Transcrição de Iorubá: Tons, Diacríticos e os Próximos Passos

O iorubá é uma das línguas mais faladas da África, com cerca de 50 milhões de falantes no sudoeste da Nigéria, no Benim, no Togo e em uma expressiva diáspora no Reino Unido, nos EUA e no Brasil. A demanda por transcrição é real: canais de Nollywood em iorubá geram milhões de visualizações por dia no YouTube, e podcasts em iorubá se multiplicaram em todas as grandes plataformas. Ainda assim, em meados de 2026, a transcrição de iorubá está em uma posição desconfortável: teoricamente contemplada pelos principais motores de ASR, mas sem precisão confiável para uso em produção.

Este é um relato realista dos motivos disso, de onde a pesquisa chegou e do que você realmente pode fazer hoje.

O sistema de três tons não é um detalhe secundário

O iorubá é tonal de um jeito que define diretamente o significado, não apenas a pronúncia. O idioma usa três tons de registro:

• Tom alto, marcado com acento agudo: á
• Tom baixo, marcado com acento grave: à
• Tom médio, sem marcação

Um exemplo clássico: ọ́kọ̀ (alto-baixo) significa "marido", ọ̀kọ̀ (baixo-baixo) significa "enxada" e ọkọ̀ (médio-baixo) significa "veículo". A distinção falada é o tom. A distinção escrita são os diacríticos. Remova os sinais e o sentido se perde.

Além das marcas de tom, o iorubá padrão usa diacríticos sob a letra para vogais abertas e uma consoante palato-alveolar: ẹ (e aberto, como em "pé"), ọ (o aberto, como em "pó") e ṣ (similar ao "ch" em português). As marcas de tom são aplicadas sobre eles: ẹ́, ẹ̀, ọ́, ọ̀. A ortografia foi padronizada em uma conferência em Lagos em 1875, organizada por missionários e acadêmicos locais, e o padrão se mantém até hoje.

Uma transcrição de iorubá pronta para produção precisa preservar cada diacrítico. Um texto sem eles até pode ser lido, mas perde nuance semântica, o equivalente a remover a pontuação de um documento jurídico em português.

Por que o ASR tem tanta dificuldade com os diacríticos de tom

O problema não se resume à "falta de recursos". Ele é estrutural.

Um estudo de 2026 publicado na ACL mostrou que os modelos de ASR baseados em transformadores geram taxas de erro menores em textos em iorubá sem marcação de tom do que em textos com diacríticos completos. Os autores atribuem isso a três fatores: o comportamento da tokenização (a maioria dos tokenizadores foi desenhada para alfabetos europeus e separa caracteres com diacríticos de forma imprevisível), a presença insuficiente de pistas acústicas tonais nos dados de pré-treinamento e a ausência de modelagem de tom nos objetivos fundamentais do modelo.

Esse é um achado contraintuitivo. Significa que os modelos não estão apenas deixando de marcar os tons, eles estão sendo ativamente confundidos pela presença das marcações no texto de referência durante o treinamento. Resolver a transcrição de iorubá de verdade exige repensar a tokenização dos diacríticos de tom, e não apenas injetar mais áudio no treinamento.

Para entender por que esse padrão se repete em várias línguas tonais de baixos recursos, veja por que a IA tem dificuldades com línguas de baixos recursos.

A situação real dos números

O artigo do dataset NaijaVoices (Interspeech 2025) traz a referência pública mais clara de ASR para iorubá em modelos sem fine-tuning:

Um WER acima de 100% significa que o modelo gera mais erros de palavras do que existem no texto de referência, em geral por alucinações ou frases repetidas. O Whisper Large com 106% de base praticamente gera ruído em áudios limpos em iorubá.

O fine-tuning do Whisper Small com o NaijaVoices derruba a taxa de erro em cerca de 260 pontos percentuais. Ainda assim, 58% de WER está muito longe da faixa abaixo de 15% típica do inglês para produção. A distância entre "melhorar drasticamente" e "ser utilizável sem revisão humana" continua grande.

Para entender como essas taxas de erro se comparam a outros idiomas e serviços, veja precisão da transcrição explicada.

Interface da ferramenta de voz para texto do ConvertAudioToText

A fragmentação dialetal agrava o cenário

O ASR para o iorubá padrão, por pior que seja, ainda supera os dialetos regionais por uma margem clara.

Pesquisas avaliando o MMS e o SeamlessM4T em cenários zero-shot registraram uma diferença média de 12 pontos de WER entre o iorubá padrão e dialetos regionais. Números exatos: iorubá padrão com 72,50 de WER, dialeto Ifẹ̀ com 85,38 e dialeto Ìlàjẹ com 83,79.

O iorubá tem pelo menos cinco grupos regionais: Noroeste (Oió, Ogum), Nordeste (Kwara), Central, Sudoeste e Sudeste, cada um com variações fonológicas, lexicais e consonantais. O dialeto Ijebu, falado no estado de Ogum, tem alternâncias consonantais e distinções vocálicas documentadas que não existem na forma escrita padrão. Um modelo treinado com leitura de notícias em Lagos terá perdas substanciais de precisão em uma entrevista gravada em Ekiti ou Ondo.

Quando um fine-tuning adaptado a dialetos foi aplicado com apenas 800 exemplos de treino por dialeto, os pesquisadores conseguiram reduzir o WER em cerca de 20 pontos. Poucos dados já ajudam, mas isso exige que alguém colete e rotule áudios específicos de cada dialeto primeiro.

Alternância de código na fala de Lagos

O iorubá urbano de Lagos não se limita a um único idioma por frase. Os falantes transitam no meio da fala entre iorubá, inglês e pidgin nigeriano. Uma frase pode começar em iorubá, incluir um termo técnico em inglês e terminar com uma expressão em pidgin, tudo com coerência gramatical para o falante.

Um artigo da ACL de 2025 sobre alternância de código iorubá-inglês mostrou que o ajuste fino de modelos de ASR monolíngues no YECS Corpus (120 horas de fala natural com alternância de código de 140 falantes bilíngues) reduziu o WER em mais de 20% em áudios mistos, mantendo um desempenho competitivo no iorubá padrão. Modelos monolíngues com fine-tuning foram mais leves computacionalmente do que alternativas multilíngues e ainda assim reduziram a maior parte da diferença.

Na prática: um modelo multilíngue genérico lida parcialmente com os trechos em inglês da fala mista, mas tropeça nas partes em iorubá e nas transições. Áudios gravados em iorubá formal, com um único locutor e com diacríticos, terão transcrições melhores do que conversas cotidianas de Lagos, não porque o iorubá de Lagos seja "incorreto", mas porque os modelos de ASR são treinados no primeiro formato, e não no segundo.

Para saber mais sobre como a alternância de código afeta a precisão entre idiomas, veja transcrição para falantes não nativos de inglês.

Esforços de datasets da comunidade: o que já existe

O cenário de recursos para o iorubá é melhor do que há cinco anos. Vários datasets concretos estão disponíveis publicamente:

ÌròyìnSpeech (LREC 2024): 42 horas de voz em iorubá totalmente com diacríticos gravadas por 80 voluntários, extraídas de notícias e textos literários. Lançado sob CC-BY-4.0, o que permite o uso no treinamento de modelos comerciais. É relevante porque o texto de referência com diacríticos ajuda a estudar especificamente a marcação de tom.

NaijaVoices (Interspeech 2025): 606,94 horas de fala em iorubá de 1.768 locutores, parte de um dataset de 1.800 horas que abrange várias línguas nigerianas. Atualmente é o maior corpus aberto de voz em iorubá.

YECS Corpus: 120 horas de fala em alta qualidade com alternância de código iorubá-inglês, 99.930 pares validados de áudio e texto, gravados por 140 falantes bilíngues com diversidade demográfica. Criado especificamente para o problema da troca de código.

Masakhane (comunidade independente de PLN africano, com mais de 1.000 participantes em 30 países africanos) definiu a meta para 2025 de coletar 500 horas de voz para cinco línguas sub-representadas. Ainda não há confirmação pública de que o iorubá esteja nesse grupo no momento em que este texto é escrito, mas a organização já apoiou iniciativas de PLN em iorubá por meio de benchmarks e datasets.

Hoje existem mais de 700 horas abertas de voz em iorubá divididas em várias coleções. Isso cria uma base funcional para fine-tuning. O gargalo continua sendo o alinhamento entre o áudio e transcrições de referência totalmente com diacríticos, além da falta de cobertura dialetal equilibrada em grande escala.

O que o iorubá pronto para produção realmente vai exigir

Para levar o iorubá à faixa de 85 a 90% de precisão necessária para uma transcrição prática que exija pouca edição, será preciso combinar os seguintes fatores:

1. Tokenização sensível aos tons. Os modelos atuais precisam ser retreinados ou ajustados com tokenizadores que tratem caracteres com diacríticos em iorubá como unidades únicas, e não como caractere base mais sinal combinatório. Esse é um problema de pré-treinamento, não apenas um ajuste de fine-tuning.

2. Dados de referência com diacríticos em escala. Conteúdos jornalísticos (como os do ÌròyìnSpeech) são um começo. Dados conversacionais e com diversidade dialetal em escala são o que fecha a distância entre o laboratório e o áudio do mundo real.

3. Tratamento nativo de alternância de código. Especialmente para conteúdos de Lagos, um modelo que trate as transições entre iorubá e inglês como erro a ser minimizado sempre terá desempenho ruim nos materiais que pesquisadores e jornalistas realmente precisam transcrever.

4. Cobertura dialetal. A perda de 12 pontos de WER em dialetos significa que um modelo mediano no iorubá padrão será ruim na fala regional. Os dados de treinamento precisam de maior diversidade de locutores.

Em 2026, há pesquisas ativas nessas quatro frentes ao mesmo tempo, um cenário bem melhor do que há três anos, quando a própria falta de datasets era o grande gargalo.

Comparativo das abordagens atuais

Para conferir outros comparativos do setor, veja melhores APIs de voz para texto em 2026.

Recomendações práticas para 2026

Se você precisa transcrever áudios em iorubá agora:

Para pesquisa e primeiros rascunhos: Envie com o código de idioma "yo" por uma API conectada ao Whisper ou a um checkpoint ajustado. O resultado será um texto em iorubá parcialmente correto, muitas vezes sem marcas de tom e com trechos alucinados. Reserve tempo para uma revisão com um falante fluente de iorubá, principalmente para nomes próprios, topônimos ou termos cujo significado dependa do tom.

Para uso jurídico, formal ou de transmissão: A transcrição de iorubá puramente por IA ainda não atingiu esse nível. A transcrição humana com um profissional certificado continua sendo o caminho confiável. Use a saída da IA como um primeiro rascunho para reduzir a carga de trabalho do transcritor, nunca como produto final.

Para conteúdo do oeste africano sem exigência estrita de iorubá: A transcrição de haúça já funciona com precisão de nível de produção. Muitos criadores nigerianos produzem conteúdo nos dois idiomas, e quando há flexibilidade de escolha, o haúça é a opção mais estável hoje.

Nossa avaliação: o iorubá superou a fase em que "o modelo nem sabia que o idioma existia" e passou a gerar "algo reconhecível". A distância entre isso e a prontidão para produção ainda é substancial. O ritmo de pesquisa e o volume de datasets em 2025-2026 são o sinal mais claro de que essa lacuna vai diminuir, mas a resposta sincera para hoje é que qualquer transcrição de iorubá gerada por IA precisa de uma pessoa qualificada na revisão.

Se você só precisa de uma transcrição limpa sem bot de reunião ou integrações complexas, o ConvertAudioToText oferece suporte a iorubá via API e entrega o texto bruto para edição. É um ponto de partida, não uma solução definitiva para esse idioma.

FAQ

O Whisper é compatível com iorubá?

O Whisper inclui o iorubá sob o código de idioma "yo" desde o large-v3. Na prática, o suporte é fraco. O WER base no Whisper Large para iorubá fica acima de 100%, o que significa que há mais palavras erradas do que certas antes de qualquer ajuste fino. Após fine-tuning no dataset NaijaVoices, o Whisper Small cai para cerca de 58% de WER, o que é melhor, mas ainda está longe do padrão jurídico ou de transmissão.

Por que o iorubá é mais difícil para o reconhecimento de voz do que outras línguas africanas?

Há três motivos combinados. Primeiro, o iorubá é uma língua de três tons em que a altura vocal muda o significado das palavras, e os tokenizadores de ASR atuais não foram projetados para diacríticos. Um estudo da ACL de 2026 mostrou que os modelos erram menos em textos sem marcação de tom do que em textos com todos os diacríticos, porque os próprios sinais quebram a tokenização. Segundo, o iorubá tem pelo menos cinco grupos dialetais com variações fonológicas mensuráveis; um modelo treinado no iorubá padrão apresenta uma diferença de cerca de 12 pontos de WER em dialetos como Ifẹ̀ e Ìlàjẹ. Terceiro, na fala urbana de Lagos há uma intensa alternância de código com o inglês no meio das frases, e a maioria dos modelos lida com um idioma ou com o outro, não com a mistura.

Quais datasets da comunidade existem para voz em iorubá?

Existem várias bases verificadas em meados de 2026. O ÌròyìnSpeech (publicado no LREC 2024) traz 42 horas de iorubá totalmente com diacríticos gravadas por 80 voluntários, sob licença CC-BY-4.0. O NaijaVoices (Interspeech 2025) adiciona 606 horas de fala em iorubá com 1.768 locutores, sendo a maior base aberta até hoje. O YECS Corpus contribui com 120 horas de fala natural com alternância de código iorubá-inglês de 140 falantes bilíngues. A Masakhane, organização comunitária de PLN, tem como meta para 2025 coletar 500 horas para cinco línguas africanas sub-representadas, tendo o iorubá como foco.

Devo usar ferramentas de transcrição de iorubá agora ou esperar?

Para pesquisas informais ou conteúdos em que um rascunho com edição manual seja aceitável, usar o Whisper com o código de idioma "yo" é um ponto de partida viável hoje. Preveja uma etapa completa de revisão por alguém fluente, especialmente para marcas de tom e nomes próprios. Para fluxos de trabalho jurídicos, de transmissão ou editoriais formais, a precisão ainda não é suficiente. Se o seu conteúdo permitir, a transcrição de haúça já está pronta para produção com maior precisão e cobre boa parte dos fluxos de trabalho de conteúdo no oeste da África.

Fontes

• Tone in Yoruba ASR: Evaluating the Impact of Tone Recognition on Transformer-Based ASR Models (ACL 2026)
• ÒWE-Voice: Evaluation of Monolingual and Multilingual ASR Using Yoruba Proverb Speech (AfricaNLP 2026)
• Voices Unheard: NLP Resources and Models for Yorùbá Regional Dialects (EMNLP 2024)
• The NaijaVoices Dataset (Interspeech 2025)
• ÌròyìnSpeech: A Multi-purpose Yorùbá Speech Corpus (LREC 2024)
• Fine-Tuning Monolingual ASR for Yoruba-English Code-Switching (CALCS 2025)
• Automatic Speech Recognition for African Low-Resource Languages: A Systematic Review (2025)
• Masakhane community
• Yoruba language, Wikipedia
• OpenAI Whisper tokenizer, GitHub