vogais acentuadas em caracteres de base e separam os diacríticos combinados em Unicode, fragmentando palavras em Yorùbá em múltiplos subtokens. Essa fragmentação infla o comprimento da sequência, degrada as representações posicionais em modelos transformer e aumenta a taxa de erros durante a geração downstream [S7][S8].
Restauração Automática de Diacríticos (ADR)
Como textos não diacritizados não podem ser analisados de forma confiável por mecanismos de tradução automática ou sintetizadores de texto para fala, a Restauração Automática de Diacríticos (ADR) serve como uma etapa primária de pré-processamento em pipelines de texto em Yorùbá [S1][S3].
+-------------------------------------------------------------+
| Automatic Diacritic Restoration |
| |
| Raw Input: owo -> [Sequence Processor] |
| Resolved Output: owó / ọwọ̀ / ọ̀wọ́ (Context Dependent) |
+-------------------------------------------------------------+
Historicamente, a restauração de diacríticos dependia de consultas a dicionários, heurísticas morfossintáticas baseadas em regras e modelos de linguagem de n-gramas em nível de palavra ou de caractere. Essas abordagens falhavam ao encontrar termos fora do vocabulário, variações flexionais ou contextos sintáticos complexos.
Uma grande mudança metodológica ocorreu quando Iroro Orife demonstrou que a ADR em Yorùbá poderia ser formulada como uma tarefa de tradução sequência para sequência em nível de caractere usando redes neurais recorrentes com mecanismos de atenção [S1]. O modelo sequência para sequência com atenção recebe uma frase não diacritizada como caracteres de entrada e gera sequências ortográficas totalmente diacritizadas, capturando com sucesso dependências contextuais de longa distância [S1]. Orife mostrou que essa arquitetura neural superou significativamente as linhas de base tradicionais de consulta a dicionários e n-gramas em corpora de avaliação padrão [S1].
Debates Abertos e Fragilidade de Domínio
Pesquisadores em PLN de Yorùbá continuam divididos sobre a formulação ideal da ADR:
- Geração de Sequências (Seq2Seq): Tratar a ADR como uma tarefa de geração permite que o modelo altere o comprimento das cadeias de caracteres, insira pontos inferiores ausentes e lide com a reordenação de caracteres. No entanto, introduz o risco de alucinar caracteres extras ou alterar consoantes de base [S1].
- Rotulagem de Sequências (Classificação de Tokens/Caracteres): Formular a ADR como um problema de rotulagem de sequências restringe o modelo a prever um rótulo diacrítico para cada posição estática de caractere, evitando alucinações. Os defensores argumentam que isso garante o alinhamento de caracteres, enquanto os críticos apontam que o método tem dificuldades com transcrições não padronizadas nas quais as vogais foram elididas ou expandidas [S1].
Uma limitação documentada na literatura sobre ADR é a degradação na transferência de domínio. Modelos treinados em textos religiosos limpos e com diacríticos (como traduções bíblicas) sofrem quedas severas de precisão quando avaliados em textos modernos de redes sociais ou reportagens informais de notícias contendo alternância de código e gírias [S1][S3]. Além disso, a literatura publicada permanece em silêncio quanto à padronização de variantes diacríticas entre dialetos regionais de Yorùbá, uma vez que todos os sistemas de ADR existentes operam exclusivamente no Yorùbá Escrito Padrão [S1].
Tradução Automática Neural (NMT) e a Dependência de Diacríticos
A tradução automática para Yorùbá historicamente sofreu com uma escassez aguda de dados paralelos e com um severo viés de domínio. Os primeiros conjuntos de dados multilíngues dependiam desproporcionalmente de corpora religiosos como o JW300, o que levava os modelos a gerarem traduções arcaicas e com viés bíblico quando aplicados a textos de domínio geral [S2][S3].
+-------------------------------------------------------------+
| The Yorùbá Translation Dilemma (MENYO-20k) |
| |
| Undiacritized Input ==> Significant BLEU Drop |
| Diacritized Input ==> High Semantic Fidelity |
| Fine-Tuned Multilingual (M2M-100) ==> +8 to +9 BLEU Gain |
+-------------------------------------------------------------+
O Paradigma Participativo (Masakhane)
Para enfrentar as limitações da raspagem centralizada de dados, o coletivo de pesquisa Masakhane introduziu uma estrutura de pesquisa participativa para o NLP africano [S2]. Liderada por Wilhelmina Nekoto e colegas, essa estrutura uniu falantes nativos, linguistas e cientistas da computação para realizar a curadoria de conjuntos de dados abertos, validar resultados e construir referências de tradução automática para mais de 30 línguas africanas [S2]. O estudo estabeleceu que modelos multilíngues massivos padrão têm um desempenho substancialmente inferior em línguas africanas, a menos que pesquisadores locais e falantes nativos estejam diretamente envolvidos na curadoria dos dados e na validação dos resultados [S2].
O Benchmark MENYO-20k
Com base nessa estrutura, David Ifeoluwa Adelani e colaboradores desenvolveram o MENYO-20k, um corpus paralelo multidomínio com curadoria, composto por 20.100 pares de sentenças para Yorùbá e inglês [S3]. O benchmark abrange notícias, comunicação digital, literatura e domínios gerais da web.
Os experimentos com o MENYO-20k geraram dois achados fundamentais:
- O impacto dos diacríticos: A remoção de diacríticos do texto em Yorùbá causa uma queda acentuada na qualidade da tradução em todas as métricas automáticas. Quando os modelos recebem entradas totalmente com diacríticos, a fidelidade da tradução melhora substancialmente porque as ambiguidades tonais e fonêmicas são eliminadas na fonte [S3].
- Adaptação de domínio: O ajuste fino de modelos sequência para sequência multilíngues pré-treinados gerais (como o Facebook M2M-100) em dados limpos, multidomínio e específicos do domínio superou as referências comerciais, gerando melhorias de mais de +8 a +9 pontos BLEU em comparação com os modelos multilíngues de referência padrão [S3].
Limitações das Métricas
Um ponto reconhecido de divergência na literatura diz respeito às métricas de avaliação. Métricas padrão baseadas em sobreposição de cadeias de caracteres, como BLEU e chrF, calculam a sobreposição de tokens ou caracteres sem ponderar erros de tom ou de ponto subscrito de acordo com sua gravidade semântica [S3]. A ausência de um único ponto subscrito ou um acento agudo incorreto pode inverter o significado da sentença, embora as métricas de sobreposição tratem o erro como uma discrepância irrelevante de caracteres. A comunidade científica ainda não convergiu para uma métrica de tradução automática universalmente adotada e específica para Yorùbá que penalize erros tonais proporcionalmente ao impacto semântico [S3].
Reconhecimento de Entidades Nomeadas e Aprendizado de Representação
O Reconhecimento de Entidades Nomeadas (NER) em Yorùbá apresenta severos desafios estruturais. Nomes próprios em Yorùbá são frequentemente frases compostas com significados lexicais explícitos que incorporam padrões de tom, verbos e substantivos (por exemplo, Ayọ̀délé, que significa "A alegria chegou em casa"). O uso de maiúsculas no texto digital é altamente inconsistente e marcadores tonais são frequentemente omitidos, fazendo com que os sistemas de NER confundam nomes de pessoas com substantivos comuns ou verbos [S4].
Original: Ayọ̀délé lọ sí Èkó.Literal gloss: Ayọ̀délé (Joy-arrives-home) lọ (went) sí (to) Èkó (Lagos).
Idiomatic English: Ayodele went to Lagos. (Rendered by corpus annotator).
Notes on the translation: Without capitalization or tonal marks, "ayodele" can be read as a descriptive verb phrase rather than a proper personal name, confounding standard entity extractors.
MasakhaNER e Pré-treinamento Adaptativo à Língua
Para fornecer referências rigorosas, a comunidade Masakhane criou o MasakhaNER, o primeiro conjunto de dados de NER anotado por humanos cobrindo línguas africanas, posteriormente expandido para o MasakhaNER 2.0 [S4]. O conjunto de dados foi anotado nativamente por linguistas falantes dos idiomas para capturar quatro categorias de entidades nomeadas: Nomes de Pessoas (PER), Locais (LOC), Organizações (ORG) e Datas (DATE) [S4].
A pesquisa correspondente, de autoria de David Ifeoluwa Adelani e colaboradores, demonstrou dinâmicas centrais no aprendizado de representação:
- Inadequação da transferência a partir de línguas de altos recursos: A transferência translingual padrão a partir de línguas europeias com alta disponibilidade de recursos por meio de modelos multilíngues genéricos (como o mBERT) produz uma generalização deficiente em textos em Yorùbá [S4].
- Transferência tipológica: A transferência de representações entre línguas africanas tipológica e geograficamente relacionadas supera de forma expressiva a transferência a partir do inglês ou do francês [S4].
- AfroXLMR: O pré-treinamento contínuo adaptativo à língua em corpora africanos (gerando modelos especializados como o AfroXLMR) alcançou desempenho de estado da arte na métrica F1 em tarefas de NER para Yorùbá [S4].
Estratégias de Anotação
Pesquisadores debatem se conjuntos de dados sintéticos ou com supervisão distante podem substituir os escassos anotadores humanos. Embora a supervisão distante permita o escalonamento de conjuntos de dados a baixo custo, Adelani et al. demonstraram que a supervisão distante sem filtragem sensível aos tons introduz ruído severo, classificando erroneamente palavras comuns dependentes de tom como nomes próprios [S4]. O consenso permanece de que padrões-ouro de alta qualidade, anotados por humanos, são indispensáveis para uma avaliação confiável [S4].
Análise de Sentimento e Corpora Sociais
O processamento de sentimento em textos digitais em Yorùbá requer lidar com linguagem informal, alternância de código entre Yorùbá e o inglês nigeriano (ou pidgin nigeriano) e ortografia não padronizada.
Para estabelecer linhas de base computacionais, a comunidade construiu o AfriSenti, um benchmark de análise de sentimento em larga escala que compreende mais de 110.000 tweets anotados em 14 línguas africanas, incluindo Yorùbá, Hausa e Igbo [S5]. Liderado por Shamsuddeen Hassan Muhammad e colegas, o conjunto de dados serviu como base para a tarefa compartilhada SemEval-2023 Task 12 [S5].
+-------------------------------------------------------------+
| AfriSenti Benchmark Architecture |
| |
| 110,000+ Annotated Tweets across 14 African Languages |
| Includes Yorùbá, Hausa, Igbo |
| Gold standard for multi-class sentiment classification |
+-------------------------------------------------------------+
O AfriSenti destacou o quanto a alternância de código e expressões sem diacríticos nas mídias sociais desafiam os classificadores monolíngues padrão [S5]. A avaliação de modelos neste corpus provou que o ajuste fino específico para a língua em corpora informais é essencial para sistemas práticos de escuta social e mineração de opinião [S5].
Processamento de Fala: Fundamentos, Modelagem Acústica e Corpora
As tecnologias de fala para Yorùbá devem modelar três registros tonais linguísticos distintos (alto, médio, baixo), juntamente com inventários fonêmicos padrão de vogais e consoantes. Os contornos de tom carregam significado lexical e gramatical; um sistema de Reconhecimento Automático de Fala (ASR) que transcreve segmentos sem altura tonal falha em resolver a identidade lexical, enquanto um sintetizador de Texto para Fala (TTS) que produz uma entonação plana soa artificial e ininteligível [S6][S7].
+-------------------------------------------------------------+
| Yorùbá Speech Architecture |
| |
| [F0 Fundamental Frequency] ---> [Pitch Contour Tracking] |
| [Acoustic Phonemes] ---> [Neural ASR / TTS Engine] |
| Outputs: Full Lexical Tone & Segmental Resolution |
+-------------------------------------------------------------+
Primeiros Fundamentos: Reconhecimento de Tons e Segmentação Silábica
Os primeiros trabalhos computacionais sobre modelagem de fala em Yorùbá foram desenvolvidos pioneiramente na Obafemi Awolowo University (OAU) por Ọdétúnjí Àjàdí Ọdẹ́jọbí [S6]. A pesquisa de Ọdẹ́jọbí's concentrou-se nas frequências fundamentais do contorno de tom ($F_0$) processadas por redes neurais artificiais para alcançar o reconhecimento computacional de tons e a segmentação silábica [S6].
Ọdẹ́jọbí demonstrou que isolar os contornos de tom e rastrear as transições de frequência fundamental permitiu que arquiteturas neurais classificassem com precisão os três registros tonais de Yorùbá a partir de amostras de fala, estabelecendo a base acústica para o processamento neural de voz moderno [S6].
O Corpus ÌròyìnSpeech
Por mais de uma década após os primeiros experimentos de Ọdẹ́jọbí's, o progresso na tecnologia de fala em Yorùbá foi limitado pela ausência de corpora de fala abertos e com diacríticos. Em 2024, uma equipe colaborativa composta por Tolúlọpẹ́ Ógúnrẹ̀mí, Kọ́lá Túbọ̀sún, Anuoluwapo Aremu, Iroro Orife e David Ifeoluwa Adelani lançou o ÌròyìnSpeech [S7].
+-------------------------------------------------------------+
| ÌròyìnSpeech Characteristics |
| |
| Total Duration: ~42 hours of diacritized speech |
| Speakers: 80 volunteer native speakers |
| Tasks Supported: ASR, Single-Speaker TTS, Multi-Speaker |
| Baseline ASR WER: 23.8% |
| TTS Data Req.: High-fidelity output at ~5 hours |
+-------------------------------------------------------------+
O conjunto de dados ÌròyìnSpeech consiste em aproximadamente 42 horas de fala de notícias contemporâneas de alta qualidade e totalmente diacritizada, gravada por 80 locutores voluntários [S7]. Os autores estabeleceram benchmarks de linha de base tanto para ASR quanto para TTS:
- Benchmark de ASR: O ajuste fino de modelos modernos de fala auto-supervisionados (como wav2vec 2.0 e Whisper) no ÌròyìnSpeech estabeleceu uma Taxa de Erro de Palavras (WER) de referência de 23,8% em divisões de teste padrão [S7].
- Benchmark de TTS: O estudo comprovou que sintetizadores de TTS de locutor único de alta fidelidade poderiam ser treinados com apenas 5 horas de áudio limpo e totalmente diacritizado, produzindo transições naturais de altura tonal entre os registros de tom [S7].
Divergência Dialetal e a Restrição do Padrão Escrito
Um importante ponto cego estrutural no PLN de Yorùbá é o foco quase exclusivo no Yorùbá Escrito Padrão (SWY), que se baseia historicamente nos dialetos de Oyo e Lagos (Yorùbá do Noroeste) [S7][S8].
Variedades regionais em toda a região de língua Yorùbá, como Ìjẹ̀bú, Èkìtì, Òndó e Ọ̀wọ̀, exibem mudanças fonológicas, lexicais e tonais marcantes. Por exemplo, mudanças vocálicas específicas, elisões e itens lexicais alternativos são comuns na fala cotidiana entre as comunidades regionais.
+-------------------------------------------------------------+
| Dialectal Performance Disparity |
| |
| Standard NW Yorùbá Training Data (Standard Models) |
| | |
| +---> High Accuracy on Standard News / Audio |
| | |
| +---> Severe Zero-Shot Performance Drop on |
| Regional Dialects (Ìjẹ̀bú, Èkìtì, Òndó) |
+-------------------------------------------------------------+
Para medir essa disparidade de desempenho, Tolúlọpẹ́ Ógúnrẹ̀mí e colegas desenvolveram o YorùLect (publicado na iniciativa Voices Unheard) [S8]. A pesquisa avaliou modelos de fala pré-treinados convencionais, como o Massively Multilingual Speech (MMS) da Meta e o Whisper da OpenAI, em dialetos regionais de Yorùbá.
Os resultados demonstraram que modelos de fala treinados exclusivamente no Yorùbá padrão do noroeste sofrem quedas catastróficas de desempenho em zero-shot quando expostos a áudios de dialetos regionais [S8]. Os autores argumentaram que a construção de tecnologias de fala inclusivas requer a coleta deliberada de corpora multidialetais, em vez de presumir que modelos padrão generalizarão através das fronteiras dialetais [S8].
Industry Ecosystem and Open Infrastructure
Paralelamente à pesquisa acadêmica, emergiu uma infraestrutura industrial e de código aberto para a tecnologia da língua Yorùbá, caracterizada por colaborações entre startups africanas, órgãos governamentais e organizações internacionais de pesquisa.
+------------------------------------------------------------------+
| Yorùbá Language Tech Ecosystem |
| |
| Commercial & Startups: Spitch (STT/TTS via Cencori) |
| Open Models & Governance: Awarri & FMCIDE (Yoruba-ASR/N-ATLAS) |
| Academic / Grassroots: Masakhane, OAU Labs, ÌròyìnSpeech |
+------------------------------------------------------------------+
Commercial Implementations: Spitch
A Spitch é uma empresa africana de tecnologia de IA de voz que fornece infraestrutura de fala para ambientes de produção [S9]. Implementável por meio de interfaces de programação de aplicações, como o Cencori AI Gateway, a Spitch oferece:
- Reconhecimento de Fala para Texto (STT) para Yorùbá, Hausa, Igbo e Amharic.
- Síntese de Texto para Fala (TTS) capaz de gerar entonação tonal nativa.
- Restauração Automática de Diacríticos integrada ao processamento de mensagens de voz e a aplicações corporativas de Resposta Audível Interativa (IVR) [S9].
Conjuntos de treinamento proprietários e taxas exatas de erro fora do domínio para motores comerciais fechados, como o Spitch, permanecem não documentados na literatura revisada por pares, deixando uma lacuna de avaliação empírica entre as alegações comerciais e os parâmetros de referência públicos.
Open-Source Government and Enterprise Partnerships: Awarri
A Awarri, uma organização de pesquisa em IA fundada por Silas Adekunle, avançou no desenvolvimento de modelos fundacionais de código aberto para línguas nigerianas em parceria com instituições públicas [S10].
Em colaboração com o Federal Ministry of Communications, Innovation, and Digital Economy (FMCIDE) e o National Centre for Artificial Intelligence and Robotics (NCAIR) da Nigéria, a Awarri desenvolveu e lançou:
Yoruba-ASR: Um modelo Whisper-Small aberto e ajustado (fine-tuned), otimizado para contextos de fala nigerianos [S10].N-ATLAS: Um modelo multilíngue de código aberto voltado primariamente para voz (voice-first), cobrindo Yorùbá, Hausa, Igbo e Pidgin Nigeriano, lançado para fornecer infraestrutura linguística fundacional para desenvolvedores cívicos e comerciais [S10].
Gaps, Methodological Contradictions, and Open Problems
Apesar do rápido avanço desde 2020, o PLN para Yorùbá permanece limitado por compensações teóricas e metodológicas não resolvidas:
- Exigência Estrita de Diacríticos vs. Robustez a Texto Não Marcado: Os pesquisadores divergem sobre se os pipelines de geração de texto devem exigir estritamente a restauração automática de diacríticos como uma etapa obrigatória de pré-processamento ou desenvolver codificadores downstream que sejam inerentemente robustos à ausência de diacríticos. A imposição de ADR introduz latência no pipeline e agrava erros de restauração upstream, ao passo que contornar o ADR preserva severas ambiguidades semânticas no espaço latente [S1][S3].
- Ineficiências do Tokenizador de Subpalavras: Os algoritmos padrão de subpalavras continuam a segmentar vogais marcadas com diacríticos em Yorùbá em caracteres fragmentados e combinadores Unicode. Isso aumenta a extensão das sequências e inflaciona o uso de memória durante o treinamento. Um tokenizador de subpalavras dedicado e universalmente adotado para Yorùbá, que represente nativamente unidades compostas de vogal e diacrítico, ainda não foi padronizado nos principais registros de modelos [S7][S8].
- Ausência de Ortografias Dialetais: Fora do Yorùbá Escrito Padrão, os dialetos regionais não padrão carecem de convenções ortográficas padronizadas. Consequentemente, o trabalho computacional em dialetos regionais restringe-se amplamente ao áudio de fala, enquanto o PLN baseado em texto permanece exclusivamente monolíngue no Yorùbá padrão do Noroeste [S8].
- Escassez de Benchmarks Comerciais Revisados por Pares: Embora as plataformas comerciais de API aleguem alta precisão operacional em aplicações interativas de voz, a distribuição de seus dados de treinamento, o tratamento de alternância de código (code-switching) e a resiliência a ruídos de fundo não foram sistematicamente verificados em estudos comparativos revisados por pares [S9][S10].
Summary of Key Benchmarks and Corpora
| Recurso | Domínio Principal | Tarefa Principal | Referência |
|---|---|---|---|
| MENYO-20k | Texto multidomínio (Notícias, Web, Literatura) | Tradução Automática Neural | Adelani et al. (2021) [S3] |
| MasakhaNER / 2.0 | Notícias e Artigos Locais | Reconhecimento de Entidades Nomeadas | Adelani et al. (2021) [S4] |
| AfriSenti | Redes Sociais (Twitter) | Classificação de Sentimento | Muhammad et al. (2023) [S5] |
| ÌròyìnSpeech | Fala de Noticiários (~42 h) | ASR, Síntese TTS | Ógúnrẹ̀mí et al. (2024) [S7] |
| YorùLect (Voices Unheard) | Fala de Dialetos Regionais | Avaliação de ASR Multidialetal | Ógúnrẹ̀mí et al. (2024) [S8] |
| Yoruba-ASR / N-ATLAS | Modelos de Voz / Linguagem Multidomínio | Reconhecimento de Fala e PLN Multimodal | Awarri & FMCIDE (2024) [S10] |