<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Victor Herzog Damke on Medium]]></title>
        <description><![CDATA[Stories by Victor Herzog Damke on Medium]]></description>
        <link>https://medium.com/@v.herzog1?source=rss-90134bcfd3a1------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*WLhOLeujM8ESnW7mciMl8g.jpeg</url>
            <title>Stories by Victor Herzog Damke on Medium</title>
            <link>https://medium.com/@v.herzog1?source=rss-90134bcfd3a1------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 03:54:11 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@v.herzog1/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Reconhecimento Facial com Raspberry Pi]]></title>
            <link>https://medium.com/@v.herzog1/reconhecimento-facial-com-raspberry-pi-c4f8579dd640?source=rss-90134bcfd3a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/c4f8579dd640</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[face-recognition]]></category>
            <category><![CDATA[facedetection]]></category>
            <category><![CDATA[raspberry-pi]]></category>
            <category><![CDATA[facial-recognition]]></category>
            <dc:creator><![CDATA[Victor Herzog Damke]]></dc:creator>
            <pubDate>Wed, 12 Jun 2019 14:13:02 GMT</pubDate>
            <atom:updated>2019-06-12T14:13:02.991Z</atom:updated>
            <content:encoded><![CDATA[<p>A ideia aqui é contar como foi implementado um sistema de reconhecimento facial, utilizando um Raspberry Pi 3, para controlar o acesso nos andares da CWI Software.</p><p>Para isso utilizamos um módulo de câmera específico para esta placa de desenvolvimento, que captura os frames de imagem. Foram usadas as bibliotecas <em>opencv </em>e <em>dlib </em>para buscar rostos nestes frames e mapear 64 pontos de referência, como olhos, nariz, boca e queixo. Para decidir se o rosto encontrado pertence a alguém cadastrado, é calculada a distância entre os pontos encontrados e os salvos no banco de dados. Esta distância deve estar abaixo de um valor fixo para definirmos com segurança que o rosto pertence à pessoa cadastrada.</p><p>Se você ainda não leu <a href="https://medium.com/@diandra.rocha07/b2d0981a1aaa">o artigo da Diandra falando sobre isso,</a> corre lá e dá uma olhada, ela explica o problema e o processo de solucioná-lo é um pré-requisito para este artigo, já que vamos utilizar as mesmas tecnologias.</p><h3>O Raspberry Pi</h3><p>Antes de tudo, vamos ver o porquê do <a href="https://www.raspberrypi.org/">Raspberry </a>ser uma alternativa para nosso projeto:</p><ul><li>É rápido, o modelo 3 b+ que estamos usando possui um processador quad-core de 1.4GHz e 1GB de memória RAM;</li><li>É barato, custa menos de 300 reais e consome muito menos energia comparado a qualquer computador convencional;</li><li>É capaz de acionar a porta diretamente com seu conjunto de <a href="https://www.raspberrypi.org/documentation/usage/gpio/">pinos GPIO</a> (vamos falar sobre isso logo mais);</li><li>É pequeno e discreto;</li><li>Possui um conector específico para o módulo de câmera, conectado diretamente na GPU, consumindo muito menos recursos da CPU se comparado a uma câmera USB tradicional;</li><li><strong>E o mais importante:</strong> É uma solução <em>all-in-one,</em> não vai depender da rede ethernet, ou qualquer serviço externo para reconhecer rostos e abrir portas.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QcTQJq0cELgVqD8JhBJtIQ.jpeg" /><figcaption>Raspberry Pi 3 Model B+</figcaption></figure><h3>O problema das soluções prontas</h3><p>A Diandra explicou como funciona a lib <a href="https://github.com/ageitgey/face_recognition"><em>face_recognition</em></a><em>,</em> que faz exatamente o que queremos fazer, então porque não utilizá-la aqui? Bem, há alguns pontos negativos a considerar: esta lib até funciona no Raspberry Pi, porém demora 10 segundos para processar uma imagem, encontrar um rosto e compará-lo com outros rostos.</p><p>Outro ponto negativo é que ela faz a comparação dos rostos em memória, então teríamos de carregar todos os rostos do banco de dados de uma vez só e consumir uma memória absurda neste processo, ou fazer uma consulta por vez ao banco, para cada rosto, gastando ainda mais tempo.</p><p>Pensando nisso decidimos usar diretamente as libs que a face_recognition utiliza por baixo dos panos: <em>opencv</em>, <em>dlib</em>.</p><h3>Planejando a solução</h3><p>Primeiramente vamos analisar o <em>hardware</em>: uma <a href="https://www.raspberrypi.org/documentation/usage/camera/">PiCamera</a>, o módulo de câmera oficial da Fundação Raspberry Pi, envia um stream de vídeo constante ao Raspberry Pi. Este faz todo o processamento necessário para detectar e comparar se um rosto pertence a um colaborador da CWI cadastrado; caso positivo, um relé é acionado através da GPIO e este relé abre a porta.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ipl7LVBqC-AVCesCbelmpw.png" /><figcaption>Câmera -&gt; Raspberry Pi -&gt; Relé -&gt; Porta</figcaption></figure><p>Todos os dispositivos estão conectados diretamente, deixando a solução independente da rede ethernet. O acionamento do relé pelo Raspberry é possível graças aos pinos GPIO (general-purpose input/output), com estes podemos ler ou definir níveis lógicos em tempo de execução, permitindo programas se comunicarem com o mundo externo.</p><p>No Raspberry foi instalado o sistema operacional Raspbian, uma versão do Debian feita exclusivamente para funcionar nesta placa de desenvolvimento. O banco de dados utilizado foi o Postgres, já que permite o uso de arrays como tipo de variável, algo importante uma vez que cada rosto consiste em um array de 128 floats. Isto permite que cada linha de nossa tabela possua toda a informação necessária para comparar um rosto salvo com um detectado pela câmera. Ele está instalado localmente no Raspberry.</p><p>Para detectar rostos no frame da câmera utilizamos a <em>opencv,</em> invés da dlib usada na <em>face_recognition. </em>Podemos ver abaixo uma comparação de velocidade entre elas, mostrando que a <em>opencv </em>consegue ser 6 vezes mais rápida que a <em>dlib</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/320/1*DGwlK3a4VwgWtbdr4dJgmQ.gif" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/320/1*9rslbftQiZg4rPFwuStZUw.gif" /><figcaption>comparação entre opencv (esquerda ~18 FPS) e dlib (direita ~3 FPS)</figcaption></figure><p>Com a posição do rosto podemos gerar os pontos de marcação essenciais para nossa comparação, existem dois modelos padrão: um que identifica 5 pontos e outro que leva em consideração 68 pontos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/424/1*wrI-d7fWqkgSebD-mnckCA.png" /><figcaption>Modelos de 64 e 5 pontos faciais</figcaption></figure><p>Quantos mais pontos identificados por rosto, mais precisa será nossa comparação, por conta disso utilizamos o modelo de 68 pontos na solução com Raspberry Pi.</p><p>Usamos a <em>dlib </em>ainda para gerar os <em>encodings </em>do rosto, e são estes arrays únicos que utilizamos para comparar o rosto captado pela câmera com todos os rostos salvos. Esta comparação acontece no banco de dados, através de uma procedure que calcula a distância euclidiana entre todos os valores do array. O rosto que apresentar a menor distância é utilizado para comparação de semelhança, se esta distância for menor que um fator pré determinado é seguro afirmar que são a mesma pessoa.</p><p>Na situação de alguém ser identificado, um pino GPIO é setado para nível lógico alto que aciona o relé, e este a porta.</p><p>O cadastro de rostos é feito por um tablet; ele captura uma foto para inserir os encodings do rosto no banco. Optamos por realizar o merge desses dois bancos, onde importamos os rostos e usuários inseridos pelo tablet para o Raspberry Pi e exportamos o log de entradas. Isto para não sobrecarregar a placa com requisições de cadastro.</p><h3>Resultados</h3><p>Inicialmente instalamos o Raspberry Pi no 4° andar sem um monitor, agora ele está no 2º andar e adicionamos um monitor. No momento já temos 197 usuários cadastrados. O tempo médio para captar um frame de imagem, detectar um rosto nele, gerar 128 <em>encodings </em>e compará-los com todos os outros salvos no banco fica abaixo de 1 segundo (média de 0,85s).</p><p>O processo de buscar a imagem da câmera gasta um tempo praticamente irrisório se comparado aos seguintes (0,000114s), já o método da <em>opencv </em>que procura rostos nesta imagem consome um pouco mais de 0,02 segundos. Estas duas ações estão sempre sendo executadas e seu tempo de execução é quem define a quantidade de FPS do sistema.</p><p>Quando um rosto é detectado, são gastos 0,7 segundos para gerar seus <em>encodings </em>e mais 0,12s para compará-los no banco de dados.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/598/1*Oh6hJdNK9tQK-xQ2YN-ZHg.png" /><figcaption>Proporção de tempo gasto para cada tarefa</figcaption></figure><p>Durante o dia temos uma média de 330 acessos, com pico as 8:00 e cerca de 90 usuários distintos utilizando o sistema todo os dias:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/598/1*uZrLmCGnSxkvSW3DSSY1xw.png" /><figcaption>Histograma com o número médio de entradas em um dia</figcaption></figure><p>Para utilizar o sistema basta cadastrar uma foto do seu rosto no tablet que está no Núcleo de Tecnologia.</p><h3>Para saber mais</h3><ul><li><a href="https://medium.com/@diandra.rocha07/b2d0981a1aaa">Reconhecimento Facial com Python - Diandra Rocha - Medium</a></li><li><a href="https://www.raspberrypi.org/">Teach, learn, and make with the Raspberry Pi Foundation</a></li><li><a href="https://picamera.readthedocs.io/en/release-1.13/fov.html">6. Camera Hardware - Picamera 1.13 Documentation</a></li><li><a href="https://www.pyimagesearch.com/2017/05/01/install-dlib-raspberry-pi/">Install dlib on the Raspberry Pi - PyImageSearch</a></li><li><a href="https://www.hackster.io/mjrobot/real-time-face-recognition-an-end-to-end-project-a10826">Real-Time Face Recognition: An End-to-End Project</a></li><li><a href="http://dlib.net/python/index.html">Classes - dlib documentation</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c4f8579dd640" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[IBM Watson III: Adicionando fala e reconhecimento de voz]]></title>
            <link>https://medium.com/@v.herzog1/ibm-watson-iii-adicionando-fala-e-reconhecimento-de-voz-6662219c3d8c?source=rss-90134bcfd3a1------2</link>
            <guid isPermaLink="false">https://medium.com/p/6662219c3d8c</guid>
            <category><![CDATA[synthesizers]]></category>
            <category><![CDATA[ibm-watson]]></category>
            <category><![CDATA[speech-recognition]]></category>
            <category><![CDATA[text-to-speech]]></category>
            <dc:creator><![CDATA[Victor Herzog Damke]]></dc:creator>
            <pubDate>Fri, 30 Nov 2018 17:05:04 GMT</pubDate>
            <atom:updated>2018-11-30T17:05:04.912Z</atom:updated>
            <content:encoded><![CDATA[<p>Nesta série de artigos sobre o IBM Watson já vimos como funciona o serviço Watson Assistant, suas diversas ferramentas e criamos um chatbot que entende nossas mensagens e responde com ações ou informações que estamos esperando.</p><p>Neste artigo será demonstrado como adicionar uma interface com suporte a voz no chatbot, habilitando nele o reconhecimento de fala e a sintetização de voz. Para isso, utilizaremos os serviços de Texto Para Fala (Text To Speech — TTS) e Fala Para Texto (Speech To Text — STT) do IBM Watson.</p><p>O código do chatbot não precisa ser alterado, pois o que faremos é incluir a possibilidade do usuário enviar um stream de áudio, o qual será convertido em texto pela STT, sendo este texto enviado ao bot para processamento. Quando uma resposta for recebida do chatbot, é feita uma requisição à TTS com o texto desta resposta, gerando o respectivo áudio que será ouvido pelo usuário.</p><h3>Fala para Texto — STT</h3><p>O objetivo da STT é reconhecer a fala em formato de áudio e transcrevê-la para texto. Algumas API’s de STT atualmente disponíveis:</p><ul><li><a href="https://cloud.google.com/speech-to-text/">Google Cloud Speech to Text</a></li><li><a href="https://console.bluemix.net/docs/services/speech-to-text">IBM Watson Speech to Text</a></li><li><a href="https://azure.microsoft.com/en-us/services/cognitive-services/speech-to-text/">Microsoft Azure Speech to Text</a></li><li><a href="https://aws.amazon.com/transcribe/">Amazon Transcribe</a></li></ul><p>Abaixo segue um exemplo de como implementar reconhecimento de fala em Node.js utilizando o serviço IBM Watson Speech to Text. Vamos fazer uma requisição ao serviço Watson STT, enviando um arquivo de áudio, mostrando no console o texto retornado:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/591/1*ENV48BiZq3crsJ2j00b3XQ.png" /></figure><p>Para utilizar o Watson STT precisamos <a href="https://console.bluemix.net/docs/services/watson/getting-started-credentials.html#credenciais-de-servi-o-para-servi-os-do-watson">informar as nossas credenciais do serviço</a> ou <a href="https://console.bluemix.net/docs/services/watson/getting-started-tokens.html#tokens-para-autentica-o">gerar um token</a> para esta aplicação específica. Os únicos parâmetros obrigatórios ao chamar o serviço Watson STT são o stream do áudio e o seu formato. No exemplo acima, os parâmetros obrigatórios são definidos na variável “params”: o arquivo “artigo-stt.mp3” como stream de áudio e o respectivo formato (“audio/mp3”). O retorno da função recognize será um JSON com o texto interpretado ou um erro.</p><p>Áudio original:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fembed%2Fepisodes%2FSTT-e1r5gg&amp;url=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fepisodes%2FSTT-e1r5gg&amp;image=https%3A%2F%2Fs3-us-west-2.amazonaws.com%2Fanchor-generated-image-bank%2Fproduction%2Fpodcast_uploaded_nologo400%2F802664%2F802664-1532110860577-8c0a3822627f2.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=anchor" width="400" height="102" frameborder="0" scrolling="no"><a href="https://medium.com/media/d608c74a47de4351d9713625f93dd76c/href">https://medium.com/media/d608c74a47de4351d9713625f93dd76c/href</a></iframe><p>JSON retornado informando o texto entendido pelo Watson com 93,7% de confiança:</p><pre>&quot;results&quot;:<br>[{<br>  &quot;alternatives&quot;:<br>  [{<br>    &quot;confidence&quot;:0.937,<br>    &quot;transcript&quot;:&quot;I didn&#39;t invent the time machine to win at gambling I invented a time machine to travel through time &quot;<br>  }],<br>  &quot;final&quot;:true<br>}],<br>&quot;result_index&quot;:0</pre><h3>HTTP ou WebSocket</h3><p>No exemplo anterior utilizamos uma requisição HTTP para transcrever nosso áudio, porém estamos limitados à sequência de: gravar um áudio, enviar à API, mostrar texto resposta. Com Websocket podemos ir além e construir aplicações que se comunicam de forma mais orgânica com o usuário, exibindo feedback conforme o áudio é entendido pela API.</p><p>Utilizando o Websocket é possível, enquanto está ocorrendo a gravação da fala do usuário, enviar streams representando pequenos trechos do áudio captado. A API de STT vai retornando o que entendeu, porém conforme ela recebe mais trechos, seu entendimento da frase vai melhorando conforme o usuário fala. Pode-se visualizar um exemplo de implementação de STT via Websocket nesta demo do <a href="https://www.google.com/intl/en/chrome/demos/speech.html">Google STT</a>.</p><h3>Interface gráfica</h3><p>É interessante dar um feedback ao usuário enquanto ele fala. Para isso, podemos utilizar a <a href="https://developer.mozilla.org/en-US/docs/Web/API/Web_Audio_API">API de Web Audio</a> (confira a <a href="https://caniuse.com/#search=web%20audio">compatibilidade dos navegadores</a>). A Web Audio permite manipular alguns parâmetros de áudio dos navegadores, tais como frequência, volume, ganho e outros. Para criarmos uma animação de feedback que se transforma de acordo com o áudio que está sendo gravado pelo microfone, devemos extrair valores de frequência do stream com a <a href="https://pt.wikipedia.org/wiki/Transformada_de_Fourier">Transformada de Fourier</a>. Esta transformada nos permite decompor um sinal em função do tempo para vários intervalos de frequência extraindo sua amplitude. Se atribuirmos algumas vezes por segundo cada uma destas amplitudes à altura de barras, por exemplo, teremos uma espécie de gráfico de equalização. No exemplo abaixo é mostrado como criar a animação em forma de círculos utilizada no <a href="https://crescer-vui.cwi.com.br/?tts=amazon&amp;stt=google">ChatterBot Crescer</a>, semelhante à Cortana da Microsoft:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/215/1*0RkZqXrLf6_OkwauKdwXjA.gif" /></figure><p>Para implementarmos a animação acima, utilizaremos o analyserpara obter em tempo real os valores de frequência que precisamos, conectando-o ao stream de áudio vindo do microfone:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/341/1*N8sVAa5BOS3j_-WdgSuTig.png" /></figure><p>Precisamos definir em quantos pontos nosso sinal será decomposto, este valor deve ser entre 32 e 32768. Lembrando que cada ponto corresponde a um intervalo de frequência e seu valor é a amplitude média deste intervalo. É criado um array para estes valores:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/382/1*iQE82lfWL1y709F2AUgjAA.png" /></figure><p>Para inserir os valores neste array é usada a função getByteTimeDomainData e a partir deste passo podemos criar qualquer visualização desejada para o stream de áudio:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/343/1*eCIELwk7C1mI-UZUf5F8Hw.png" /></figure><p>No chatbot do Crescer foi criado um componente chamado voice-listener com uma div contendo 16 box-shadows variando conforme a fala do usuário:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/488/1*07zzqxIWdFWG9EI1427zgw.png" /></figure><p>Estas box-shadows tem seu diâmetro alterado pela função abaixo várias vezes por segundo. Os valores do array variam de 0 a 255, sendo silêncio o valor 127. Como a variação é muito grande para nossa aplicação, distorcendo demais a animação, limitamos os valores ao intervalo de 110 a 145, ampliando-os em 150%:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/589/1*nRmBonX3N1VTORYckJoDVA.png" /></figure><h3>Texto para Fala — TTS</h3><p>O serviço de TTS tem como objetivo reproduzir artificialmente a voz humana. Listamos abaixo alguns fornecedores que disponibilizam APIs para este serviço:</p><ul><li><a href="https://console.bluemix.net/docs/services/text-to-speech">IBM Watson Text to Speech</a></li><li><a href="https://aws.amazon.com/pt/polly">Amazon Polly</a></li><li><a href="https://azure.microsoft.com/en-us/services/cognitive-services/speech/?v=18.05">Microsoft Bing Speech</a></li><li><a href="https://cloud.google.com/text-to-speech/">Google Cloud Text-To-Speech (beta)</a></li></ul><p>Cada API tem características próprias, mas todas as citadas acima disponibilizam ao menos uma voz para o português falado no Brasil, além de aceitarem a escolha de qual formato de áudio será retornado. Vamos fazer um exemplo de requisição em Node.js utilizando o IBM Watson Text to Speech:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*Jsk47d85B-pvxZQNmkzVkQ.png" /></figure><p>Assim como no exemplo do SST, também precisamos informar as credenciais ou o token de autenticação. Os parâmetros devem incluir no mínimo o texto a ser sintetizado e a voz utilizada para sintetizá-lo, podendo incluir também o formato de áudio a ser retornado. Neste caso foi escolhida a voz Isabela por ser a única disponível (até o momento dessa publicação) em português do Brasil da <a href="https://www.ibm.com/watson/developercloud/text-to-speech/api/v1/#get_voice">lista de vozes do IBM Watson TTS</a>. O retorno será um stream que pode ser salvo em um arquivo ou executado no navegador, por exemplo. Este foi o áudio gerado.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fembed%2Fepisodes%2FTTS-e1r5gj&amp;url=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fepisodes%2FTTS-e1r5gj&amp;image=https%3A%2F%2Fs3-us-west-2.amazonaws.com%2Fanchor-generated-image-bank%2Fproduction%2Fpodcast_uploaded_nologo400%2F802664%2F802664-1532110860577-8c0a3822627f2.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=anchor" width="400" height="102" frameborder="0" scrolling="no"><a href="https://medium.com/media/9a30b3ac75ffe3f37adb645727d83165/href">https://medium.com/media/9a30b3ac75ffe3f37adb645727d83165/href</a></iframe><h3>Customização com SSML</h3><p>SSML — Speech Synthesis Markup Language é uma linguagem de marcação baseada em XML para aplicações com síntese de fala. São tags que informam à API de TTS como aquele determinado elemento (frase, palavra, número, letra, etc) deve ser pronunciado. Embora seja um padrão suportado pela grande maioria das APIs de TTS, a implementação do SSML termina tendo alguma variação. Por isso vamos analizar seu uso no Watson TTS. Abaixo temos um exemplo de como um texto pode ser elaborado com SSML:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/645/1*JEHlyciw6GTQY2r8mb9sSQ.png" /></figure><p>Analisando o SSML do exemplo acima, vemos que tudo é encapsulado pela tag &lt;speak&gt;, a API irá sintetizar somente o que estiver dentro desta. As tags &lt;paragraph&gt; e &lt;sentence&gt; organizam o texto e diminuem a quantidade de outras marcações que teríamos de usar para atingir o mesmo efeito; também podemos escrevê-las como: &lt;p&gt; e &lt;s&gt;. Para inserir pausas utilizamos o &lt;break&gt;, o qual requer ou o atributo &#39;time&#39;, informando de quanto tempo será a pausa, ou ‘strength’ que indica quão forte ela será. Quando queremos alterar parâmetros físicos do audio a ser gerado utilizamos a tag &lt;prosody&gt;. Podemos definir o tom de voz com o parâmetro ‘pitch’ indo de ‘low’ à ’high’, a velocidade com o ‘rate’ indo de ‘slow’ a ‘fast’ e o volume com o ‘volume’ indo de ‘soft’ a ‘loud’.</p><p>Este foi o áudio gerado pelo texto acima:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fembed%2Fepisodes%2FSSML1-e1r5gr&amp;url=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fepisodes%2FSSML1-e1r5gr&amp;image=https%3A%2F%2Fs3-us-west-2.amazonaws.com%2Fanchor-generated-image-bank%2Fproduction%2Fpodcast_uploaded_nologo400%2F802664%2F802664-1532110860577-8c0a3822627f2.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=anchor" width="400" height="102" frameborder="0" scrolling="no"><a href="https://medium.com/media/c82d39b2ce113631178ee2478bcd8b16/href">https://medium.com/media/c82d39b2ce113631178ee2478bcd8b16/href</a></iframe><p>Nesse próximo exemplo é demostrado o uso da tag &lt;say-as&gt;:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/671/1*hU5q_ZrVc3zEiPvLyutaEg.png" /></figure><p>A tag &lt;say-as&gt; permite definirmos pelo atributo ‘interpret-as’ o tipo de texto que está sendo lido, por exemplo ao colocarmos esta tag no texto &#39;17/12/2005&#39; com seu atributo ‘interpret-as=&quot;date&quot;’ teremos um áudio de uma data, ao invés de uma leitura como ‘17 barra 12 barra 2005’. Uma nota importante sobre esta tag: ela á apenas parcialmente suportada em português, suas funções completas, incluindo sintetização de números de telefone e valores monetários, estão disponíveis apenas em inglês.</p><p>Audio gerado:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fembed%2Fepisodes%2FSSML2-e1r5gt&amp;url=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fepisodes%2FSSML2-e1r5gt&amp;image=https%3A%2F%2Fs3-us-west-2.amazonaws.com%2Fanchor-generated-image-bank%2Fproduction%2Fpodcast_uploaded_nologo400%2F802664%2F802664-1532110860577-8c0a3822627f2.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=anchor" width="400" height="102" frameborder="0" scrolling="no"><a href="https://medium.com/media/34c18a11ed6e27765174a79fa400112a/href">https://medium.com/media/34c18a11ed6e27765174a79fa400112a/href</a></iframe><p>Há também a tag &lt;express-as&gt;, no momento suportada apenas por uma voz em inglês: &#39;en-US_AllisonVoice&#39;, seu uso é muito útil pois permite especificar como a frase deve ser dita sem grandes alterações manuais, por exemplo:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/537/1*nZrC7ixGg2Lp88RtscPE6A.png" /></figure><p>Com o uso do atributo ‘GoodNews’ podemos enfatizar a frase para que ela seja dita de forma empolgante, com o ‘Apology’ de forma mais triste e desapontada, e com o ‘Uncertainty’ de forma duvidosa, ideal para perguntas.</p><p>Audio gerado:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fembed%2Fepisodes%2FSSML3-e1r5gv&amp;url=https%3A%2F%2Fanchor.fm%2Fibm-watson%2Fepisodes%2FSSML3-e1r5gv&amp;image=https%3A%2F%2Fs3-us-west-2.amazonaws.com%2Fanchor-generated-image-bank%2Fproduction%2Fpodcast_uploaded_nologo400%2F802664%2F802664-1532110860577-8c0a3822627f2.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=anchor" width="400" height="102" frameborder="0" scrolling="no"><a href="https://medium.com/media/bcf46fce0f3aa738758c4640962b33cf/href">https://medium.com/media/bcf46fce0f3aa738758c4640962b33cf/href</a></iframe><h3>Referências</h3><ul><li><a href="https://www.ibm.com/watson/developercloud/speech-to-text/api/v1/curl.html?curl">Speech to Text - API reference | IBM Watson Developer Cloud</a></li><li><a href="https://developer.mozilla.org/en-US/docs/Web/API/Web_Audio_API/Visualizations_with_Web_Audio_API">Visualizations with Web Audio API</a></li><li><a href="https://epxx.co/artigos/dftfilter_pt.html">Filtro de áudio DFT</a></li><li><a href="https://www.ibm.com/watson/developercloud/text-to-speech/api/v1/curl.html?curl">Text to Speech - API reference | IBM Watson Developer Cloud</a></li><li><a href="https://console.bluemix.net/docs/services/text-to-speech/SSML-elements.html#elements">IBM Cloud Docs</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6662219c3d8c" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>