Relato RegistradoReanálise de vogais médias pretônicas com o alinhador forçado MFAOushiroLiviaOliveira JrMiguelMotaMailce BorgesUniversidade de São PauloUniversidade Federal de AlagoasUniversidade Federal de Santa Catarina71e905http://creativecommons.org/licenses/by/4.0/
A Sociofonética combina a análise acústica com o estudo da fala natural de pessoas com diferentes perfis sociais. Um desafio do campo é lidar com grandes volumes de dados mantendo o rigor metodológico da Fonética e da Sociolinguística. A ferramenta de alinhamento forçado Montreal Forced Aligner pode contribuir nesse sentido, pois segmenta automaticamente os sons da fala; contudo, o alinhador ainda não foi amplamente testado para o português brasileiro. Este trabalho replica análises prévias que investigaram a pronúncia das vogais /e, o/ (como em “legal”, “morada”) na fala de migrantes nordestinos em São Paulo, observando a possível aproximação à variedade paulistana na situação de contato dialetal. Os estudos originais utilizaram a ferramenta EasyAlign com correção manual das vogais. Neste estudo, aplica-se o Montreal Forced Aligner aos mesmos dados para avaliar se os resultados obtidos são equivalentes, contribuindo para validar seu uso na pesquisa sociofonética com dados do português.
Abstract
Sociophonetics combines acoustic analysis with the study of natural speech produced by individuals with different social profiles. A challenge in the field is managing large volumes of data while maintaining the methodological rigor of Phonetics and Sociolinguistics. The forced-alignment tool Montreal Forced Aligner can contribute in this regard, as it automatically segments speech sounds; however, the aligner has not yet been widely tested for Brazilian Portuguese. This study replicates previous analyses which investigated the pronunciation of the vowels /e, o/ (as in “legal,” “morada”) in the speech of Northeastern migrants in São Paulo, examining potential convergence toward the São Paulo variety in a dialect contact situation. The original studies used EasyAlign with manual correction of the vowels. In the present study, Montreal Forced Aligner is applied to the same data to assess whether the results are equivalent, thereby contributing to the validation of its use in sociophonetic research with Portuguese data.
SociofonéticaMontreal Forced AlignerVogais médias pretônicasAquisição de segundo dialetoMigrantes nordestinos em São Paulo31121969Resumo para não especialistas
A fala de pessoas que se mudaram de uma região para outra pode sofrer alterações ao entrar em contato com outro sotaque. Um exemplo é o grau de abertura da vogal “e”, em palavras como “legal” (“légal” vs. “legal”), na fala de nordestinos que hoje vivem em São Paulo. Na maior parte dos casos, é possível que essas mudanças ocorram de modo gradual e que a pronúncia dessas vogais seja intermediária entre as típicas pronúncias nordestina e paulista. Isso pode ser testado por meio de análises acústicas da fala espontânea de uma amostra robusta de falantes com essas características. Entretanto, analisar acusticamente a pronúncia de milhares de dados da fala pode consumir muito tempo e recurso se o processo é feito manualmente. Desse modo, este estudo testa a eficiência de um programa de computador que identifica automaticamente cada som da fala dentro de uma gravação, com dados espontâneos do português. Esperamos que o programa tenha bom desempenho, especialmente nos casos de gravações com poucos ruídos e de certas vogais e consoantes.
Introdução
A Sociofonética é uma área que reúne os princípios, as questões de pesquisa e os métodos da Fonética e da Sociolinguística (Zimman, 2020; Baranowski, 2013; Foulkes; Scobbie; Watt, 2010; Silveira; Oushiro, 2022). Em comum, essas duas áreas se ocupam da análise de dados reais (i.e., não da intuição), do tratamento quantitativo desses dados e, de modo geral, orientam-se por abordagens empíricas (Thomas, 2013).
Por outro lado, também existem diferenças entre Fonética e Sociolinguística. De acordo com Jannedy e Hay (2006, p. 405), da perspectiva do foneticista, muito da prática variacionista pode ser vista como pouco sofisticada quanto ao rigor metodológico na análise do detalhe acústico. Com efeito, o foco dos estudos sociolinguísticos em grandes amostras de fala resulta em análises pouco detalhadas quanto a características acústicas e articulatórias, de modo que tendem a se pautar mais por categorias fonológicas do que propriamente fonéticas. Da perspectiva variacionista, a pesquisa fonética pode ser criticada pela ênfase em amostras de fala controlada ou “de laboratório”, raramente de fala espontânea. Nesses estudos, a variação social é frequentemente tratada como fonte de “ruído”; embora muitos foneticistas reconheçam a existência de variação social, a maioria a considera como dado de pouco interesse teórico (Jannedy; Hay, 2006, p. 405).
É inegável, contudo, que as áreas da Fonética e da Sociolinguística têm se aproximado nos últimos anos. Uma forte evidência da expansão da Sociofonética é a presença de verbetes e capítulos em manuais recentes de ambas as áreas (p.ex., Foulkes; Scobbie; Watt, 2010; Thomas, 2013; Thomas, 2019; Zimman, 2020; Fagyal; Davidson, 2022), em volumes temáticos de revistas especializadas (p.ex., Foulkes; Docherty, 2006; Nycz, 2015) e o surgimento de obras dedicadas exclusivamente ao assunto (p.ex., Preston; Niedzielski, 2010; Celata; Calamai, 2014). Para Labov (2006, p. 500), o campo da Sociofonética se volta ao “estudo da sensibilidade de falantes e de ouvintes ao contexto social em que a língua é produzida e percebida”, não havendo dúvidas de que os métodos experimentais e estatísticos dessas análises vão além das práticas correntes nos estudos sociolinguísticos. Labov (2006, p. 501) acrescenta, ainda, que embora o termo possa sugerir a emergência de uma nova disciplina, tal visão é uma “distração” do ponto principal: a aproximação de duas linhas de pesquisa até então apartadas.
Um dos desafios para o desenvolvimento da Sociofonética é o tratamento de dados coletados em situações que se aproximam daquelas de conversas naturais e espontâneas, com vistas a superar o Paradoxo do Observador (Labov, 2006 [1966]), uma vez que o interesse do sociolinguista é observar sistematicamente a fala cotidiana. Isso não raro resulta em gravações com ruídos do ambiente, sobreposições de vozes de interlocutores, hesitações ou inícios interrompidos. Além disso, normalmente se analisam dezenas ou centenas de horas de gravação com múltiplos indivíduos, totalizando milhares de dados, como costuma ocorrer em estudos sobre variáveis fonético-fonológicas.
O tratamento acústico de tal quantidade de dados tem se facilitado pelo advento de ferramentas de transcrição alinhada e análise acústica nas últimas décadas, como o Praat (Boersma; Weenink, 2023) e o ELAN (Sloetjes; Wittenburg, 2008), e de segmentação automática, como o EasyAlign (Goldman, 2011), FAVE (Rosenfelder et al., 2014), Prosodylab-Aligner (Gorman et al., 2011) e Montreal Forced Aligner (MFA; McAuliffe et al., 2017) – sendo este último o mais utilizado em pesquisas recentes pelo número de línguas que comporta e pela possibilidade de treinamento do modelo em novas línguas ou variedades linguísticas.
O MFA é um sistema de acesso aberto que realiza a segmentação acústica de dados a partir de arquivos de áudio e de transcrição ortográfica, baseando-se em modelos acústicos trifônicos para capturar a variabilidade contextual e que inclui adaptações por falantes para modelar diferenças individuais (McAuliffe et al., 2017, p. 498). Sua aplicação se dá em linguagem Python por meio de linhas de comando. Dentre os modelos já treinados, há um para o Português Brasileiro – Portuguese (Brazil) MFA G2P model v2.0.0 – junto a um dicionário – Portuguese (Brazil) MFA dictionary v2.0.0 – (McAuliffe; Sonderegger, 2022); esses modelos, entretanto, ainda não foram testados sistematicamente em dados de entrevistas sociolinguísticas nessa língua (mas ver Batista et al., 2022).
Nesse sentido, o objetivo deste estudo é o de testar e avaliar o alinhador automático MFA com dados semi-espontâneos do Português Brasileiro, obtidos em entrevistas sociolinguísticas advindas do Projeto Coesão & Dispersão (Oushiro, 2023; FAPESP 2023/00968-7) com 39 falantes, cada qual com cerca de uma hora de duração.
Para tanto, replicam-se as análises de dois estudos prévios – Oushiro (2019a, 2019b) – sobre a realização de vogais médias pretônicas (como em “legal” e “morada”) na fala de migrantes alagoanos e paraibanos residentes na cidade de São Paulo, em comparação com a fala de paulistanos não migrantes, cujo objetivo foi o de avaliar em que medida os migrantes adotam a pronúncia relativamente menos baixa das vogais pretônicas /e, o/. Nesses estudos, as vogais médias pretônicas foram analisadas acusticamente a partir de segmentação automática realizada com o alinhador EasyAlign (Goldman, 2011)[1] e posteriormente revisada manualmente pela pesquisadora. Ainda que o objetivo em Oushiro (2019a, 2019b) não tenha sido o de avaliar a acurácia do EasyAlign, vale notar que seu emprego reduziu substancialmente o tempo despendido na tarefa de segmentação acústica de milhares de vogais, ao mesmo tempo em que, por outro lado, se atestou a necessidade de revisão humana, uma vez que o alinhamento automático com o EasyAlign pareceu ser menos preciso em trechos de fala rápida, com ruídos e em segmentos articulatoriamente reduzidos (ver Seção 1).
Uma vez que os dados dos estudos originais passaram por revisão humana, o presente trabalho assume que a segmentação e as medições deles extraídas podem ser tomadas como parâmetro confiável para a testagem e a avaliação do MFA, objetivo ao qual este estudo se volta. Mais especificamente, busca-se responder as seguintes questões: (i) aplicando-se a segmentação automática do MFA sobre os mesmos dados, como se comparam os resultados de análises multivariadas de regressão linear (incluindo as variáveis previsoras Gênero, Escolaridade, Faixa Etária, Idade de Migração, Tempo de Residência, Motivo de Migração e Falante) e os resultados de análise de covariação entre a altura das vogais /e/ e /o/ com aqueles dos estudos prévios?; (ii) qual é a taxa de acerto do MFA para as fronteiras de vogais pretônicas /i, e, a, o, u/ em dados de fala semiespontânea de entrevistas sociolinguísticas?
A próxima seção descreve os métodos e os resultados dos estudos a serem replicados, assim como o contexto mais amplo da presente pesquisa. Em seguida, a seção “Métodos” apresenta o protocolo de tratamento de dados do presente estudo e o plano da análise que se objetiva desenvolver.
1. Estudos replicados e contexto da pesquisa
Em situação de contato dialetal, comumente se observam formas linguísticas híbridas ou intermediárias (Kerswill, 1994; Siegel, 2010). Por exemplo, na fala de migrantes nordestinos residentes em São Paulo, é possível que suas realizações de vogais médias pretônicas /e, o/ não sejam tão baixas quanto a de nordestinos não migrantes (como ‘l[ɛ]gal, ‘m[ɔ]rada’), tampouco tão alta quanto a de paulistanos (como ‘l[e]gal, ‘m[o]rada’). Com efeito, da perspectiva sociofonética, é de se esperar que haja variação na altura da vogal em todos os grupos de falantes, migrantes ou não. Uma codificação de oitiva, com base apenas na percepção do pesquisador, pode ser enganosa: é possível que realizações intermediárias de /e, o/ sejam percebidas como média baixas por alguns (quiçá, os paulistas) e como média altas por outros (quiçá, os nordestinos).
Considerando a gradiência sociofonética, sobretudo na fala de migrantes, Oushiro (2019a) descreve os procedimentos metodológicos para o tratamento acústico de vogais médias pretônicas /e, o/ em dados de entrevistas sociolinguísticas.[1] O corpus consistiu de 39 gravações: 21 alagoanos e 11 paraibanos residentes na cidade de São Paulo, em contraste com a fala de sete paulistanos não-migrantes como amostra-controle. Os dados haviam sido coletados, respectivamente, para a pesquisa de mestrado de Silva (2014), para o Projeto Casadinho (Hora; Negrão, 2011) e para o Projeto SP2010 (Mendes; Oushiro, 2012), sendo gentilmente cedidos pelos responsáveis ao Projeto “Processos de acomodação dialetal na fala de nordestinos residentes em São Paulo” (Oushiro, 2016; FAPESP 2016/04960-7[2]). As amostras de migrantes e paulistanos foram ambas balanceadas pelo gênero (feminino, masculino), três faixas etárias (20–34, 35–59, 60 ou mais anos) e dois níveis de escolaridade (até Ensino Médio, Nível Universitário). Das gravações, também se extraíram informações sobre idade e motivo da migração, tempo de residência em São Paulo e local de origem (rural ou urbano).[3]
Os dados das 39 gravações passaram pelas seguintes etapas de tratamento:
1) Transcrição alinhada à onda sonora no programa ELAN (Sloetjes; Wittenburg, 2008);
2) Aplicação, sobre as transcrições, do EasyAlign (Goldman, 2011), a partir de uma transcrição ortográfica (ver Figura 1: a partir da trilha de transcrição, “S1”, o EasyAlign criou as trilhas phono, phones e words).
<bold id="bold-9c7c27012fc8984fd03e6064758ca334">Figura 1</bold>. Transcrição e segmentação no Praat após a aplicação do EasyAlign e marcação de vogais pretônicas, antes da revisão humana. Fonte: Oushiro (2019a, p. 164).
ALT: Espectrograma, transcrição e segmentação acústica de trecho de fala gravada. A figura destaca a palavra “pesado”, sua segmentação nos fones /p/, /e/, /z/, /a/, /d/ e /o/ na trilha “phones”, assim como segmentação das vogais-alvo do estudo de Oushiro (2019a) – a vogal /e/ pretônica e a vogal seguinte /a/.
3) Aplicação, sobre as transcrições, do script silac/silacpret (Oushiro, 2018). O silac é um código em linguagem R que transforma uma transcrição ortográfica em transcrição fonêmica. Com base no silac, desenvolveu-se uma sequência adicional de código (denominada “silacpret”[1]) para identificação e marcação de segmentos pretônicos. Assim, a palavra “telefone”, por exemplo, é transcrita como “t<e>-l<e>-'fo-ne”. A transcrição gerada pelo silacpret foi inserida na trilha “marc.pretonicas” (Figura 1).
4) Sobre o arquivo .TextGrid segmentado pelo EasyAlign, criação de nova trilha, “fones.pretonicas”, para revisão humana da segmentação automática e para anotação de ocorrências de vogais médias pretônicas /e, o/ e outras vogais de interesse (/i, a, u/, bem como as vogais das sílabas seguintes às pretônicas). O ajuste de fronteiras de vogais foi feito a partir da oitiva, com fones de ouvido, do trecho em que se encontra o segmento e da inspeção visual do espectrograma; além de pistas com base nos segmentos adjacentes à vogal (como a ausência da barra de vozeamento em oclusivas surdas ou a existência de ruídos acima de 5000 Hz em fricativas), a delimitação das vogais pautou-se pela clara presença das faixas de frequência F1 e F2, tomando-se esta última como principal critério para ajuste de fronteiras, juntamente à amplitude da onda. Para anotação na trilha “fones.pretonicas”, adotaram-se os seguintes critérios: (i) busca de ocorrências (p.ex.: “<e”) na trilha “marc.pretonicas”; (ii) seleção de ocorrências em contextos favorecedores da aplicação da regra de abaixamento vocálico, segundo Pereira (1997): vogais médias pretônicas /e, o/ cuja sílaba seguinte contém uma vogal média baixa /ɛ, ɔ, ɛ̃, ɔ̃/ ou baixa /a, ã/; (iii) anotação adicional das vogais pretônicas /i, a, u/, para posterior normalização das vogais e plotagem do espaço vocálico; (iv) para cada vogal média pretônica, anotação da vogal da sílaba seguinte, para posterior análise dessa variável previsora; (v) descarte de ocorrências de vogais, mesmo que dentro dos parâmetros acima, caso ocorresse em sobreposição de vozes, com ruído excessivo ao fundo ou com medições de F1/F2 espúrias, de acordo com os parâmetros de Barbosa e Madureira (2015) para vogais do português brasileiro. Em cada gravação, anotaram-se aproximadamente 50 ocorrências para cada vogal média pretônica /e, o/ e 30 ocorrências para cada vogal /i, a, u/.
5) Sobre a trilha “fones.pretonicas”, aplicação do script Vowel Analyzer (Riebold, 2013) para extração de medidas de F1, F2 e F3 em 30%, 50% e 70% das vogais, além de sua duração, para uma planilha.
6) Exclusão de outliers das vogais /i, e, a, o, u/ (medições com desvio 1,5 vezes maior do que o intervalo interquartil Q1-Q3).
7) Normalização das vogais pelo método de Lobanov (1971) por meio da linguagem R.
8) Codificação automática de variáveis previsoras linguísticas e sociais,[2] por meio de script em R elaborado pela autora.[3]
Em Oushiro (2019a), esses dados foram analisados em modelos de regressão linear de efeitos mistos (função lmer do pacote lme4), com o objetivo de identificar variáveis sociais correlacionadas com a aquisição de vogais médias pretônicas [-baixa]. Como o conjunto de variáveis sociais não é ortogonal entre si, foram criadas dois modelos: (i) um contendo as variáveis estratificadoras das amostras: Gênero, Nível de Escolaridade e Faixa Etária, além de Falante como efeito aleatório (modelos 9a e 9c); e (ii) um contendo outras variáveis sociais diretamente relacionadas à trajetória do migrante: Idade de Migração, Tempo de Residência e Motivo da Migração, além de Falante como efeito aleatório (modelos 9b e 9d).
9) Modelos de regressão linear:
a. Modelo E1: F1.NORM ~ GENERO + ESCOLARIDADE + FAIXA.ETARIA + (1|PARTICIPANTE), data = vogal.e
b. Modelo E2: F1.NORM ~ IDADE.MIGRACAO + TEMPO.SP + MOTIVO.MIGRACAO + (1| PARTICIPANTE), data = vogal.e
c. Modelo O1: F1.NORM ~ GENERO + ESCOLARIDADE + FAIXA.ETARIA + (1| PARTICIPANTE), data = vogal.o
d. Modelo O2: F1.NORM ~ IDADE.MIGRACAO + TEMPO.SP + MOTIVO.MIGRACAO + (1| PARTICIPANTE), data = vogal.o
Os resultados da análise de 1.916 ocorrências de /e/ e 1.645 ocorrências de /o/ mostraram que apenas a Idade de Migração se correlaciona significativamente (nível-α = 0,05) com a altura da vogal média pretônica, para ambas as vogais: quanto mais velho migrou o falante, maior a estimativa de F1, ou seja, maior a tendência a vogais médias relativamente mais baixas. Visto de outro modo, os falantes que migraram mais jovens tendem a realizar vogais médias relativamente mais altas, semelhante ao padrão paulistano, o que é indicativo de aquisição do dialeto da comunidade anfitriã.
Em Oushiro (2019b), os mesmos dados foram utilizados para a análise de covariação (Guy, 2013; Guy; Hinskens, 2016) entre /e/ e /o/. A pergunta principal desse estudo voltou-se à uniformidade linguística: os migrantes tendem a realizar ambas as vogais médias pretônicas em alturas semelhantes, ou a aquisição do traço paulistano pode ocorrer de modo assimétrico? Para gerar a média da altura das vogais /e/ e /o/ por indivíduo, rodaram-se modelos de regressão linear de efeitos fixos (função lm), com os dados de paulistanos (SP2010) como nível de referência e falante como efeito fixo, em subconjuntos de dados separados por gênero e vogal (10a—10d). Em seguida, as estimativas para cada falante foram utilizadas em um teste de correlação de Spearman (10e), que revelou uma correlação significativa, mas fraca, entre as variáveis (ρ = 0,38, p = 0,03).
10) Análise de covariação entre /e/ e /o/:
a. Modelo EF: lm(F1.NORM ~ INFORMANTE2, data = subset(pret, SEXO %in% "feminino" & VOGAL %in% "e"))
b. Modelo EM: lm(F1.NORM ~ INFORMANTE2, data = subset(pret, SEXO %in% "masculino" & VOGAL %in% "e"))
c. Modelo OF: lm(F1.NORM ~ INFORMANTE2, data = subset(pret, SEXO %in% "feminino" & VOGAL %in% "o"))
d. Modelo OM: lm(F1.NORM ~ INFORMANTE2, data = subset(pret, SEXO %in% "masculino" & VOGAL %in% "o"))
e. Teste de correlação de Spearman: cor.test(estimativas.e, estimativas.o, method = "spearman")
Uma análise mais detalhada dos indivíduos indicou que apenas sete das 17 mulheres adquiriram ambas as vogais /e/ e /o/ paulistanas, ao passo que as demais adquiriram apenas uma delas; dentre os homens, seis dos 15 adquiriram a altura [-baixa] de ambas as vogais, enquanto seis se acomodaram a apenas uma delas e três a nenhuma. A aquisição assimétrica explica a fraca correlação observada na comparação entre a altura das vogais.
A presente pesquisa dá continuidade ao estudo da fala de migrantes e se situa no contexto do “Projeto Coesão & Dispersão: Análise sociofonética da variação idioletal em situação de contato entre dialetos” (Oushiro, 2023; FAPESP 2023/00968-7[1]), cujo objetivo principal é o de analisar, na fala de migrantes nordestinos que residem no estado de São Paulo, o papel da variação individual face a outros fatores macrossociais (como gênero do falante, idade e motivo de migração, tempo de residência na nova localidade). A pesquisa parte da observação de que, ao lado de claros padrões de mudança na fala de migrantes em situação de contato – p.ex., a migração em idade mais jovem favorece a aquisição de traços fonéticos da comunidade anfitriã, mas não de traços morfológicos (Oushiro et al., 2023) –, também se constata uma grande variação interfalantes, sendo a variável Indivíduo aquela que explica a maior parte da variância (Silveira, 2022; Oushiro et al., 2023).
O corpus do Projeto Coesão & Dispersão compreende 165 gravações de entrevistas sociolinguísticas: (i) 32 migrantes alagoanos e paraibanos residentes na cidade de São Paulo (Amostra 1, analisada em Oushiro 2019a, 2019b); (ii) 40 migrantes alagoanos e paraibanos residentes na cidade de Campinas (Amostra 2); (iii) 48 gravações da amostra PORTAL, com alagoanos não migrantes (Oliveira, 2017); (iv) 24 gravações da amostra VALPB, com paraibanos não migrantes (Hora, 2005); (v) 12 gravações da amostra SP2010 (Mendes; Oushiro, 2012), com paulistanos não migrantes; e (vi) 9 gravações da amostra Mourão (Mourão, 2024), com campineiros não migrantes. Para processamento de tal quantidade de dados, com vistas à análise de quatro variáveis sociolinguísticas (/e/ e /o/ pretônicos, /r/ e /s/ em coda silábica), a equipe do projeto[2] tem se voltado às tarefas de desenvolvimento de protocolos, scripts e ferramentas, dentre as quais se encontra a testagem do alinhador forçado MFA.
2. Métodos
Embora o corpus de análise do Projeto Coesão & Dispersão seja mais amplo do que aquele analisado em Oushiro (2019a, 2019b), com 165 gravações, este estudo analisará os mesmos dados dos trabalhos originais (ou seja, as 32 gravações da Amostra 1 e sete gravações da Amostra SP2010) para comparabilidade de resultados.
O Quadro 1 apresenta o protocolo da presente análise (na coluna à direita), que buscará seguir, tão proximamente quanto possível, as etapas das análises de Oushiro (2019a, 2019b), delineadas na Seção 2 e reproduzidas novamente abaixo (na coluna do meio). Nesse quadro, novas etapas são indicadas por à, execuções idênticas são indicadas por = e execuções adaptadas por *.
<bold id="bold-2027db8920bfde71f85a396026a6bb72">Quadro 1</bold>. Comparação entre protocolos de análise de Oushiro (2019a, 2019b) e do presente estudo.
ALT: Quadro com descrição dos passos da análise de Oushiro (2019a, 2019b) e do presente estudo. Novas etapas são indicadas por uma flecha à direita (à), execuções idênticas são indicadas por sinal de igual (=) e execuções adaptadas por asterisco (*).
As primeiras aplicações do MFA aos dados indicaram a necessidade de adicionar itens lexicais faltantes ao dicionário Portuguese (Brazil) MFA dictionary v2.0.0 (McAuliffe; Sonderegger, 2022) e de revisar todas as suas entradas e respectivas transcrições fonêmicas.[1] Além disso, notou-se que o MFA tende a errar a segmentação (i) na presença de ruídos de fundo, sobreposição de vozes, alongamentos segmentais, trechos ininteligíveis; (ii) em anotações longas; e (iii) em itens lexicais com pronúncia frequentemente reduzida na fala espontânea, como conjugações do verbo “estar” (tá, tô, tamos) e o pronome “você” (cê). Desse modo, todas as transcrições do projeto foram revisadas de modo a separar trechos com ruídos, sobreposições etc. em anotações isoladas; quebrar anotações com mais de 8 segundos; e mudar a transcrição de ocorrências do verbo “estar” e do pronome “você” para tá, tô, cê etc. quando fosse o caso de pronúncias reduzidas. Tendo em vista que a presença de ruídos interfere no funcionamento do MFA, a equipe do projeto também classificou, impressionisticamente, todas as gravações quanto à sua qualidade acústica: péssima (presença excessiva de ruídos); ruim (presença de ruídos mas que permitem uma boa análise de variáveis morfossintáticas ou lexicais, mas talvez não fonéticas); boa (vozes de interlocutores bem audíveis, apesar de ruídos de fundo); muito boa (vozes de interlocutores bem audíveis e ruídos de fundo ocasionais); ótima (vozes de interlocutores bem audíveis e virtual inexistência de ruídos de fundo).
A principal diferença entre o protocolo de Oushiro (2019a, 2019b) e o presente estudo é a aplicação do alinhador automático forçado MFA, em lugar do EasyAlign com correção manual (Etapa 2 do Quadro 1). Sobre o arquivo segmentado gerado pelo MFA, serão executados os mesmos passos (3), (6), (7) e (8), a partir dos mesmos scripts. Em lugar da Etapa (4) (anotação de ocorrências na trilha “fones.pretonicas”), será criado um script em linguagem R para identificação automática das ocorrências analisadas nos estudos prévios; desse modo, a aplicação do script Vowel Analyzer, para extração de medidas de formantes, se dará sobre a própria trilha “phones” gerada automaticamente pelo MFA (Etapa 5).
Para as análises comparativas, serão criadas duas planilhas: uma que contenha as mesmas ocorrências das análises de Oushiro (2019a, 2019b) – a ser chamada MFA.19 – e outra – MFA.26 – que contenha todas as ocorrências de vogais pretônicas que se conformam ao envelope de variação (vogais médias pretônicas /e, o/ cuja sílaba seguinte contém uma vogal média baixa /ɛ, ɔ, ɛ̃, ɔ̃/ ou baixa /a, ã/), definido a partir da descrição de Pereira (1997) como contexto favorecedor de abaixamento vocálico. O primeiro conjunto de dados possibilitará a comparação direta com os de Oushiro (2019a, 2019b), de modo a avaliar quão confiáveis são os resultados sem correções manuais do pesquisador; quanto ao segundo, considerando que Oushiro (2019a, 2019b), na etapa de revisão manual, também descartou certas ocorrências com medições espúrias (mesmo que segmentadas corretamente), esse conjunto de dados permitirá avaliar se a exclusão de outliers apenas por critérios estatísticos (Etapa 6) também gera resultados confiáveis.
Serão conduzidos dois tipos de análise sobre esses dados: (i) análise de reprodutibilidade de resultados; e (ii) análise da acurácia do MFA. No primeiro tipo de análise, os mesmos modelos de regressão linear de efeitos mistos realizados em Oushiro (2019a) e os mesmos modelos de regressão linear de efeitos fixos e teste de correlação de Spearman realizados em Oushiro (2019b), discriminados em (9a)–(9d) e (10a)–(10e) mais acima, serão testados sobre os dois conjuntos de dados MFA.19 e MFA.26. Tais resultados serão contrastados com aqueles das publicações originais.
Para avaliação desses resultados, serão aplicados critérios qualitativos e quantitativos. Qualitativamente, se considerará que os resultados são equivalentes caso as mesmas correlações (ou falta de) forem observadas, nas mesmas direções – ou seja, (i) correlação apenas com a variável Idade de Migração, no sentido de que quanto mais jovem migrou, maior tendência à realização de vogais [-baixa]; (ii) correlação entre a altura das vogais /e/ e /o/ significativa, mas fraca; e (iii) mesmo padrão geral de apenas cerca de metade dos migrantes terem adquirido a altura paulistana de ambas as vogais. Quantitativamente, os resultados dos modelos serão comparados por meio da função compare_performance do pacote performance, através das medidas de R2, AIC/BIC e erro padrão.
Para o segundo tipo de análise, relativo à acurácia da segmentação do MFA, será utilizado apenas o conjunto de dados MFA.19, contendo os mesmos tokens, em comparação com o conjunto original de dados. Considerando a revisão humana da segmentação automática feito pelo plugin EasyAlign, ressalta-se a assunção de que a segmentação de dados dos estudos originais está correta, o que servirá de parâmetro para avaliação da acurácia do alinhamento automático a ser feito pelo MFA. Será computada uma medida de desvio da fronteira inicial e da fronteira final entre as medições dos estudos originais e aquelas do MFA, em milisegundos: begin_time_orig – begin_time_MFA e end_time_orig – end_time_MFA. Sobre os valores de desvios, serão computadas estatísticas descritivas (média, mediana, desvio padrão) e serão criados modelos de regressão para avaliar se o desvio aumenta ou diminui a depender (i) da qualidade da gravação (péssima, ruim, boa, muito boa, ótima); (ii) da vogal pretônica (i, e, a, o, u); e (iii) contexto fonológico (oclusivas, fricativas, africadas, líquidas, nasais). Seguindo Mackenzie e Turton (2020), será considerado um desvio aceitável o limite de 20ms e uma taxa de concordância de 80% ou mais.
3. Hipóteses iniciais
Levantam-se as seguintes hipóteses quanto à performance do MFA:[1]
1) Análise de reprodutibilidade de resultados:
a. A análise sobre os dados segmentados pelo MFA produzirá os mesmos resultados das análises originais.
2) Análise da acurácia do MFA:
a. O desvio entre as fronteiras iniciais e finais da segmentação automática do MFA estará dentro do limite aceitável de 20 ms.
b. A segmentação do MFA será mais precisa quanto melhor for a qualidade acústica da gravação.
c. A segmentação do MFA será mais precisa em vogais médias e baixas (e, a, o).
d. A segmentação do MFA será mais precisa em contextos de consoantes oclusivas.
Agradecimentos
A autora agradece aos valiosos comentários e sugestões dos avaliadores do artigo. Qualquer equívoco que permaneça, evidentemente, é de minha responsabilidade.
Informações Complementares
Conflito de Interesse
A autora declara que não possui interesses financeiros ou relações pessoais que possam ter influenciado o trabalho relatado neste artigo.
Declaração de Disponibilidade de Dados
A autora declara que os dados analisados e os códigos de análise se encontram em repositórios abertos e de livre acesso (Licença Creative Commons Attribution 4.0 International): https://zenodo.org/records/17443974 e https://github.com/oushiro/CoesaoeDispersao.
Declaração de Uso de IA
A ferramenta ChatGPT foi usada para consulta de como comparar resultados de diferentes modelos de regressão.
Fontes de Financiamento (se aplicável)
Auxílio à Pesquisa FAPESP (Processo 2023/00968-7); Bolsa Produtividade em Pesquisa CNPq-Nível C (Processo 301759/2025-1).
Referências
BARANOWSKI, M. Sociophonetics. In: BAYLEY, R.; CAMERON, R.; LUCAS, C. (Ed.). The Oxford Handbook of Sociolinguistics. Oxford: Oxford University Press, 2013, p. 403–424.
BARBOSA, P. A.; MADUREIRA, S. Manual de Fonética Acústica Experimental. Aplicações a dados do português. São Paulo: Cortez, 2015.
BATISTA, C.; DIAS, A. L.; NETO, N. Free resources for forced phonetic alignment in Brazilian Portuguese based on Kaldi toolkit. EURASIP Journal on Advances in Signal Processing, v. 2022, n. 11, p. 1–32, 2022. Disponível em < https://doi.org/10.1186/s13634-022-00844-9>. Acesso em: 15 abr 2026.
BOERSMA, P.; WEENINK, D. Praat: doing phonetics by computer. 2023. Disponível em: <http://www.fon.hum.uva.nl/praat/>. Acesso em: 04 abr 2026.
CELATA, C.; CALAMAI, S. (Ed.). Advances in Sociophonetics. Amsterdam/Philadelphia: John Benjamins, 2014.
FAGYAL, Z.; DAVIDSON, J. Sociophonetics. In: GABRIEL, C.; GESS, R.; MEISENBURG, T. (Ed.). Manual of Romance Phonetics and Phonology. Berlin/Boston: Walter de Gruyter, 2022, p. 342–374.
FOULKES, P.; DOCHERTY, G. The social life of phonetics and phonology. Journal of Phonetics, v. 34, p. 409–438, 2006.
FOULKES, P.; SCOBBIE, J. M.; WATT, D. Sociophonetics. In: HARDCASTLE, W. J.; LAVER, J.; GIBBON, F. E. (Ed.). The Handbook of Phonetic Sciences. Oxford: Wiley Blackwell, 2010, p. 703–754.
GOLDMAN, J.-P. Easyalign: an automatic phonetic alignment tool under Praat. In: Interspeech, 2011, Florence, Italy. 12th Annual Conference of the International Speech Communication Association, 2011, p. 3233–3236. Disponível em: <https://archive-ouverte.unige.ch/unige:18188>. Acesso em: 04 abr 2026.
GORMAN, K.; HOWELL, J.; WAGNER, M. Prosodylab-aligner: A tool for forced alignment of laboratory speech. Canadian Acoustics, v. 39, n. 3, p. 192–193, 2011.
GUY, G. R. The cognitive coherence of sociolects: how do speakers handle multiple sociolinguistic variables? Journal of Pragmatics, v. 52, p. 63–71, 2013.
GUY, G. R.; HINSKENS, F. Linguistic coherence: Systems, repertoires and speech communities. Lingua, v. 172–173, p. 1–9, 2016.
HORA, D. Projeto Variação Linguística no Estado da Paraíba. João Pessoa: Ideia, 2005.
HORA, D.; NEGRÃO, E. V. (Ed.). Estudos da Linguagem: casamento entre temas e perspectivas. João Pessoa: Ideia, 2011.
JANNEDY, S.; HAY, J. Modelling sociophonetic variation. Journal of Phonetics, v. 34, p. 405–408, 2006.
KERSWILL, P. Dialects converging. Rural speech in urban Norway. Oxford: Oxford University Press, 1994.
LABOV, W. A sociolinguistic perspective on sociophonetic research. Journal of Phonetics, v. 34, p. 500–515, 2006.
LOBANOV, B. M. Classification of Russian vowels spoken by different speakers. The Journal of the Acoustical Society of America, v. 49, n. 2, p. 606–608, 1971.
MACKENZIE, L.; TURTON, D. Assessing the accuracy of existing forced alignment software on varieties of British English. Linguistics Vanguard, v. 6, n. 1, p. 1–14, 2020.
MCAULIFFE, M.; SOCOLOF, M.; MIHUC, S.; WAGNER, M.; SONDEREGGER, M. Montreal Forced Aligner: Trainable Text-Speech Alignment Using Kaldi. In: Proc. Interspeech 2017, Stockholm-Sweden, p. 498–502, 2017.
MCAULIFFE, M.; SONDEREGGER, M. Portuguese (Brazil) MFA dictionary v2.0.0. Disponível em: <https://mfa-models.readthedocs.io/en/latest/dictionary/Portuguese/Portuguese%20%28Brazil%29%20MFA%20dictionary%20v2_0_0a.html >, 2022. Acesso em: 04 abr 2026.
MENDES, R. B.; OUSHIRO, L. O paulistano no mapa sociolinguístico brasileiro. Alfa, vol. 56, n. 3, p. 973–1001, 2012.
MOURÃO, N. R. A realização de (t/d) e (-r) em coda em Campinas e Jundiaí: uma proposta sobre mobilidade. Dissertação (Mestrado em Linguística). Instituto de Estudos da Linguagem, Unicamp, Campinas, 2024.
NYCZ, J. Second dialect acquisition: A sociophonetic perspective. Language and Linguistics Compass, v. 9, p. 469–482, 2015.
OLIVEIRA, A. J. Projeto PORTAL: variação linguística no português alagoano. 2017. Disponível em: <http://www.portuguesalagoano.com.br/>. Acesso em: 04 abr 2026.
OUSHIRO, L. Projeto Processos de Acomodação Dialetal na Fala de Nordestinos Residentes em São Paulo (FAPESP 2016/04960-7). 2016. Ms.
OUSHIRO, L. silac. 2018. Disponível em < https://oushiro.shinyapps.io/silac>. Online app. Acesso em: 04 abr 2026.
OUSHIRO, L. Questões e métodos: vogais médias pretônicas na fala de migrantes nordestinos em situação de contato dialetal. In: VIEIRA, M. S. M.; WIEDEMER, M. L. (Ed.). Dimensões e experiências em Sociolinguística. São Paulo: Blucher, 2019a, p. 157–187.
OUSHIRO, L. Linguistic uniformity in the speech of Brazilian internal migrants in a dialect contact situation. In: CALHOUN, S.; ESCUDERO, P.; TABAIN, M.; WARREN, P. (Org.) Proceedings of the 19th International Congress of Phonetic Sciences, Melbourne, Austrália, p. 686–690, 2019b.
OUSHIRO, L. O estudo da fala de migrantes internos: desafios, procedimentos e resultados do Projeto Acomodação. In: BRANDÃO, S. F. B.; VIEIRA, S. R. (Ed.). Para o estudo comparativo de variedades do Português: questões teórico-metodológicas e análises de dados. Berlin/Boston: Mouton de Gruyter, 2023, p. 171–196.
OUSHIRO, L. Projeto Coesão e Dispersão: Análise sociofonética da variação idioletal em situação de contato entre dialetos (FAPESP 2023/00968-7). 2023. Ms.
OUSHIRO, L.; SILVEIRA, G. C. P.; SOUZA, E. S.; FERRAZ, L.; MASSUCI, I.; ZHU, R.; BARBOSA, S. P.; OLIVEIRA, A. A.; FIGUEREIDO, J. G. S.. Estudos sociolinguísticos sobre contato dialetal: contribuições do VARIEM e agenda de pesquisa. Cadernos de Estudos Linguísticos, v. 65, e023021, p. 1–18, 2023.
PEREIRA, R. C. M. As vogais médias pretônicas na fala pessoense urbana. Dissertação (Mestrado em Linguística). Centro de Ciências Humanas, Letras e Artes, Universidade Federal da Paraíba, João Pessoa, 1997.
PRESTON, D. R.; NIEDZIELSKI, N. (Ed.). A Reader in Sociophonetics. New York: Walter de Gruyter, 2010.
RIEBOLD, J. Vowel Analyzer, 2013. Script do Praat, versão original de 2013. Disponível em: <https://github.com/jmriebold/Praat-Tools/blob/master/Vowel-Analyzer.praat>. Acesso em: 04 abr 2026.
SIEGEL, J. Second dialect acquisition. Cambridge: Cambridge University Press, 2010.
SILVA, F. G. da. Alagoanos em São Paulo e a concordância nominal de número. Dissertação (Mestrado em Linguística) – Faculdade de Filosofia, Letras e Ciências Humanas, Universidade de São Paulo, São Paulo, 2014.
SILVEIRA, G. C. P. The prosody of speech in a dialect contact situation: a sociophonetic study of the speech of Alagoan migrants in São Paulo. Dissertação (Mestrado em Linguística) – Instituto de Estudos da Linguagem, Unicamp, 2022.
SILVEIRA, G. C. P.; OUSHIRO, L. Sociofonética. In: Speech Science Entries, 2022. Speech Prosody Studies Group. Disponível em: <https://gepf.falar.org/entries/45>. Acesso em: 04 abr 2026.
SLOETJES, H.; WITTENBURG, P. Annotation by category: ELAN and ISO DCR. In: Proceedings of the Sixth International Conference on Language Resources and Evaluation (LREC’08). Marrakech, Morocco: European Language Resources Association (ELRA), 2008. Disponível em: <http://www.lrec-conf.org/proceedings/lrec2008/pdf/208_paper.pdf>. Acesso em: 04 abr 2026.
THOMAS, E. R. Sociophonetics. In: CHAMBERS, J. K.; SCHILLING, N. (Ed.). TheHandbook of Language Variation and Change. Malden, MA: Wiley-Blackwell, 2013, p. 108–127.
THOMAS, E. R. Innovations in sociophonetics. In: KATZ, W. F.; ASSMANN, P. F. (Ed.). The Routledge Handbook of Phonetics. New York/London: Routledge, 2019, p. 448–472.
ZIMMAN, L. Sociophonetics. In: STANLAW, J. (Ed.). The International Encyclopedia of Linguistic Anthropology. Malden, MA: Wiley-Blackwell, 2020, p. 1–5.
AFILIAÇÃO: Universidade Federal de Alagoas, Alagoas, Brasil.
-
EDITOR 2: Mailce Borges Mota
ORCID: https://orcid.org/0000-0002-8674-2480
AFILIAÇÃO: Universidade Federal de Santa Catarina, Santa Catarina, Brasil.
-
CARTA DE DECISÃO: Este Relato Registrado tem grande importância para a sociofonética e para a pesquisa fonético-acústica em português brasileiro porque combina, no mesmo desenho de estudo, uma pergunta sociolinguística consolidada (a realização de vogais médias pretônicas na fala de migrantes nordestinos em São Paulo) com uma avaliação metodológica rigorosa de uma ferramenta de alinhamento forçado amplamente usada em pesquisas recentes, o Montreal Forced Aligner (MFA), aplicada a dados de entrevistas sociolinguísticas semiespontâneas, com ruído e alta variabilidade de fala. Ao replicar análises multivariadas previamente publicadas com o mesmo conjunto de dados, comparar a convergência dos resultados e mensurar a acurácia da segmentação por meio de desvios temporais de fronteiras, o trabalho oferece um teste tecnicamente bem formulado sobre até que ponto procedimentos automatizados podem sustentar análises acústicas em larga escala sem perda de confiabilidade.
Rodadas de Avaliação
AVALIADOR 1: Pablo Arantes
ORCID: http://orcid.org/0000-0001-9707-8493
AFILIAÇÃO: Universidade Federal de São Carlos, São Paulo, Brasil.
-
AVALIADOR 2: Elisa Battisti
ORCID: https://orcid.org/0000-0002-6701-4218
AFILIAÇÃO: Universidade Federal do Rio Grande do Sul, Rio Grande do Sul, Brasil.
-
RODADA 1
AVALIADOR 1
2026-01-26 | 11:10 PM
O manuscrito submetido descreve a proposta de replicação de uma análise de cunho sociofonético que envolve a análise acústica da produção das vogais /e, o/ na fala de migrantes nordestinos em São Paulo e sua comparação com a produção de não migrantes. A questão relevante na replicação é a substituição de um aspecto da metodologia de extração dos dados. No trabalho original, as vogais foram inicialmente segmentadas usando o alinhador fonético EasyAlign e essa segmentação foi posteriormente revisada e os erros foram corrigidos por um humano; na replicação, o alinhador Montreal Forced Aligner (MFA) será usado para essa tarefa, sem a etapa de revisão e correção por um humano. A justificativa apresentada é que o alinhador MFA não foi ainda testado mais sistematicamente em dados do português brasileiro. Como o MFA é uma ferramenta que tem o potencial de funcionar como uma ferramenta de automação de uma tarefa que consome tempo e atenção de analistas humanos, a testagem de seu desempenho com dados do português brasileiro é uma contribuição relevante para a comunidade, especialmente pesquisadores que pretendem trabalhar com a análise acústica de quantidades maiores de dados.
O objetivo do trabalho é comparar o desempenho dos alinhadores EasyAlign e Montreal Forced Aligner (MFA) em um mesmo conjunto de dados. A justificativa dada pela autora é que o alinhador MFA não foi amplamente testado em dados do português brasileiro (PB). Os dados fazem parte de um estudo que investigou a pronúncia das vogais /e, o/ na fala de migrantes nordestinos em São Paulo e a análise do estudo original que é objeto de replicação do presente estudo é a possível aproximação da fala dos migrantes à variedade paulistana na situação de contato dialetal no que diz respeito às vogais indicadas, em especial a variação no valor do primeiro formante (F1) dessas vogais.A proposta é coerente, está redigida de forma clara e apresenta de forma objetiva os elementos relevantes do experimento original e quais serão os procedimentos a serem adotados na replicação, incluindo algumas modificações pontuais. Como o MFA é tem o potencial de funcionar como uma ferramenta de automação de uma tarefa que consome tempo e atenção de analistas humanos, a testagem de seu desempenho com dados do português brasileiro é uma contribuição relevante para a comunidade, especialmente pesquisadores que pretendem trabalhar com a análise acústica de quantidades maiores de dados.Passo agora a algumas questões pontuais relativamente ao texto. A seção "Introdução" descreve características possivelmente vantajosas do MFA como ferramenta para a análise acústica. Seria interessante que nessa seção houvesse também alguma elaboração a respeito da ferramenta usada anteriormente, o alinhador EasyAlign. Especificamente, que fossem brevemente descritas suas características principais, em que aspectos o EasyAlign é diferente, em quais é semelhante ao MFA, de modo que a relevância da comparação entre as duas ferramentas ficasse mais clara.No Quadro 1 (p. 8), etapa (2), na coluna "Oushiro (2019a, 2019b)", a atividade correspondente é a "Aplicação do EasyAlign e correção manual"; na página 5, na lista de etapas do tratamento de dados, no item 2, faz-se referência à aplicação do EasyAlign sobre a transcrição fonológica. Não há referência, nessa lista, à etapa de correção manual. Seria interessante que essa informação fosse acrescentada, juntamente com uma descrição breve dos critérios usados para identificar segmentações inadequadas; se essa informação foi registrada, seria interessante relatar a quantidade de casos que precisaram de correção manual. Outra questão que merece esclarecimento: alinhadores normalmente trabalham com o sinal acústico e uma transcrição ortográfica do conteúdo presente na amostra de som; na lista de etapas presente na página 5, item 2, diz-se que o EasyAlign "realiza a segmentação fônica e lexical a partir de uma transcrição fonológica". Considero relevante esclarecer se essa é uma característica do EasyAlign ou ele foi adaptado pela autora para operar sobre um tipo de transcrição fonológica ao invés da transcrição ortográfica.No estudo original, a segmentação produzida pelo alinhador EasyAlign sofreu correção manual. Na replicação, não há essa correção. Entendo, portanto, que o que vai ser comparado na replicação não é exatamente o desempenho de dois alinhadores diferentes, mas, sim, de um lado, dos resultados de uma segmentação *auxiliada* por um alinhador (EasyAlign), isto é, inicialmente feita pela ferramenta e posteriormente revisada e corrigida por um humano e, de outro lado, o resultado bruto, não revisado ou corrigido produzido diretamente pelo alinhador (nessa caso, o MFA). Dito de outra forma, o que se está comparando é um método semiautomático (EasyAlign + revisão/correção manual) a um método totalmente automático (apenas MFA). Nessa configuração, o interesse seria verificar o que se ganha em termos de precisão na segmentação ao fazer a revisão e possível correção do trabalho do alinhador. A questão, no meu entendimento, é que a comparação não é ideal nas condições propostas, uma vez que o alinhador não é o mesmo nos dois casos. Isso não significa que a replicação perca o sentido, mas considero importante que o texto deixe clara essa condição.Considero interessante que a autora considere a seguinte questão: em seu experimento, a segmentação das vogais é relevante para a análise apenas porque a duração total da vogal ajudará a determinar os pontos de medição dos formantes ao longo das durações das vogais (segundo o manuscrito, nos pontos correspondentes a 30%, 50% e 70% da duração total). A duração propriamente dita das vogais não é uma variável dependente de interesse. Nesse sentido, a menos que o erro do alinhador seja apreciável, é possível antecipar que ligeiras mudanças nas posições de medição dos formantes devem causar pouco efeito em seus valores, embora seja relavante, obviamente, que o tamanho desse efeito seja determinado experimentalmente. Trago essa consideração para dizer que poderia ser interessante introduzir no trabalho uma comparação estatística entre a duração das vogais assim como medidas nos trabalhos originais (Oushiro 2019a; 2019b) e a duração assim como determinada pelo alinhador MFA, sem correção. Creio que essa análise, embora fora do escopo de Oushiro 2019a e 2019b, ajudará a entender melhor o desempenho do alinhador MFA, objetivo que está plenamente alinhado àquele inicialmente proposto pela autora.A respeito das hipóteses descritas na seção 4, nenhuma delas recebe uma justificativa. Como leitor, sou capaz de justificar a maior parte delasa de maneira razoavelmente tranquila. Aquela presente no item (12c), que diz "A segmentação do MFA será mais precisa em vogais médias e baixas (e, a, o)" não me parece tão diretamente justificável e talvez merecesse uma justificativa mais articulada.Finalmente, a referência a "Batista et al., 2022", página 3, não aparece na lista ao final do texto.
-
AVALIADOR 2
2026-02-25 | 03:00 PM
O relato apresenta um protocolo de teste e avaliação do sistema Montreal Forced Aligner (MFA; McAuliffe et al., 2017), empregado na segmentação acústica de dados de fala a partir de arquivos de áudio e transcrições ortográficas. O objetivo do estudo desenhado é verificar a adequação do MFA a dados de português brasileiro extraídos de entrevistas sociolinguísticas e medir a taxa de acerto desse sistema. O protocolo apresenta procedimentos adequados e suficientes para replicar as análises multivariadas de regressão linear de Oushiro (2019a, 2019b), que se valeram de dados segmentados com outro sistema (EasyAlign, de Goldman, 2011), agora usando dados segmentados com o MFA; comparar os resultados alcançados naquelas análises e em sua réplica, para medir o quanto eles convergem e, assim, avaliar a acurácia do MFA. O protocolo pode contribuir tanto para aperfeiçoar o MFA quanto para informar a interessados as potencialidades de sua utilização, especialmente a sociolinguistas que investigam variáveis fonológicas a partir de grandes conjuntos de dados.
O relato apresenta um protocolo de teste e avaliação do sistema Montreal Forced Aligner (MFA; McAuliffe et al., 2017), um alinhador automático empregado na segmentação acústica de dados de fala a partir de arquivos de áudio e transcrições ortográficas. O estudo justifica-se pela necessidade de testar o MFA – um sistema de acesso aberto que já apresenta um modelo para o português brasileiro e um dicionário da língua – em dados de fala semiespontânea obtidos em entrevistas sociolinguísticas, ainda não cobertos pelo modelo existente.
O objetivo do estudo é verificar a adequação do MFA a esse tipo de dado, medindo-se sua taxa de acerto. Para tanto, propõe-se replicar as análises multivariadas de regressão linear de Oushiro (2019a, 2019b), que se valeram de dados segmentados com outro sistema (EasyAlign, de Goldman, 2011), usando-se a amostra desses estudos, mas submetida ao MFA.
O protocolo do estudo é adequado e suficiente para o alcance desse objetivo. Apresenta:
1) a fonte de dados para a testagem: 39 áudios de entrevistas sociolinguísticas (em torno de 60 min de duração cada) que compõem duas das amostras do Projeto Coesão & Dispersão, de Oushiro (2023; FAPESP 2023/00968-7);
2) a variável linguística de interesse: o gradiente da realização fonética das vogais médias pretônicas /e, o/ (legal, morada) no português de migrantes alagoanos e paraibanos em São Paulo, se mais aberta, como na variedade de origem, se mais fechada, como na variedade de paulistanos não migrantes;
3) o método, que reproduz, quase na totalidade, os procedimentos de Oushiro (2019a, 2019b), com adaptações para viabilizar a testagem do MFA. O protocolo prevê realizar:
i) revisão e adaptação da transcrição das entrevistas no ELAN;
ii) inserção de vocábulos faltantes no dicionário do MFA e revisão de todas as suas entradas;
iii) codificação da qualidade da gravação (péssima, ruim, boa, muito boa, ótima);
iv) aplicação do MFA;
v) aplicação do script silacpret;
vi) criação de script em linguagem R para identificação, nos dados segmentados pelo MFA, das mesmas ocorrências analisadas em Oushiro (2019a, 2019b);
vii) aplicação do script Vowel Analyzer sobre a trilha “phones”, gerada pelo MFA;
viii) exclusão de outliers das vogais /i, e, a, o, u/;
ix) normalização das vogais pelo método de Lobanov;
x) codificação automática de variáveis previsoras linguísticas e sociais cf. Oushiro (2019a, 2019b);
xi) submissão dos dados segmentados com o MFA a análises de regressão linear de efeitos mistos nos mesmos modelos estatísticos de Oushiro (2019a, 2019b);
xii) comparação quantitativa e qualitativa dos resultados com as publicações originais, para avaliar a reprodutibilidade de resultados;
xiii) avaliação da acurácia do MFA na segmentação de dados, pela medida, em milissegundos, de desvio da fronteira inicial e da fronteira final entre as medições originais (tomadas como corretas) e as do MFA. Serão efetuadas estatísticas descritivas e serão criados modelos de regressão para avaliar se o desvio aumenta ou diminui a depender da qualidade da gravação, da vogal pretônica e do contexto fonológico. Será considerado desvio aceitável o limite de 20ms e uma taxa de concordância de 80% ou mais (cf. Mackenzie & Turton, 2020).
4) Hipóteses iniciais: (a) as análises com dados segmentados pelo MFA produzirão os mesmos resultados das análises originais; (b) o desvio entre as fronteiras final e inicial dos dados segmentados pelo MFA ficarão no limite do aceitável; (c) a segmentação em si será mais precisa do que a dos estudos originais.
Os procedimentos propostos no protocolo para replicar as análises de Oushiro (2019a, 2019b) e, assim, testar e avaliar a acurácia do MFA podem contribuir não só para aperfeiçoar o alinhador automático, mas também para informar a pesquisadores interessados as potencialidades de sua utilização, o que é especialmente relevante a sociolinguistas dedicados a investigar variáveis fonológicas a partir de grandes conjuntos de dados.
Gostaria de agradecer à leitura atenta e aos valiosos comentários dos avaliadores, Pablo Arantes e Elisa Battisti, que apontam para aspectos que merecem esclarecimento ou definição mais precisa no manuscrito submetido.
Abaixo retomo os principais comentários e sugestões, para os quais descrevo as modificações realizadas a fim de atendê-los.
Esclarecimento quanto aos objetivos da análise: comparação entre performance de EasyAlign x MFA ou comparação entre um método semiautomático (com EasyAlign + correção manual) x totalmente automático (com MFA).
Com efeito, penso que o principal objetivo da análise não estava suficientemente claro no manuscrito, e agradeço sobremaneira por me chamarem a atenção quanto a esse ponto. Esclareço que o presente trabalho não tem o objetivo de comparar a perfórmance de duas ferramentas de alinhamento forçado (EasyAlign x MFA), mas sim de avaliar o desempenho apenas da segunda, tendo por base dois estudos prévios que fizeram uso da primeira, mas que exigiu a correção manual/humana devido à constatação de eventuais erros de alinhamento de fronteiras de segmentos (em geral, pouco frequentes, mas por vezes bastante distantes de um “alvo” ideal). Os estudos originais não tiveram o objetivo de avaliar o desempenho do EasyAlign, e este permanece como uma tarefa não realizada. Tampouco se objetiva comparar um método semiautomático e outro automático de segmentação acústica. Tendo em vista que o protocolo da presente análise inclui a revisão da transcrição e ajustes diversos nas anotações (a separação de segmentos ininteligíveis em anotações à parte, quebra de anotações com mais de 8 segundos e apagamento da transcrição de segmentos frequentemente omitidos, como o “vo” da palavra “você”), a comparação direta ou indireta do desempenho dos alinhadores forçados já se torna inviável. A menção ao EasyAlign se faz necessária como descrição da metodologia dos estudos originais; contudo, o artigo se baseia na assunção de que, pelo fato de que os dados originais foram revisados manualmente e que certas ocorrências foram excluídas por apresentarem medidas espúrias, as medições de F1 e F2 e as fronteiras dos segmentos são suficientemente corretas e que, portanto, os dados e os resultados originais podem ser utilizados como parâmetros da avaliação da acurácia do MFA.
No manuscrito, a menção a essa assunção era feita apenas tardiamente no texto, ao final da seção sobre métodos, o que pode ter conduzido à leitura de que o objetivo é o de comparar os dois alinhadores. Para evitar essa interpretação, incluí, na Introdução da nova versão, uma descrição mais explícita do papel do EasyAlign na condução dos estudos originais, assim como do papel da revisão da segmentação, o que, penso, permite defender que os dados originais sejam utilizados como medições-controle para a presente análise.
Inclusão de mais informações a respeito da ferramenta EasyAlign na Introdução.
Caso o objetivo deste trabalho fosse o de comparar a perfórmance dos dois alinhadores, seria necessário fornecer uma descrição mais detalhada do funcionamento do EasyAlign, indubitavelmente. Entretanto, considerando o esclarecimento apresentado em (1), decidi incluir apenas uma breve descrição dessa ferramenta, na nota de rodapé 2, em consonância com o caráter secundário dessa ferramenta na atual análise.
Inclusão da informação de correção manual do alinhamento do EasyAlign na descrição do protocolo dos estudos originais, assim como descrição mais detalhada dos critérios para tal correção na Seção “Estudos replicados e contexto da pesquisa”.
Agradeço por me chamarem a atenção a este ponto. Trata-se, com efeito, de informações centrais, com vistas a fortalecer o argumento em (1) de que os estudos originais podem servir como parâmetros da acurácia do MFA. Isso foi feito no item 4 da descrição das etapas metodológicas dos estudos originais, junto à descrição dos critérios para anotação manual das ocorrências-alvo.
Afirmação de que o EasyAlign “realiza a segmentação fônica e lexical a partir de uma transcrição fonológica”.
Esta afirmação estava equivocada: o EasyAlign realiza a segmentação fônica e lexical a partir de uma transcrição ortográfica (embora também permita o input de transcrições fonéticas). Isso foi corrigido na nova versão.
Necessidade de justificar as hipóteses iniciais, sobretudo a hipótese em (12c).
Entendo que hipóteses precisam, idealmente, ser bem embasadas na literatura e que seria desejável revisar estudos prévios para justificar a formulação das hipóteses. Entretanto, tendo em vista que ainda não existem avaliações sistemáticas do desempenho do MFA para dados do português brasileiro em dados de produção semiespontânea, esclareço que as hipóteses apresentadas foram elaboradas de modo a serem falseáveis, e apenas isso. Não se trata de expectativas de resultados – quaisquer que sejam, eles permitirão chegar a conclusões sobre a consistência ou não das H1. Em especial, as hipóteses (12b), (12c) e (12d), formuladas de modo unidirecional, permitirão descrever o desempenho do MFA não só de modo global, mas também quanto a condicionadores específicos e pertinentes à análise de segmentos vocálicos.
O apontamento feito pelo avaliador, entretanto, é importante, de modo que incluí a nota de rodapé 12 para explicitar a justificativa acima.
Inclusão da referência faltante, Batista et al 2002.
Incluída.
Sugestão de inclusão de análise comparativa da duração das vogais, para além de suas medidas de F1/F2 e da acurácia das fronteiras segmentais.
Agradeço por essa sugestão. Considerando o número de etapas previstas para o desenvolvimento da análise, tal como delineada no relato registrado, é provável que a análise sugerida seja reservada para estudos futuros. Em todo caso, o script Vowel Analyzer extrai automaticamente o tempo inicial e o tempo final de cada segmento, o que permite o cálculo fácil da duração das vogais, de modo que essa nova variável resposta já constará das planilhas de análise, viabilizando sua análise futuramente.