Brasil
DELTA: Documentação de Estudos em Lingüística Teórica e Aplicada
Sumário Anterior Atual Seguinte
Sumário
Artigos • DELTA 42 (4) • 2026 • https://doi.org/10.1590/1678-460X202642472089 linkcopiar

Open-access A influência de características prosódico-acústicas de L2 na classificação automática de sotaque estrangeiro: Um estudo piloto com implicações prospectivas para a fonética forense

The influence of L2 prosodic-acoustic features on automatic foreign accent classification: A pilot study with prospective implications for forensic phonetics

SCIMAGO INSTITUTIONS RANKINGS

Resumo

Este estudo piloto investiga a influência de parâmetros prosódico-acústicos de duração, frequência fundamental e intensidade na classificação automática de sotaque estrangeiro do inglês produzido por falantes brasileiras proficientes (B2-C1), em comparação a falantes nativas de inglês norte-americano. A metodologia compreende leitura controlada de texto foneticamente balanceado, processamento acústico, análise por modelos lineares de efeitos mistos e classificação por seis algoritmos de aprendizado de máquina. A divisão treino/teste ocorreu por falante (speaker-independent), com todas as amostras de cada participante alocadas exclusivamente ao treino ou ao teste. Os resultados indicaram diferenças significativas entre os grupos em medidas relacionadas à intensidade e à fonação (espectro de longo termo, jitter, shimmer, relação harmônico-ruído e coeficiente de variação da intensidade) e à duração (pausas, taxas de elocução e de articulação). As acurácias variaram entre 71% e 100%, sugerindo potencial para a classificação de sotaques. Esses resultados requerem cautela diante do corpus reduzido e não asseguram generalização para outras populações. As implicações para a fonética forense são discutidas em caráter prospectivo.

Palavras-chave:
Classificação Automática de Sotaque Estrangeiro ; Características Prosódico-Acústicas ; Machine Learning ; Implicações Forenses

Abstract

This pilot study investigates the influence of prosodic-acoustic parameters of duration, fundamental frequency, and intensity on the automatic classification of foreign-accented English produced by proficient Brazilian speakers (B2-C1), compared with native North American English speakers. The methodology comprises controlled reading of a phonetically balanced text, acoustic processing, analysis using linear mixed-effects models, and classification using six machine learning algorithms. The train/test split was speaker-independent, with all samples from each participant assigned exclusively to either training or testing. Results indicated significant differences between groups in intensity-related and phonatory measures (long-term average spectrum, jitter, shimmer, harmonics-to-noise ratio, and coefficient of variation of intensity) and durational measures (pause duration, speech rate, and articulation rate). Accuracy ranged from 71% to 100%, suggesting potential for accent classification. These preliminary results warrant cautious interpretation given the small size of the corpus and do not establish generalizability to other populations. Implications for forensic phonetics are discussed prospectively.

Keywords:
Automatic Foreign Accent Classification ; Prosodic-Acoustic Features ; Machine Learning ; Forensic Implications

1. Introdução

A comunicação (através da fala) funciona como um diálogo de expressividade entre os falantes (Braid, 2003) no qual a identidade linguística e regional de cada indivíduo se manifesta por meio do sotaque (accent). Entende-se por Sotaque o conjunto de características fonético-prosódicas que identificam a origem regional ou linguística de um falante, manifestando-se tanto nos padrões segmentais quanto suprassegmentais da produção oral (Moyer, 2013; Thompson, 1991). Os indivíduos apresentam traços linguísticos que revelam seu sotaque a partir do grupo regional de uma mesma língua materna (L1) ou de uma língua estrangeira (L2) como apontam Thompson (1991), Flege (1995) e Behravan (2016). Moyer (2013) e Behravan (2016) sugerem que somos sensíveis à variação fonético‑prosódica entre falares, isto é, às diferenças sistemáticas na realização segmental e suprassegmental que caracterizam o sotaque de um falante. Neste sentido, estudos como o de Nygaard e Pisoni (1998), que se baseiam na percepção, mostram que ouvintes reconhecem vozes familiares mesmo sob condições acústicas degradadas, o que evidencia a importância de pistas prosódico‑acústicas na identificação de sotaques.

No que tange a um sistema de Reconhecimento Automático de Fala (automatic speech recognition - ASR), seu desempenho depende significativamente de modelos acústicos, construídos a partir de características acústicas extraídas dos falantes aliadas a técnicas computacionais. Enquanto sistemas de ASR têm como objetivo principal o reconhecimento lexical, tarefas como classificação de sotaques (accent classification) e reconhecimento de falantes (speaker recognition) utilizam modelos acústicos para estimar a probabilidade de pertencimento a uma classe de sotaque ou estimar se uma voz questionada pertence ou não a um suspeito (Kumar & Singh, 2019).

Assim, o presente trabalho tem como objetivo geral realizar um estudo comparativo entre parâmetros prosódico‑acústicos de duração, frequência fundamental (f0) e intensidade produzidos por falantes de inglês-L1, do inglês produzido por brasileiros (inglês-L2) e do português brasileiro (PB-L1), bem como realizar uma tarefa de classificação automática de sotaque estrangeiro com base nas línguas aqui mencionadas. Ademais, buscaremos responder às seguintes questões de pesquisa (QP):

QP1: Em que medida parâmetros de duração (e.g., variabilidade e taxa de pausas, taxas de elocução e articulação), de f0 (e.g., média ou mediana, semiamplitude interquartílica, desvio padrão, inclinação de contornos ascendentes e descendentes) e de intensidade e fonação (e.g., Espectro de Longo Termo, Jitter, Shimmer, Relação Harmônico-Ruído, Coeficiente de Variação de intensidade) diferenciam produções de sotaque estrangeiro em relação ao nativo?

QP2: Quais parâmetros prosódico-acústicos contribuem para a acurácia de modelos de classificação automática de sotaque estrangeiro e em que medida os resultados obtidos oferecem direcionamentos para aplicações em contextos de fonética forense?

Apesar do crescente interesse em parâmetros prosódico-acústicos para a classificação de sotaque estrangeiro, poucos estudos integram sistematicamente análise inferencial multivariada e classificação automática por Aprendizado de Máquina (machine learning) aplicadas ao inglês produzido por brasileiros, especialmente em contextos que contemplem a qualidade de voz verificada a partir de parâmetros acústicos tais como o Espectro de Longo Termo (doravante, ELT), o Jitter, o Shimmer, a Relação Harmônico-Ruído (harmonics-to-noise ratio, doravante, HNR) como preditores de sotaque (cf. Emara & Shaker, 2024; Fernández-Trinidad, 2022). O presente estudo busca preencher essa lacuna ao combinar Modelos Lineares Mistos (linear mixed-effects models) e seis algoritmos de Aprendizado de Máquina sobre um conjunto amplo de parâmetros prosódico-acústicos, testando se esses parâmetros fornecem pistas confiáveis para a classificação automática do sotaque estrangeiro do inglês produzido por falantes brasileiras.

Ademais, as possíveis implicações dos resultados para aplicações forenses (e.g., identificação de sotaque em perícias de voz, robustez de sistemas ASR em condições de áudio degradado) são exploradas de forma prospectiva na seção de Discussão, constituindo agenda para pesquisas futuras.

Isto posto, este trabalho se divide nas seguintes seções: Introdução, Fundamentação teórica, em que apresentamos estudos acerca do uso de parâmetros prosódico-acústicos em pesquisas de L2, bem como suas aplicações em sistemas ASR; Metodologia, que apresentamos em quatro etapas principais, a saber, coleta de dados, processamento acústico, análise estatística e aplicação de técnicas de Inteligência Artificial para a identificação e classificação de sotaques nativo e estrangeiro. Resultados e Discussão, em que apresentaremos, descreveremos e discutiremos sobre os parâmetros acústicos que apresentaram diferenças estatisticamente significativas entre os grupos e que serviram de suporte para a classificação automática dos sotaques. Por fim, apresentamos as limitações e futuros direcionamentos desta pesquisa e suas conclusões.

2. Fundamentação Teórica

Esta seção contemplará alguns (dentre vários) trabalhos sobre parâmetros acústicos e Prosódia de L2 nas últimas décadas, bem como estudos que empregam parâmetros prosódico‑acústicos em L2 e pesquisas que integram prosódia e modelagem computacional.

Parâmetros prosódico-acústicos na pesquisa de L2

A formalização do uso de correlatos acústicos de duração, f0 e intensidade em estudos de prosódia de L2 surge com o trabalho seminal de Adams e Munro (1978). Os autores investigaram a produção do acento lexical do inglês com base em parâmetros extraídos de fala espontânea de falantes de L1 e L2. A inclusão de falantes de L2 permitiu uma comparação de como diferentes grupos de falantes sinalizam o acento na pronúncia das palavras. No ano seguinte, o estudo de Adams (1979) avança em relação ao seu trabalho seminal quando revela diferenças significativas, agora no ritmo da fala, entre falantes nativos e estrangeiros de inglês. A autora evidenciou características distintas na organização temporal dos grupos acentuais por influência dos padrões silábicos das L1, além das pausas, com os estrangeiros produzindo mais pausas e com uma duração maior em relação ao nativo.

Nas décadas seguintes, o campo de estudos prosódicos sobre L2 se desenvolveu em torno de dois eixos principais. De um lado, estudos perceptuais investigaram como ouvintes nativos identificam e avaliam o sotaque estrangeiro (Flege, 1995; Major, 2001; Munro & Derwing, 1995). De outro, pesquisas instrumentais examinaram os correlatos acústicos da prosódia de L2, com foco em parâmetros de f0, duração e intensidade. Entre os trabalhos que marcaram essa produção intermediária, destacam-se os estudos sobre ritmo da fala em L2 (Trofimovich & Baker, 2006; Wenk, 1985), a proposição das Métricas Rítmicas (rhythm metrics - Ramus et al., 1999; Grabe & Low, 2002; White & Mattys, 2007) e investigações sobre o papel da proeminência prosódica na percepção de sotaque (Hahn, 2004; Trofimovich & Baker, 2006; Zielinski, 2008). A retomada com parâmetros múltiplos no contexto brasileiro se consolida a partir dos trabalhos de Silva Jr. e Barbosa (2019). Os autores avançam em 2022 ampliando seu estudo de 2019 e realizam uma classificação automática entre produções de L1 e L2 por meio da técnica Análise Discriminante Linear (LDA) com base em métricas rítmicas e em parâmetros prosódico-acústicos.

Na linha do uso de múltiplos parâmetros prosódico-acústicos, o estudo de Ortega-Llebaria et al. (2023) investigou a relação entre Macro-ritmo e Micro-ritmo na produção de inglês-L1 e inglês-L2 por falantes japoneses. Os resultados sugerem que o japonês tende a organizar seu ritmo em padrões de Micro-ritmo no sentido de Jun (2012)1. Ressalva-se, contudo, que a tipologia rítmica clássica tem sido questionada pela literatura, com evidências de que o ritmo linguístico se distribui de forma gradiente em um continuum acústico (Grabe & Low, 2002; Ramus et al., 1999; White & Mattys, 2007).

O estudo de Teixeira (2023) investiga o desenvolvimento do ritmo da fala em inglês-L2 por aprendizes brasileiros, combinando métricas rítmicas e parâmetros prosódico-acústicos. Os resultados mostraram que, embora os aprendizes sigam trajetórias de desenvolvimento distintas em cada dimensão rítmica, há evidências de interferência do PB, particularmente nas dimensões de f0 e intensidade, manifestadas por diferenças estatisticamente significativas com tamanhos de efeito de pequeno a moderado. O autor destaca que o ensino explícito de pronúncia pode contribuir para uma convergência gradual dos padrões rítmicos em L2 em direção aos padrões nativos.

Em contexto forense prospectivo, Silva Jr. e Barbosa (2023) realizaram um estudo sobre disfarce de voz e grau de sotaque estrangeiro por meio de parâmetros prosódico-acústicos. O estudo investiga a eficácia de estratégias de disfarce vocal para mitigar a percepção de sotaque estrangeiro em falantes brasileiros de inglês, examinando como a modulação prosódica pode aproximar a produção vocal de um padrão nativo. Os resultados apontaram que, embora os resultados se mostrem estatisticamente inconclusivos quanto à eficácia do disfarce vocal, a modulação prosódica pode mudar a qualidade da voz e reduzir o grau de sotaque da L2.

A partir dessa caracterização prosódica, torna‑se relevante investigar como tais parâmetros podem ser incorporados a sistemas de classificação automática de sotaques.

Parâmetros prosódico-acústicos aplicados aos sistemas de classificação de sotaques

No que concerne aos sistemas de reconhecimento automático de sotaque estrangeiro (ASR-L22), Palanica et al. (2019) realizaram um experimento com três assistentes de voz (“Alexa” [Amazon], “Siri” [Apple] e “Google Assistente”) com nomes de marca (e seus genéricos) dos 50 medicamentos mais vendidos nos Estados Unidos. Os autores observaram que dois dos três assistentes apresentaram menor compreensão do sotaque estrangeiro (“Alexa” e “Siri”).

Del Río et al. (2023) reforçam que nomes próprios (incomuns) podem apresentar dificuldades para o ASR ao lidar com sotaques estrangeiros. Os autores concluíram que falantes estrangeiros, de modo geral, pronunciam nomes próprios em inglês, especialmente nomes de pessoas e lugares em sua terra natal, com a pronúncia de sua L1. Tais formas de pronunciar podem confundir humanos e máquinas, especialmente quando não estão familiarizados (ou não há modelos acústicos pré-treinados consistentemente) com a L2-alvo. Os autores acrescentam que esses sistemas ASR-L2 de inglês enfrentam uma série de problemas para realizar o ASR devido à variabilidade fonética e linguística dos sotaques, por vezes em função de obstáculos como coleta de dados e estratégias de modelamento acústico multilíngue.

Sobre a importância de múltiplos parâmetros prosódico-acústicos para sistemas ASR-L2, Emara e Shaker (2024) e Silva Jr. e Barbosa (2024a) destacam que, embora as pesquisas aplicadas ao contexto forense tenham demonstrado robustez de vogais e consoantes na identificação de sotaque estrangeiro, características prosódico-acústicas com base na duração, na f0 e na intensidade têm ganhado crescente atenção. Os autores desenvolveram um sistema ASR-L2 levando em conta técnicas como Similaridade de Cosseno e Distância Euclidiana para realização de testes de similaridade acústica de voz que comparam características acústicas de voz(es) questionada(s) com a voz de referência em fila de reconhecimento vocal.

O estudo de Kashif et al. (2024) propõe um sistema multidimensional baseado em Aprendizado Extremo (extreme learning) para a ASR de diversos sotaques estrangeiros de inglês com o objetivo de melhorar a acurácia e eficiência desses sistemas, especialmente em cenários onde há múltiplos sotaques a serem classificados. Os autores utilizaram os parâmetros prosódico-acústicos de f0 e frequências Mel-Cepstrais (MFCC) a fim de ampliar o poder discriminatório na classificação dos sotaques estrangeiros. Os autores reforçam que ao incorporar características prosódicas aos modelos acústicos, torna-se possível capturar sutilezas da L2 e melhorar a acurácia da classificação de sotaques. Os autores salientam que a prosódia de L2 desempenha um papel importante na identificação de sotaques estrangeiros, pois os falantes não nativos frequentemente exibem padrões prosódicos distintos em comparação aos falantes nativos.

3. Metodologia

A metodologia da presente pesquisa consiste em um experimento de produção de fala a partir do estilo “Leitura”. Ao longo desta seção, detalharemos como ocorreu a seleção dos participantes, a coleta dos dados (montagem do corpus e gravação dos participantes), os tratamentos acústico e estatístico dos dados, bem como a tarefa de reconhecimento de sotaque estrangeiro.

Participantes

Os participantes da pesquisa eram falantes brasileiros proficientes em inglês (nível B2-C1) de acordo com o Quadro Europeu Comum de Referência para Línguas (CEFR, Council of Europe, 2001), e falantes nativos de inglês oriundos dos EUA.

A abordagem inicial junto aos participantes ocorreu por meio de postagens públicas e, àqueles que se voluntariavam, realizamos contatos via mensagens privadas. Desta forma, obtivemos um total de 40 participantes distribuídas da seguinte maneira:

• 20 brasileiras (21-43 anos; M = 29,2; DP = 6,40), que leram em PB-L1 e inglês-L2; e

• 20 estadunidenses (28-60 anos; M = 45,1; DP = 7,02), que leram em inglês-L1.

As participantes brasileiras possuíam entre 11,25 e 23 anos de exposição formal ao inglês (M = 15,3; DP = 2,79). O nível de proficiência B2-C1 foi mensurado com base no Oxford Online Placement Test (Oxford University Press [OUP], 2009), conforme o Quadro Europeu Comum de Referência para Línguas (CEFR, Council of Europe, 2001). As participantes estadunidenses eram originárias de diversas localidades dos EUA e não apresentaram histórico de aprendizado intensivo de outras línguas.

O tamanho amostral adotado neste estudo piloto - 40 participantes, resultando em 160 amostras balanceadas - foi determinado com base em critérios de viabilidade e precisão mínima compatíveis com os objetivos exploratórios da investigação. Lakens (2022) argumenta que estudos piloto podem ser justificados por critérios de restrições de recursos (i.e., materiais ou estudos) a priori (a priori resource constraints) desde que os resultados sejam interpretados como estimativas preliminares, sujeitas a validação em amostras maiores, e não como evidências confirmatórias.

Embora nosso propósito fosse o de obter amostras masculinas e femininas, todas as amostras utilizadas no presente estudo piloto foram do sexo feminino por contemplarem o mesmo nível de proficiência. O único participante do sexo masculino que atendia ao nível B2-C1 foi descartado a fim de evitar viés nos parâmetros acústicos tanto de f0 (Graddol & Swann, 1983; Mennen et al., 2008, 2012; Urbani, 2012), como de intensidade e outros parâmetros espectrais (Izadi et al., 2012; Moyer, 2013; Silva Jr. et al., 2024).

Este estudo foi conduzido em conformidade com as diretrizes éticas para pesquisas com seres humanos. O projeto foi aprovado pelo Comitê de Ética em Pesquisa da Universidade Estadual da Paraíba (CEP/UEPB), sob número de aprovação CAAE: 97932626.8.0000.5187. Todos os participantes assinaram o Termo de Consentimento Livre e Esclarecido (TCLE), em versões em português e inglês, autorizando a gravação e o uso científico dos dados.

Coleta de dados

Os dados que compuseram o corpus desta pesquisa foram extraídos a partir da leitura de um texto (versão foneticamente balanceada em inglês e em português da fábula de Esopo: “The Lion and the Mouse” / “O Leão e o Ratinho”). As gravações do grupo “inglês-L1” foram segmentadas em quatro trechos (chunks) de fala (i.e., as amostras). Ao todo, 240 amostras foram computadas neste momento inicial.

As participantes receberam previamente o texto e foram instruídas a lê-lo em ritmo normal, usando voz modal, ou seja, suas vozes autênticas como sugerem Silva Jr. e Barbosa (2023). Elas podiam ler o texto em silêncio ou em voz alta pelo tempo que precisassem e, apenas quando se sentissem confortáveis e confiantes, elas gravariam e nos enviariam as amostras gravadas. Utilizaram-se, para a coleta dos dados, plataformas digitais, como Facebook, Instagram, WhatsApp e E-mail, além de aplicativos de intercâmbio gratuitos, a exemplo do HelloTalk e Tandem.

Em virtude de as gravações serem realizadas remotamente, foi realizado um recrutamento dos participantes a fim de que estes realizassem as gravações em locais silenciosos próximos a superfícies atenuantes do impacto das ondas sonoras, utilização de app-gravadores que fornecessem o formato .WAV, distâncias dos microfones dos celulares entre 10 e 15 cm da boca dentre outras informações. Todos os arquivos de áudio foram recebidos em formato .WAV e verificados quanto à taxa de amostragem mínima de 16 kHz com 16 bits de quantização e à ausência de saturação ou compressão perceptível. Arquivos que não atendessem a esses critérios seriam descartados e a participante seria contatada para nova gravação. Nenhum arquivo precisou ser descartado após a triagem de qualidade acústica. Esse procedimento segue as recomendações de Zhang et al. (2021) para coleta remota de dados acústicos.

Tratamento acústico dos dados

O tratamento acústico dos dados foi realizado no Praat (Boersma & Weenink, 2021) e seguiu o protocolo de Silva Jr. e Barbosa (2024a) no que tange aos processos de segmentação, etiquetagem e extração de parâmetros prosódico-acústicos em dados de L2. O referido protocolo perfaz três passos: i) alinhamento fonético forçado, ii) realinhamento (e nova etiquetagem) a partir das unidades fônicas geradas no passo ‘i)’ e iii) extração automática de parâmetros prosódico-acústicos. Vejamos o detalhamento de cada um dos passos.

Passo 1: Alinhamento fonético forçado: para realização do alinhamento automático das unidades fonéticas, cada par de arquivos “som/texto” com o mesmo nome foi submetido à interface web do alinhador MAUS (Munich Automatic Segmentation - Kisler et al., 2017). O programa retorna um arquivo “.TextGrid” (a ser executado no Praat) para cada arquivo sonoro.

Passo 2: Realinhamento (e nova etiquetagem): neste passo, utilizamos o script para Praat: VVUnitAligner (Silva Jr., 2024). As camadas geradas recebem novas etiquetas: a) Camada 01: sílabas fonéticas, isto é, segmento que vai do início de uma vogal até o início da próxima vogal, (V_to_V); b) Camada 02: vogais (V), consoantes (C) e pausas silenciosas e preenchidas (#); c) Camada 05: trechos (chunks - CH) de unidades de fala; d) Camada 06: tom mais alto (H) e mais baixo (L) extraídos de cada chunk de fala.

Passo 3: Extração automática de parâmetros prosódico-acústicos: a extração automática dos parâmetros prosódico-acústicos foi realizada por meio do script para Praat “SpeechRhythmExtractor” (Silva Jr. & Barbosa, 2024b). Silva Jr. (2026) apresenta documentação detalhada contendo um manual do usuário e descrição exaustiva de cada parâmetro acústico extraído pelo programa.

Tratamento estatístico dos dados

A análise estatística foi conduzida por meio de Modelos Lineares de Efeitos Mistos, implementados com o pacote lme4 no ambiente R (Bates et al., 2015; R Core Team, 2024). Esse framework é especialmente adequado para dados de fala hierarquicamente estruturados, nos quais múltiplas amostras são produzidas por cada falante, pois permite estimar o efeito do preditor de interesse - neste caso, o fator Sotaque - enquanto controla simultaneamente a variabilidade individual entre falantes (Baayen et al., 2008; Barr et al., 2013).

A equação do modelo para cada parâmetro prosódico-acústico é apresentada em (1):

(1) Parâmetro acústicoᵢⱼ = β₀ + β₁Sotaqueᵢ + u₀ᵢ + εᵢⱼ

em que:

β₀ é o intercepto geral, correspondente à média estimada do parâmetro prosódico-acústico para o nível de referência do fator Sotaque - neste estudo, o nível Estrangeiro (inglês-L2 e PB-L1). Assim, β₀ representa diretamente a média estimada das falantes estrangeiras para cada parâmetro (e.g., para o ELT em banda de frequência média: β₀ = −17.90; para o Shimmer: β₀ = 8.447).

β₁Sotaqueᵢ é o efeito fixo do fator Sotaque, codificado como variável indicadora com dois níveis: ‘Estrangeiro’ (nível de referência, codificado como 0) e ‘Nativo’ (codificado como 1). O coeficiente β₁ representa, portanto, a diferença estimada entre a média do grupo nativo e a média do grupo estrangeiro, controlada pela variabilidade inter-falante. A média estimada para o grupo nativo é obtida diretamente pela soma β₀ + β₁ (e.g., para o ELT em banda de frequência média: −17.9000 + 2.7810 = −15.1190; para o Shimmer: 8.447 + 3.540 = 11.987). Quando β₁ é positivo, o grupo nativo apresenta valores mais altos do que o estrangeiro; quando negativo, apresenta valores mais baixos.

u₀ᵢ é o efeito aleatório de intercepto por falante, especificado como (1|Falante). Esse componente captura a variabilidade entre indivíduos que não é explicada pelo fator Sotaque - ou seja, o fato de que cada falante possui um perfil acústico próprio, independentemente do grupo a que pertence. Como cada falante produz amostras de apenas um nível do fator Sotaque, não é possível estimar slopes aleatórios para esse preditor, tornando o intercepto aleatório a estrutura aleatória mais adequada e prudente para este desenho (Barr et al., 2013). Essa especificação evita pseudorreplicação e controla a dependência entre as múltiplas amostras produzidas por cada participante.

εᵢⱼ é o resíduo aleatório para cada observação j do falante i, capturando a variação não explicada pelo modelo após a remoção dos efeitos fixos e aleatórios.

Os graus de liberdade (degrees of freedom - df) foram estimados pelo método de Satterthwaite (Kuznetsova et al., 2017), implementado no pacote lmerTest. Diferentemente da abordagem convencional que adota df = N − 1 (isto é, 160 amostras − 1 = 159), a aproximação de Satterthwaite ajusta os df com base na estrutura hierárquica dos dados - especificamente, na partição da variância entre o nível das amostras e o nível dos falantes (Baayen et al., 2008). Para os modelos deste estudo, os df estimados situaram-se entre 27.77 e 28.18 (cf. Tabela 1), os quais são valores próximos ao número de unidades independentes no nível do falante (N = 40) após o desconto da variância absorvida pelo intercepto aleatório, conforme Kuznetsova et al. (2017). Essa abordagem reflete que a inferência sobre o efeito fixo Sotaque é baseada essencialmente na variação entre os 40 falantes (20 nativos e 20 estrangeiros), e não entre as 160 amostras individuais.

O nível de significância adotado foi α = 0.05. Para cada modelo, são reportados o coeficiente β₁ (estimativa do efeito de Sotaque), o erro padrão (EP), os graus de liberdade de Satterthwaite (df), o valor de t e o valor de p correspondente. As médias (M) estimadas por grupo são derivadas diretamente dos parâmetros do modelo: M_Estrangeiro = β₀ e M_Nativo = β₀ + β₁, permitindo a interpretação direta da direção e magnitude das diferenças entre sotaques em cada parâmetro acústico.

O Quadro 1 apresenta uma síntese das participantes, dos textos utilizados para a coleta de dados e das amostras no início e no final do experimento.

Thumbnail
Quadro 1
Participantes, línguas, textos e composição do corpus.

Tarefa de classificação automática de sotaque estrangeiro

Para esta etapa do estudo, foi implementada a tarefa de classificação automática de sotaque estrangeiro utilizando um classificador binário fundamentado em seis técnicas (i.e., seis algoritmos) de Aprendizado de Máquina. O sistema (em progresso) foi desenvolvido em linguagem Python (Van Rossum & Drake, 2009).

O objetivo do sistema reside em classificar se o sotaque é “Nativo” (inglês-L1) ou “Estrangeiro” (inglês-L2 e PB-L1). Foram utilizadas seis técnicas (modelos) de IA e comparadas uma a uma quanto à Acurácia (accuracy) e à Taxa de Erro (error rate, doravante, ER) em que ER = 1 - accuracy. O conjunto de dados foi particionado entre amostras para treino e teste. A partição foi realizada ao nível da falante (speaker-level split), garantindo que todas as amostras de uma mesma participante fossem alocadas exclusivamente ao conjunto de treino ou ao de teste, impedindo vazamento de dados entre subconjuntos. O conjunto de treino (80%) foi submetido a validação cruzada com k partições (k-fold cross-validation, k = 5), estratificado pelo nível do fator Sotaque (Nativo/Estrangeiro), a fim de assegurar representação balanceada de classes em cada partição (Brownlee, 2020; Cavalcanti et al., 2024; James et al., 2013).

Foram utilizadas seis técnicas de Aprendizado de Máquina e classificação automática. Ressalta-se que, entre os algoritmos implementados, a Análise Discriminante Linear (LDA) é uma técnica de classificação de origem estatística (Fisher, 1936), amplamente adotada em Aprendizado de Máquina por sua interpretabilidade e capacidade de discriminação linear. Neste trabalho, o LDA é utilizado como baseline comparativo para os demais classificadores baseados em aprendizado. Ao longo desta seção, será apresentada uma síntese de cada técnica utilizada nesta pesquisa (cf. James et al., 2013; Silva et al., 2023 para definição e descrição detalhadas dos algoritmos e comparação das referidas técnicas).

Floresta Aleatória (Random Forest - RF)

A técnica de Floresta Aleatória (RF) combina múltiplos classificadores de Árvores de Decisão para melhorar a acurácia. Cada árvore é treinada com um subconjunto aleatório de dados, e as previsões finais são realizadas por meio de votação entre as árvores. A robustez da Floresta Aleatória está na sua capacidade de reduzir o risco de Sobreajuste (overfitting) do modelo, enquanto mantém alta acurácia mesmo com variáveis correlacionadas. A técnica Floresta Aleatória, por apresentar consistência com interações não lineares, é capaz de capturar certas características acústicas que apresentam interações complexas (características espectrais e de duração como Espectro de Longo Termo e Taxa de Articulação) na determinação do sotaque.

Árvore de Decisão (Decision Tree - DT)

A Árvore de Decisão (DT) é um modelo baseado em regras que particiona os dados em subconjuntos menores com base nas características mais relevantes. Ela utiliza critérios como a entropia ou o índice Gini para escolher as divisões. É intuitiva e fácil de interpretar. A inclusão da técnica Árvore de Decisão visa oferecer insights sobre quais características acústicas individuais (de cada falante) apresentam os limiares de decisão mais relevantes para a distinção entre falantes de L1 e L2.

k-Vizinhos Mais Próximos (k-Nearest Neighbors - k-NN)

A técnica k-Vizinhos Mais Próximos (k-NN) é um algoritmo baseado em proximidade, que classifica um dado com base nos "k" vizinhos mais próximos em um espaço multidimensional. Ele utiliza métricas como a distância Euclidiana ou Manhattan para determinar a semelhança entre os dados. É eficaz em contextos em que as fronteiras de classificação não são lineares. Ao classificar uma amostra com base na similaridade com seus vizinhos no espaço de parâmetros acústicos, o k-Vizinhos Mais Próximos pode identificar padrões sutis de proximidade entre falantes com sotaques semelhantes (o caso das amostras de inglês-L2/PB-L1), refletindo possivelmente influências da L1 na L2-alvo.

Análise Discriminante Linear (Linear Discriminant Analysis - LDA)

A Análise Discriminante Linear (LDA) assume que as variáveis seguem distribuições normais e visa maximizar a separabilidade entre classes ao projetar os dados em um espaço menor. É útil quando as distribuições possuem variâncias similares. Ao projetar os dados em um espaço de menor dimensionalidade que maximize a separabilidade entre os sotaques, a técnica LDA pode revelar quais combinações lineares das características acústicas são mais discriminativas para distinguir os sotaques, potencialmente destacando dimensões fonéticas (duração ou f0 ou intensidade).

Máquina de Vetores de Suporte (Support Vector Machine - SVM)

A técnica Máquina de Vetores de Suporte (SVM) busca o hiperplano que melhor separa as classes no espaço de dados, maximizando a margem entre os grupos. Quando os dados não são linearmente separáveis, são aplicadas métricas (como distância euclidiana) para representar similaridade entre vetores de características acústicas assumindo que diferenças em cada dimensão contribuem igualmente para a dissimilaridade (cf. Silva Jr. & Barbosa, 2024a). Ao mapear as fronteiras de similaridade e diferença entre sotaques no espaço de características, a Máquina de Vetores de Suporte opera como um classificador robusto, capaz de lidar com distribuições acústicas complexas.

Naive Bayes Gaussiana (Gaussian Naive Bayes - NB)

A técnica Naive Bayes Gaussiana (NB) utiliza o Teorema de Bayes e assume que as variáveis são independentes e normalmente distribuídas. Ela é eficaz em cenários de alta dimensionalidade e com dados onde as características possuem distribuição gaussiana. A análise das médias e desvios padrão aprendidos pelo modelo para cada característica dentro de cada classe de sotaque (Estrangeiro/Nativo) pode destacar quais parâmetros acústicos exibem as maiores diferenças estatísticas entre os grupos com base nas diferenças de pronúncia.

4. Resultados

Nesta seção serão apresentados apenas os parâmetros prosódico-acústicos que mostraram diferenças significativas do ponto de vista estatístico entre as duas classes de sotaque (cf. subseção “Resultados estatísticos”), bem como o impacto desses parâmetros quanto à classificação automática de sotaques ‘Estrangeiro’ vs. ‘Nativo’ (cf. subseção “Resultados de classificação automática”).

Resultados estatísticos

Esta seção apresenta os resultados da análise estatística inferencial. A Tabela 1 sintetiza os coeficientes dos Modelos Lineares de Efeitos Mistos (β, EP, t, df e p) e as médias estimadas por grupo (M Estrangeiro e M Nativo) para cada parâmetro prosódico-acústico. A Figura 1 exibe os gráficos de violino correspondentes, permitindo a visualização da distribuição e da variabilidade dos valores por grupo em cada parâmetro. A descrição dos resultados segue organizada em medidas de intensidade e fonação - espectrais (ELT), de variabilidade da intensidade (CV) e da fonte glótica (Jitter, Shimmer, HNR) - e medidas temporais (duração de pausas e taxas de elocução e articulação), acompanhadas das respectivas interpretações perceptuais.

Thumbnail
Tabela 1
Resultados dos Modelos Lineares de Efeitos Mistos para cada parâmetro prosódico-acústico.

miniatura da Figura 1
Figura 1
Distribuição dos parâmetros acústicos por grupo de sotaque.

A análise dos parâmetros espectrais de longo termo (ELT) revelou diferenças entre os sotaques nas três bandas avaliadas (Figuras 1A-1C) e apresentou efeitos significativos para as frequências alta (1A), média (1B) e baixa (1C). Seus valores são respectivamente: β = 5.524, EP = 1.739, t(28.17) = 3.176, p = 0.004, com falantes nativas exibindo valores menos negativos (M = −23.46) em relação às estrangeiras (M = −28.99), indicando menor inclinação espectral; β = 2.781, EP = 1.316, t(28.10) = 2.113, p = 0.044, com nativas apresentando valores menos negativos (M = −15.12) do que estrangeiras (M = −17.90), o que sugere padrão consistente com menor esforço fonatório para os parâmetros nas figuras 1A e 1B; e β = −1.999, EP = 0.925, t(28.12) = −2.161, p = 0.039, com nativas exibindo valores menores (M = 1.23) do que estrangeiras (M = 3.23), sugerindo fonação mais modal e menor esforço glótico na produção do inglês-L1 em comparação às falantes brasileiras na produção do inglês-L2.

O comportamento estatístico desses dados pode se articular com as qualidades vocais perceptíveis em cada banda conforme proposto por estudos de fonética acústica e qualidade de voz (Fernández-Trinidad, 2022; Fung & Wong, 2023; Garellek, 2022). A maior energia na banda alta observada nas nativas está associada ao brilho e à projeção vocal: valores menos negativos nessa faixa tendem a produzir vozes percebidas como mais claras, abertas e "para frente", semelhantes ao que ouvintes descrevem como uma voz mais ressonante - padrão consistente com os valores mais elevados de M = −23.46 em relação às estrangeiras (M = −28.99). A banda média, cujos valores também foram menos negativos nas nativas, pode contribuir para a sensação de naturalidade e equilíbrio articulatório, influenciando a impressão de uma voz estável, sem excesso de nasalidade ou abafamento - o que se alinha à menor inclinação espectral observada nesse grupo.

Por fim, na Figura 1C, a banda com os valores de baixa frequência (também chamada de banda alfa ou L1-L0), que representa a diferença entre f1 e f0 (Fung & Wong, 2023), está associada à abertura do trato vocal e à "cor" geral da voz: os valores mais baixos das nativas (M = 1.23) em relação às estrangeiras (M = 3.23) sugerem fonação mais modal e menor esforço glótico, enquanto os valores mais altos das estrangeiras tendem a gerar vozes percebidas como mais "escuras" ou "fechadas" (i.e., mais recuadas). Essas diferenças espectrais, visíveis na maior dispersão dos plots vermelhos (i.e., sotaque nativo), sugerem que falantes de L2, mesmo proficientes, mantêm padrões de ressonância e configuração do trato vocal que diferem dos falantes nativos, produzindo qualidade vocal que contribui para a percepção do sotaque estrangeiro (Flege, 1995; Munro & Derwing, 1995; Ortega-Llebaria et al., 2023; Silva Jr. & Barbosa, 2023). Esses resultados reforçam que a identidade acústica da fala em L2 emerge não apenas de escolhas segmentais, mas também de ajustes globais de voz que moldam a forma como o ouvinte percebe a expressividade e a clareza vocal do falante.

No domínio da intensidade, o Coeficiente de Variação (CV) apresentou tendência descritiva de diferença entre os sotaques (Figura 1D) (β = 2.608, EP = 1.314, t(28.18) = 1.985, p = 0.057), com falantes nativas exibindo valores ligeiramente mais altos (M = 19.98) do que estrangeiras (M = 17.37), sugerindo maior variabilidade de intensidade no grupo nativo. Maior variabilidade de intensidade pode ser percebida ou interpretada como sendo mais expressiva, enfática ou com oscilação prosódica, enquanto menor variabilidade tende a produzir fala mais monótona ou estável - padrão que, neste caso, caracterizaria as falantes estrangeiras (M = 17.37) em relação às nativas (M = 19.98) (Flege, 1995; Trofimovich & Baker, 2006). Embora o valor de p associado ao CV de Intensidade se situe marginalmente acima do limiar convencional de 5%, sua manutenção como preditor no sistema de classificação automática se justifica por razões tanto estatísticas quanto substantivas.

Do ponto de vista estatístico, a direção da estimativa do CV de intensidade aponta para maior variabilidade no grupo nativo, caracterizando uma tendência descritiva de diferença entre os grupos. Contudo, os resultados permanecem inconclusivos quanto à diferença populacional. Essa interpretação considera a direção e a magnitude da estimativa, sua incerteza e o contexto do estudo, evitando uma conclusão baseada exclusivamente no limiar de p = 0.05 (Amrhein et al., 2019; Wasserstein et al., 2019; Wasserstein & Lazar, 2016). A proximidade desse limiar, por si só, não confirma a existência de um efeito. Complementarmente, Lakens (2022) propõe que decisões sobre inclusão de preditores devem considerar o tamanho do efeito e a relevância teórica da variável, e não apenas sua significância binária. No presente estudo, o CV de Intensidade apresenta fundamentação consolidada na literatura fonética como marcador de modulação prosódica e esforço vocal em produções de L2 (Fernández-Trinidad, 2022; He & Dellwo, 2014; Silva Jr. & Barbosa, 2023; Teixeira, 2023), o que justifica sua retenção como preditor no classificador, ainda que seu efeito inferencial seja interpretado com a devida prudência. A retenção da variável no classificador considera sua relevância teórico-metodológica, sem constituir confirmação de uma diferença populacional entre os grupos.

Já no domínio da fonte glótica, o parâmetro Jitter (Figura 1E) - indicador da perturbação na duração de períodos glóticos consecutivos - apresentou efeito significativo do fator Sotaque (β = 0.458, EP = 0.156, t(27.77) = 2.935, p = 0.007), com falantes nativas exibindo valores mais altos (M = 2.516) do que estrangeiras (M = 2.058), indicando maior variabilidade periódica na voz nativa. De modo convergente, o parâmetro Shimmer (Figura 1F), que quantifica a perturbação de amplitude entre ciclos consecutivos do sinal de voz, também exibiu diferenças robustas entre os sotaques (β = 3.540, EP = 0.472, t(28.14) = 7.504, p < 0.001), com falantes nativas apresentando valores consideravelmente mais altos (M = 11.987) do que estrangeiras (M = 8.447), sugerindo maior variabilidade de amplitude na produção nativa. Por fim, a relação harmônico-ruído (HNR, Figura 1G) diferiu significativamente (β = −2.723, EP = 0.821, t(28.01) = −3.318, p = 0.003), com falantes nativas exibindo valores menores (M = 9.594) do que estrangeiras (M = 12.317), indicando maior periodicidade glótica nas falantes estrangeiras em comparação às nativas.

Do ponto de vista perceptual, esses três parâmetros capturam aspectos complementares da qualidade glótica e permitem articular as diferenças entre os grupos com propriedades vocais percebidas pelos ouvintes. Os valores mais altos de Jitter nas nativas podem parecer contraintuitivos à primeira vista, mas são consistentes com maior liberdade expressiva e variabilidade fonatória característica de falantes com pleno domínio da língua-alvo - uma voz que "respira" com mais naturalidade, em contraste com a produção mais controlada e monitorada das falantes de L2 (Silva Jr. & Barbosa, 2023; Trofimovich & Baker, 2006). De modo semelhante, os valores mais elevados de Shimmer nas nativas (M = 11.987) refletem flutuações de amplitude que, em níveis moderados, contribuem para a percepção de vivacidade e expressividade vocal, enquanto valores mais baixos, como os observados nas estrangeiras (M = 8.447), tendem a produzir uma voz percebida como mais uniforme e menos modulada.

Já os valores mais altos de HNR nas falantes estrangeiras (M = 12.317) indicam maior periodicidade glótica - ou seja, uma voz mais "limpa" e regular - o que pode ser interpretado, com a devida prudência, como consequência do maior esforço cognitivo-vocal (vocal load) e monitoramento motor durante a produção em L2, mesmo entre falantes proficientes (Silva Jr. & Barbosa, 2023). Esse padrão é consistente com a hipótese de que falantes de L2 tendem a adotar configurações fonatórias mais controladas e menos variáveis, refletindo a maior demanda articulatória imposta pela produção em uma L2 (Flege, 1995; Trofimovich & Baker, 2006). Desse modo, os três parâmetros glóticos (Jitter, Shimmer e HNR) reforçam que a identidade fonatória da fala em L2 emerge de ajustes sistemáticos na fonte glótica, perceptíveis mesmo em leitura controlada e identificáveis tanto por ouvintes nativos (Silva Jr. & Barbosa, 2023) quanto por sistemas automáticos de classificação (Eyben et al., 2016).

Por fim, parâmetros temporais revelaram efeitos consistentes (Figuras 1H-1J): a duração média em milissegundos (ms) das pausas (β = 60.790, EP = 23.570, t(28.04) = 2.580, p = 0.015), com falantes nativas exibindo pausas mais longas (M = 394.15 ms) do que estrangeiras (M = 333.36 ms); a taxa de elocução - mensurada pela quantidade de sílabas por segundo (sil./s) - (β = 0.992, EP = 0.305, t(28.07) = 3.253, p = 0.003), com nativas apresentando taxa mais alta (M = 4.845 síl./s) do que estrangeiras (M = 3.853 síl./s); e a taxa de articulação - correspondente à quantidade de sílabas por segundo sem as pausas (síl./(s−pausa)) - (β = 1.104, EP = 0.319, t(28.00) = 3.460, p = 0.002), com nativas exibindo igualmente taxa mais alta (M = 6.129 síl./(s−pausa)) do que estrangeiras (M = 5.025 síl./(s−pausa)), evidenciaram diferenças consistentes entre os grupos.

Esses padrões estatísticos articulam-se diretamente com propriedades perceptuais bem documentadas da produção oral. As pausas mais longas observadas nas falantes nativas podem parecer inesperadas à primeira vista, mas são consistentes com estratégias discursivas de falantes com pleno domínio de sua L1 que utilizam pausas de forma mais deliberada para organizar o discurso, sinalizar estrutura prosódica e pontuar o fluxo informacional - diferentemente das pausas de falantes de L2, que tendem a refletir hesitação e maior demanda de processamento lexical e fonológico em tempo real (Krivokapić, 2007; Trofimovich & Baker, 2006). As taxas de elocução e articulação mais elevadas nas nativas reforçam esse padrão: taxas mais altas estão associadas a maior naturalidade, automaticidade motora e eficiência comunicativa, enquanto taxas mais baixas, como as observadas nas estrangeiras, tendem a ser percebidas como fala mais lenta, monitorada e menos fluente (Adams & Munro, 1978; Flege, 1995; Silva Jr. & Barbosa, 2019). Os valores de L1 (plots vermelhos) nas Figuras 1H-1J apontam, adicionalmente, maior variabilidade nos parâmetros temporais das nativas em comparação às estrangeiras (plots azuis), sugerindo que falantes de L2, mesmo proficientes, tendem a adotar padrões temporais mais uniformes e menos variáveis - possivelmente como estratégia de controle articulatório na produção em língua não nativa (Silva Jr. & Barbosa, 2023; Teixeira, 2023).

Esse resultado reforça que a organização temporal do discurso constitui a dimensão prosódica mais robusta e estável para a distinção automática entre sotaque nativo e estrangeiro no presente corpus, em consonância com estudos que apontam o ritmo e as pausas como marcadores primários de identidade dialetal e de sotaque (Krivokapić, 2007; Silva Jr. & Barbosa, 2019, 2023; White & Mattys, 2007).

Resultados de classificação automática

miniatura da Figura 2
Figura 2
Matrizes de confusão dos seis classificadores de sotaque.

A Figura 2 apresenta seis matrizes de confusão contendo o desempenho dos seis modelos utilizados na classificação de amostras estrangeiras e nativas de inglês em nosso sistema. O modelo Floresta Aleatória (Figura 2A) obteve acurácia de 100% no conjunto de teste. Embora esse resultado indique alta capacidade discriminativa dos parâmetros selecionados, valores perfeitos de acurácia em conjuntos de dados de pequeno porte merecem interpretação cautelosa: tais valores podem refletir a estrutura coerente das variáveis acústicas, mas também são sensíveis à composição específica da partição de teste, ao tamanho reduzido do corpus (n = 160 amostras) e à configuração independente do falante (speaker-independent) adotada nesta fase piloto do estudo (cf. subseção “Limitações e trabalhos futuros”). A convergência entre múltiplos classificadores (quatro dos seis modelos com acurácia ≥ 90%) reforça, no entanto, a consistência geral dos resultados.

O modelo k-Vizinhos Mais Próximos (Figura 2C) obteve acurácia de 93,75% de acerto dos sotaques. Os modelos Árvore de Decisão e Máquina de Vetores de Suporte (Figuras 2B e 2E) obtiveram escores de acurácia de 90,62% de acerto. Os modelos com menor acurácia de acerto na classificação dos sotaques foram o de Análise Discriminante Linear (Figura 2D) com 81,25% e o de Naive Bayes Gaussiana (Figura 2F), com 71,88%. Em todos os modelos, os mapas de calor codificados pelas cores (em tons tendendo ao) “verde” para predições corretas e (em tons tendendo ao) “vermelho” para as predições erradas, fornecem uma representação visual dos resultados.

Por fim, além da significância estatística, a relevância linguística dos parâmetros identificados pode ser observada pelo padrão de efeitos: parâmetros de intensidade espectral (ELT em suas três bandas) e de qualidade glótica (Jitter, Shimmer, HNR) configuram marcadores de qualidade de voz reconhecidos como indexadores da identidade fonética do falante (Fernández-Trinidad, 2022; Thomas, 2011); parâmetros de duração (pausas, taxas de elocução e articulação) refletem a organização temporal do discurso, dimensão prosódica diretamente perceptível por ouvintes nativos como indicador de sotaque (Adams, 1979; Silva Jr. & Barbosa, 2019, 2023).

5. Discussão

Nesta seção serão retomadas as questões de pesquisa (QP) propostas na Introdução deste estudo.

Na QP1, foi perguntado em que medida parâmetros de duração (e.g., variabilidade e taxa de pausas, taxas de elocução e articulação), de f0 (e.g., média ou mediana, semiamplitude interquartílica, desvio padrão, inclinação de contornos ascendentes e descendentes) e de intensidade e fonação (e.g., Espectro de Longo Termo, Jitter, Shimmer, Relação Harmônico-Ruído, Coeficiente de Variação de intensidade) diferenciam produções de sotaque estrangeiro em relação ao nativo.

Os resultados sugerem que a prosódia do PB-L1 parece influenciar as produções de inglês-L2, na medida em que os parâmetros prosódico-acústicos exibiram diferenças estatisticamente significativas entre os grupos. Ressalva-se, contudo, que o desenho correlacional do estudo não permite estabelecer relações causais diretas entre os padrões da L1 e as realizações na L2, mas apenas associações acústicas consistentes com a hipótese de transferência prosódica (Flege, 1995; Teixeira, 2023).

O esforço cognitivo-vocal inerente à produção em L2, mesmo em estágios mais avançados de proficiência, emerge como um fator relevante capaz de induzir alterações em parâmetros acústicos intensivos e duracionais (Golestani & Pallier, 2007). Embora não seja objeto direto deste estudo, a literatura aponta que a produção em L2 envolve configurações neurais parcialmente distintas das da L1 (Golestani & Pallier, 2007; Kim et al., 1997), o que pode estar relacionado à sobrecarga cognitivo-vocal observada nos parâmetros fonatórios. Essa hipótese, contudo, extrapola o escopo metodológico do presente trabalho e constitui agenda para investigações futuras.

Os padrões observados nos domínios espectral e glótico (maior inclinação espectral, menor Jitter e Shimmer, e maior HNR nas estrangeiras) são consistentes com a hipótese de que falantes de L2 proficientes transferem não apenas padrões segmentais, mas configurações fonatórias habituais da L1 para a língua-alvo (Flege, 1995; Trofimovich & Baker, 2006). Essa transferência, operando no nível da qualidade vocal global, produz uma assinatura acústica identificável mesmo em leitura controlada, o que reforça o argumento de Fernández-Trinidad (2022) de que parâmetros glóticos e espectrais capturam dimensões da identidade do falante que resistem ao monitoramento consciente durante a produção em L2.

Nesse sentido, o “ensaio articulatório” proposto por Wen (2019) encontra correlato empírico nos valores de HNR mais elevados e de Jitter e Shimmer mais baixos nas estrangeiras: a maior regularidade glótica pode refletir justamente esse monitoramento motor mais intenso, no qual o falante de L2 produz uma voz mais 'controlada' às custas de menor variabilidade expressiva. De modo convergente, Andrews (2019) observa que a aquisição fonética em L2 é dinâmica e assimétrica entre níveis - o que é consistente com o fato de que, mesmo em falantes B2-C1, as taxas de elocução e articulação permanecem significativamente abaixo dos valores nativos.

Vale destacar que o uso de Jitter, Shimmer e HNR como preditores em sistemas de classificação automática de sotaque estrangeiro constitui uma contribuição metodológica do presente estudo. Embora esses parâmetros sejam utilizados em diagnóstico de voz patológica, síntese de fala e biometria vocal, sua aplicação à classificação de tipos de fonação em vozes não patológicas - e, especificamente, ao reconhecimento de sotaque - permanece comparativamente pouco explorada na literatura fonética (Koffi, 2025). O sistema GeMAPS (Eyben et al., 2016), amplamente adotado em reconhecimento de emoção em fala, inclui Jitter e Shimmer como descritores padrão, o que sugere sua relevância computacional mais ampla; no entanto, sua aplicação ao domínio específico da classificação de sotaque estrangeiro abre uma agenda metodológica que o presente estudo contribui para inaugurar.

Quanto aos parâmetros prosódico-acústicos observados no presente trabalho, especificamente, o ELT de alta banda frequencial (4-8 kHz, Figura 1A), correlacionado ao esforço vocal e à soprosidade, e o ELT de média frequência (0-1 kHz e 1-4 kHz, Figura 1B), associado a vozes sussurradas, crepitantes ou laringalizadas, exibiram maior variação no sotaque nativo de inglês. O ELT na faixa de baixa frequência (300-1200 Hz, Figura 1C) apresenta correlatos acústicos com configurações do trato vocal que incluem, entre outros fatores, a posição mandibular e a abertura oral (Barbosa, 2019; Silva Jr. & Barbosa, 2023). Ressalva-se que o ELT reflete a distribuição global de energia espectral no longo termo, sendo um descritor multifatorial que não pode ser atribuído isoladamente à mecânica mandibular; sua interpretação deve ser feita em conjunto com outros indicadores espectrais e articulatórios.

Os parâmetros de Jitter e Shimmer (Figuras 1E e 1F), indicadores de perturbação ciclo a ciclo do período e da amplitude do sinal de voz, respectivamente, apresentaram valores mais altos nas falantes nativas de inglês do que nas brasileiras. Esses resultados indicam diferenças na regularidade fonatória entre os grupos; sua relação com esforço articulatório e demanda cognitiva deve ser interpretada com cautela (Fernández-Trinidad, 2022). Ressalva-se, contudo, que parâmetros como Jitter e Shimmer são sensíveis a múltiplos fatores - incluindo qualidade do microfone, compressão de áudio e variabilidade articulatória individual - de modo que interpretações causais diretas devem ser tratadas de modo reservado.

O HNR (relação harmônico-ruído, Figura 1G), que avalia a proporção entre a periodicidade e a aperiodicidade do sinal de voz, demonstrou maior dispersão e valores mais baixos para os falantes de inglês-L1. Uma hipótese especulativa, não testada empiricamente neste estudo, é a de que a maior dispersão do HNR em falantes nativas possa estar parcialmente associada a estratégias expressivas de leitura em voz alta, como a modulação da qualidade vocal para diferenciar personagens do texto-fábula (Crochiquia et al., 2022). Essa interpretação, contudo, requereria dados comportamentais e perceptuais independentes para ser validada. Quanto ao Coeficiente de Variação da Intensidade (Figura 1D), o inglês-L2 apresenta menor variabilidade, o que sugere uma produção vocal mais constante e com menor modulação (que equivale a um maior esforço vocal) em comparação com os nativos.

No domínio da duração, a Duração das Pausas, a Taxa de Elocução e a Taxa de Articulação (Figuras 1H, 1I e 1J) foram os parâmetros que mais distintamente caracterizaram os grupos. Esses resultados reforçam a importância das unidades prosódicas de duração (unidades V-V, por exemplo) na comparação entre a fala nativa e estrangeira (Barbosa, 2019).

Por fim, os resultados deste estudo apontam para a relevância da carga cognitiva e do planejamento da fala na produção prosódico-acústica em L2, alinhando-se a resultados de estudos citados ao longo desta seção. Ressaltamos que mesmo em nível alto de proficiência (B2-C1), vários aspectos prosódicos da L2-alvo se mostraram mais difíceis de serem produzidos.

Vale notar que nenhum dos parâmetros melódicos de f0 alcançou significância estatística nos modelos, o que contrasta com a centralidade histórica da melodia nos estudos de prosódia de L2 (Mennen et al., 2008, 2012). Esse resultado pode refletir tanto a natureza da tarefa de leitura - que tende a uniformizar os contornos entonacionais em comparação com a fala espontânea, uma vez que a segmentação prosódica é predeterminada pela pontuação e a sua estrutura é planejada com antecedência (Markó & Bóna, 2010; Trofimovich & Baker, 2006) reduzindo assim a variabilidade de f0 que caracterizaria estilos de fala menos controlados - quanto a alta variabilidade individual de f0 entre falantes, absorvida pelo intercepto aleatório do modelo e não atribuível ao fator Sotaque. Esses dois fatores atuam de forma complementar: o primeiro comprime a variação de f0 no nível do grupo, ao passo que o segundo distribui a variação remanescente entre indivíduos. Futuros estudos com fala semiespontânea ou conversacional poderão examinar se essa ausência de efeito de f0 se mantém em condições de menor controle prosódico, ou se a melodia emerge como preditor relevante quando a produção é menos constrangida pela estrutura do texto escrito.

Na QP2, foi questionado quais parâmetros prosódico-acústicos contribuem para a acurácia de modelos de classificação automática de sotaque estrangeiro e em que medida os resultados obtidos oferecem direcionamentos para aplicações em contextos de fonética forense.

Os resultados da classificação automática indicam que a distinção entre sotaque nativo e estrangeiro depende de um conjunto de fatores interdependentes: os parâmetros prosódico-acústicos selecionados como preditores, as técnicas de Aprendizado de Máquina empregadas e a eficiência dos modelos gerados. A análise a seguir examina de que forma esses elementos contribuem para a acurácia do sistema proposto e quais direcionamentos preliminares os achados oferecem para aplicações em contextos de fonética forense.

No que tange à seleção de parâmetros, o estudo de Kashif et al. (2024) oferece um referencial comparativo relevante. Os autores propõem um modelo baseado em Aprendizado Extremo com funções multi-kernel (MKELM), que combina kernels específicos para parâmetros espectrais, duracionais e de f0, demonstrando superioridade em relação a modelos convencionais como a Máquina de Vetores de Suporte (SVM) e a Análise Discriminante Linear (LDA) na classificação de múltiplos sotaques estrangeiros. O esquema de ponderação adotado pelo MKELM visa, ainda, minimizar um problema recorrente em Aprendizado de Máquina: conjuntos de dados desbalanceados, nos quais modelos tendem a favorecer classes mais representadas - como sotaques do inglês norte-americano, britânico ou australiano - em detrimento de sotaques estrangeiros menos frequentes nos dados de treino. Embora eficiente em termos de complexidade e tempo de treinamento, o MKELM opera com um conjunto restrito de parâmetros acústicos tais como Coeficientes Mel-Cepstrais (MFCC), média de f0 e energia espectral, o que limita sua capacidade de capturar a multidimensionalidade prosódica do sotaque estrangeiro.

Em contraste, o presente estudo empregou um conjunto mais amplo de descritores - parâmetros relacionados à intensidade e à fonação (Espectro de Longo Termo, Jitter, Shimmer, Relação Harmônico-Ruído e Coeficiente de Variação de intensidade) e de organização temporal (duração das pausas, taxas de elocução e de articulação) - o que pode explicar o alto desempenho observado mesmo com algoritmos de menor complexidade computacional. O modelo Floresta Aleatória alcançou acurácia de 100% no conjunto de teste, resultado que, embora expressivo, deve ser interpretado com cautela dado o tamanho relativamente pequeno do corpus e a configuração speaker-independent desta fase piloto (cf. seção de Limitações). De forma consistente, os modelos Árvore de Decisão, k-Vizinhos Mais Próximos e Máquina de Vetores de Suporte atingiram acurácias acima de 90%, confirmando a robustez dos parâmetros selecionados na captura das variações prosódicas que diferenciam sotaque nativo de estrangeiro. Mesmo os modelos com desempenho comparativamente inferior, como a Análise Discriminante Linear (acima de 80%) e a Naive Bayes Gaussiana (acima de 70%), revelaram padrões satisfatórios, com preponderância dos parâmetros relacionados à intensidade e à fonação em configurações de classificação linear, indicando que essas dimensões acústicas merecem investigação aprofundada em estudos futuros.

Os resultados aqui apresentados se alinham, em termos de patamar de desempenho, aos de Kashif et al. (2024), cujo modelo MKELM alcançou acurácia de 84.72% com esquema de ponderação pareada - e apenas 66.5% sem ponderação - em uma tarefa multiclasse envolvendo cinco sotaques estrangeiros do inglês (árabe, chinês, coreano, francês e espanhol). As acurácias obtidas no presente estudo, entre 71% e 100% para seis classificadores distintos, são compatíveis com esse patamar e, em vários modelos, superiores a ele - o que é esperado, considerando que tarefas binárias (nativo vs. estrangeiro) tendem a produzir acurácias sistematicamente mais altas do que tarefas multiclasse, por envolverem menor complexidade de separação no espaço de características (James et al., 2013; Jassim & Abdulmohsin, 2025). Essa comparação reforça a viabilidade do sistema aqui proposto e indica que a ampliação futura para cenários multiclasse - contemplando inglês-L1, inglês-L2, PB-L1 e PB-L2 - constituirá um teste mais rigoroso da robustez dos parâmetros prosódico-acústicos identificados. Ressalta-se que os modelos aqui propostos serão futuramente testados em novos dados com estilos de fala distintos da leitura e com protocolo speaker-independent, a fim de avaliar sua capacidade de generalização para falantes desconhecidos.

Em direção convergente, o estudo de Garg et al. (2025) utilizou o corpus Speech Accent Archive - 2140 amostras de fala coletadas de falantes de 214 línguas maternas em 177 países, todos lendo o mesmo parágrafo em inglês - para uma tarefa de classificação binária entre sotaque nativo (americano) e não nativo. Diferentemente do presente estudo, os autores não recorreram a parâmetros prosódicos de duração, f0 ou intensidade, mas a um conjunto de 18 características espectrais extraídas do sinal acústico. Entre elas estão os coeficientes de Frequência Mel-Cepstrais (MFCC), que resumem o formato geral do espectro sonoro e funcionam como uma espécie de “impressão vocal” timbrística de cada som da fala; o centroide espectral, que indica se a energia sonora se concentra em frequências mais altas ou mais baixas - ou seja, uma medida objetiva da qualidade da voz; a taxa de cruzamento por zero, um indicador simples da periodicidade do sinal; e as frequências de croma, tradicionalmente usadas em análise musical para captar a distribuição de classes tonais. Trata-se, portanto, de um conjunto essencialmente espectral e timbrístico, sem qualquer descritor prosódico. Sete algoritmos de Aprendizado de Máquina supervisionado (entre eles k-Vizinhos Mais Próximos, Máquina de Vetores de Suporte, Árvore de Decisão e Floresta Aleatória) foram comparados a uma abordagem de AutoML - que automatiza a escolha do modelo e dos seus parâmetros - e a uma rede neural convolucional, com a maior acurácia (86,67%) obtida pelo pipeline automatizado.

Os primeiros coeficientes MFCC concentraram a maior importância preditiva nos modelos, seguidos pelo centroide espectral e pelas características de croma, o que reforça que, nesse desenho, a discriminação de sotaque se apoiou quase inteiramente em pistas espectrais de curto termo. Não por acaso, os próprios autores apontam, como agenda futura, a necessidade de incorporar parâmetros fonético-prosódicos e articulatórios a esse conjunto - uma lacuna que o presente estudo já preenche, ao sustentar uma tarefa de classificação igualmente binária (nativo vs. estrangeiro) em descritores de duração, f0 e intensidade, e não em características espectrais de curto prazo. Essa complementaridade sugere que abordagens multiparamétricas, capazes de combinar pistas espectrais e prosódicas, tendem a fortalecer a robustez de sistemas de classificação de sotaque estrangeiro.

Se o estudo de Garg et al. (2025) evidencia o potencial das pistas espectrais em inglês-L1 e L2, um estudo recente conduzido no português brasileiro mostra que a mesma lógica de classificação - desta vez apoiada primordialmente em parâmetros prosódicos, como no presente trabalho - também se sustenta em uma tarefa distinta: a diferenciação entre dialetos regionais de uma mesma língua. Silva Jr. et al. (2026) trilharam um caminho metodológico semelhante ao adotado aqui: também combinaram Modelos Lineares de Efeitos Mistos e seis classificadores de Aprendizado de Máquina, mas aplicados à classificação automática de dois dialetos regionais do português brasileiro - variedades interioranas da Paraíba e de São Paulo. O sistema atingiu acurácias entre 94,6% e 97,8%, e a variabilidade de pausas despontou como o preditor mais robusto, seguida por parâmetros de intensidade (declive espectral e coeficiente de variação da intensidade). Esse resultado converge de modo notável com os achados do presente estudo, em que os parâmetros de duração (duração das pausas, taxas de elocução e articulação) e de intensidade e fonação (ELT, Jitter, Shimmer, HNR e CV de intensidade) também se destacaram como preditores robustos, enquanto os parâmetros melódicos de f0 tiveram desempenho discreto. Essa convergência sugere que a hierarquia predominantemente duracional e intensiva, em detrimento da melódica, pode não ser exclusiva da distinção entre sotaque nativo e estrangeiro, estendendo-se também à diferenciação entre dialetos de uma mesma língua. Trata-se, porém, de tarefas de classificação e amostras de fala distintas, de modo que essa generalização permanece uma questão empírica em aberto para pesquisas futuras. Ainda assim, o estudo de Silva Jr. et al. (2026) reforça, em outro domínio de aplicação, tanto a viabilidade do arranjo metodológico dual adotado neste trabalho - inferencial, via Modelos Lineares de Efeitos Mistos, e preditivo, via Aprendizado de Máquina - quanto a mesma cautela adotada aqui quanto à configuração da divisão treino/teste: naquele estudo, conduzida ao nível da amostra, e não do falante, o que converge com a discussão sobre protocolos speaker-independent apresentada na subseção “Limitações e trabalhos futuros”.

Ademais, este estudo‑piloto demonstra a viabilidade de integrar técnicas de Aprendizado de Máquina à tarefa de reconhecimento de sotaques, indicando um caminho promissor para investigações mais amplas e com maior diversidade de dados. Os resultados obtidos evidenciam que o sistema de classificação de sotaques aqui implementado se beneficiou da incorporação de múltiplos parâmetros prosódico‑acústicos, os quais ampliam o poder discriminativo entre produções nativas e não nativas. Os resultados desta pesquisa reforçam o potencial de aprimoramento desses sistemas em cenários multilíngues ou envolvendo falantes não nativos, especialmente quando modelos acústicos são treinados com conjuntos de características que capturam nuances temporais, espectrais e de qualidade vocal.

Implicações prospectivas para a fonética forense

Nesse horizonte prospectivo, a literatura em fonética forense oferece direcionamentos relevantes para o desenvolvimento futuro do sistema aqui proposto. Eriksson (2005) aponta que a definição do que realmente soa como sotaque estrangeiro se baseia mais na falta de familiaridade com o sotaque. O autor também afirma que amostras de fala de menor duração são mais difíceis de serem reconhecidas, tanto em sotaques nativos quanto estrangeiros, especialmente vozes com sotaque estrangeiro. Esses fatos também são reportados aos sistemas de reconhecimento automático de L2. Por sua vez, Procter (2019) aponta que falantes nativos de uma língua podem perceber uma voz como modal se seu sotaque for comumente encontrado dentro da comunidade e mantiver as variações esperadas das características prosódicas e de fluência.

No que tange ao uso de características acústicas aplicadas à fonética forense, Fernández-Trinidad (2022) sugere um estudo com múltiplos parâmetros prosódicos a fim de minimizar um número de problemas decorrentes da baixa qualidade das amostras para a fonética forense. A autora sugere a inclusão de parâmetros melódicos, duracionais e glóticos, que são menos sensíveis à qualidade não ideal de amostras de áudio coletado pelos especialistas nos cenários forenses. Ainda que esta pauta seja prospectiva, vale destacar que a presente pesquisa foi conduzida a partir de uma série de parâmetros acústicos e que, de modo preliminar, é possível pensar em um alinhamento dos apontamentos de Fernández-Trinidad (2022).

Loakes (2022, 2024) explora o uso do ASR na transcrição de gravações secretas indistintas para fins forenses, destacando os desafios (únicos) que o áudio forense apresenta devido à sua natureza frequentemente ruidosa e de baixa qualidade. A autora ressalta que as gravações secretas são tipicamente feitas em condições em que o dispositivo de gravação precisa estar escondido, resultando em áudio indistinto (com vozes sobrepostas, ruído de fundo e outras fontes de ruído). Essa baixa qualidade de áudio dificulta a transcrição precisa e confiável, levantando questões sobre a validade das transcrições produzidas, muitas vezes por policiais envolvidos no caso. O estudo avalia o desempenho de sistemas ASR em áudio forense, comparando transcrições e classificações automáticas com manuais. Os resultados demonstram que os sistemas ASR têm dificuldades em lidar com o ruído e a baixa qualidade das gravações forenses, gerando transcrições e classificações imprecisas e pouco confiáveis.

O estudo de Brouwer (2019) atesta que a comunicação da fala, em diferentes situações, raramente ocorre em condições de escuta silenciosas, e, geralmente, os interlocutores se encontram em ambientes ruidosos nos quais precisam segregar o sinal acústico alvo do ruído de fundo (que também pode ser fala). Seu estudo aponta que estar familiarizado e proficiente na língua-alvo - como ruído de fundo - ajuda a potencializar a eficiência de sistemas ASR.

As implicações dos resultados deste estudo para aplicações forenses são necessariamente prospectivas, dado o caráter piloto da investigação e a ausência de condições experimentais forenses (e.g., amostras de áudio degradado, canais ruidosos, contextos de disfarce vocal). No entanto, os achados oferecem direcionamentos preliminares relevantes. Tomando como base a literatura apontada ao longo desta seção, trabalhos futuros poderiam testar se os parâmetros prosódico-acústicos identificados como preditores neste estudo mantêm seu poder discriminativo em condições de áudio forense (e.g., gravações com ruído de fundo, compressão e sobreposição de vozes), conforme proposto por Fernández-Trinidad (2022) e Loakes (2022, 2024).

Limitações e trabalhos futuros

Uma limitação metodológica central do presente estudo diz respeito ao tamanho do corpus e, consequentemente, do conjunto de teste. Embora a divisão treino/teste tenha sido conduzida ao nível da falante (speaker-independent evaluation), de modo que nenhuma participante estivesse representada simultaneamente nos conjuntos de treino e teste, o corpus de pequeno porte (160 amostras de 40 falantes) resultou em apenas 32 amostras de teste, correspondentes a oito falantes. Essa configuração reduz o risco de vazamento da identidade acústica entre os subconjuntos, mas torna as estimativas de desempenho sensíveis à composição específica da única partição de teste. Assim, a acurácia de 100% obtida pela Floresta Aleatória deve ser interpretada como resultado preliminar, sujeito à replicação com maior número de falantes e partições repetidas.

Resultados perfeitos de classificação em amostras pequenas são esperados com maior frequência do que em amostras grandes, não necessariamente por robustez do modelo, mas pela maior variância das estimativas de desempenho em conjuntos de teste reduzidos (Lakens, 2022). Essa observação reforça a interpretação cautelosa dos resultados da Floresta Aleatória e a necessidade de replicação em corpus maior. A literatura em processamento de fala demonstra de modo consistente que avaliações speaker-dependent tendem a superar as speaker-independent, uma vez que as primeiras não controlam completamente a variabilidade entre falantes desconhecidos. O protocolo speaker-independent adotado reduz esse viés, mas não elimina a incerteza associada ao tamanho reduzido do conjunto de teste (Atmaja & Sasou, 2021; Jassim & Abdulmohsin, 2025; Rybka & Janicki, 2013).

Trabalhos já em progresso pelos autores têm como objetivo ampliar essa avaliação por meio de protocolos speaker-independent com maior número de falantes e partições repetidas, nos quais todas as amostras de um determinado falante são mantidas exclusivamente no conjunto de teste, enquanto o modelo é treinado apenas com falantes não incluídos no teste. Essa configuração, que exige um corpus maior e mais diversificado, permitirá estimar com maior rigor a capacidade de generalização do sistema aqui proposto para falantes desconhecidos, aproximando o sistema de um cenário de aplicação real. Para tanto, o planejamento amostral desses estudos será fundamentado em análise de poder estatístico (power analysis) com base nos tamanhos de efeito estimados no presente estudo piloto, conforme recomendado por Lakens (2022), a fim de determinar o número mínimo de falantes necessário para que os resultados preditivos sejam interpretados com confiança e generalizados além do corpus aqui utilizado. Pretende-se, ainda, expandir a tarefa de classificação para cenários multiclasse (inglês-L1 vs. inglês-L2 vs. PB-L1 vs. PB-L2) e para estilos de fala distintos da leitura (James et al., 2013; Shmueli, 2010; Silva Jr. et al., 2024).

Outra limitação desta pesquisa são as amostras de dados compostas exclusivamente por voluntárias do sexo feminino, uma vez que houve uma participação insuficiente de participantes do sexo masculino em que fossem obtidas amostras em um nível de proficiência satisfatório (B2-C1).

Sobre a qualidade das amostras, vale ressaltar que o presente estudo avaliou o desempenho de um sistema para classificar sotaque estrangeiro em amostras com qualidade satisfatória. Além disso, foi utilizado um conjunto (pequeno, mas apropriado a um estudo piloto) balanceado de amostras de fala. Sabe-se que no cenário forense real, os sistemas ASR têm dificuldades em classificar gravações de baixa qualidade, gerando ruído na classificação, além de problemas de segmentação e etiquetagem de dados.

6. Considerações Finais

Este artigo apresentou um estudo-piloto que comparou características prosódico-acústicas da fala no domínio prosódico do inglês-L1 (falantes dos EUA), L2 (falantes brasileiras) e do PB-L1, bem como realizou uma tarefa de classificação automática de sotaque estrangeiro do inglês com base nas línguas aqui mencionadas. Ao longo deste estudo, investigaram-se as influências prosódicas do PB durante a produção do inglês como L2, em que se constataram diferenças significativas de características acústicas baseadas nos correlatos de intensidade, fonação e duração conforme detalha a subseção “Resultados estatísticos” (cf. Figuras 1A a 1J) quando comparadas às produções de falantes de inglês-L1.

No que tange à tarefa de classificação automática de sotaque estrangeiro, o sistema classificou entre os sotaques ‘Nativo’ e ‘Estrangeiro’ de forma robusta com 100% de acerto para a técnica Floresta Aleatória, aproximadamente 94% para a técnica k-Vizinhos Mais Próximos e acima de 90% de acerto para as técnicas Máquina de Vetores de Suporte e Árvore de Decisão. Ademais, houve acurácia acima de 80% e 70% de acerto para as técnicas Análise Discriminante Linear e Naive Bayes Gaussiana, respectivamente. Estes resultados evidenciam que as técnicas de Aprendizado de Máquina selecionadas mostram-se adequadas para este estudo piloto.

Por fim, embora as implicações forenses constituam agenda prospectiva, os resultados deste estudo representam um primeiro passo para a construção de sistemas ASR de L2 que possam, futuramente, operar em cenários forenses sensíveis, como a análise de vozes com sotaque estrangeiro em gravações judiciais ou perícias de voz. Para isso, pesquisas futuras deverão testar a estabilidade dos parâmetros aqui identificados em amostras de áudio de baixa qualidade e em condições de disfarce vocal.

Agradecimentos

O presente trabalho foi realizado com o apoio da Fundação de Apoio à Pesquisa do Estado da Paraíba - Brasil (FAPESQ-PB), por meio do Edital 08/2023 - PRPGP/UEPB (Programa Institucional de Bolsas de Iniciação Científica - Ações Afirmativas), concedido à primeira autora. Contou também com o apoio da Universidade Estadual da Paraíba em parceria com o Conselho Nacional de Desenvolvimento Científico e Tecnológico - Brasil (UEPB/CNPq), por meio do Edital 03/2023 - PRPGP/UEPB, direcionado à segunda e à terceira autoras. Ademais, foi financiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico - Brasil (CNPq) por meio dos processos nº 135716/2024-1 (referente à quarta autora) e nº 302815/2026-0 (referente ao quinto autor e líder do grupo de pesquisa).

Dados disponíveis mediante solicitação

Os dados e materiais que dão suporte aos resultados deste estudo estão disponíveis mediante solicitação ao autor correspondente, Leônidas José da Silva Junior, pelo e-mail leonidas.silvajr@servidor.uepb.edu.br.

Referências

1

A definição de ritmo proposta por Jun (2012) estabelece uma distinção fundamental entre os componentes fonéticos e fonológicos da fala. Enquanto o Micro-ritmo diz respeito à variação intra-silábica e segmental — alinhando-se às métricas tradicionais de duração e à organização de pés métricos — o Macro-ritmo refere-se à organização temporal em unidades maiores, como frases e grupos acentuais, sendo percebido primordialmente através das variações de f0.

2

Entende-se por ASR-L2 o uso de sistemas de reconhecimento automático de fala (ASR) para identificar e classificar o sotaque de falantes não-nativos em uma língua-alvo (Behravan, 2016; Kashif et al., 2024). O termo classificação de sotaques (accent classification) é tratado aqui como uma tarefa distinta do reconhecimento lexical, centrada na identificação do grupo prosódico-fonético de pertencimento do falante.

Conflito de interesses

Os autores declaram não ter qualquer conflito de interesse, em potencial, neste estudo e assumem responsabilidade total pelo conteúdo do artigo.

EDITORA GERAL:

Datas de Publicação

  • Publicação nesta coleção
    09 Nov 2026
  • Data do Fascículo
    2026

Histórico

  • Recebido
    18 Jun 2025
  • Aceito
    11 Set 2026
Creative Common - by 4.0
Este é um artigo publicado em acesso aberto sob uma licença Creative Commons
location_on
Pontifícia Universidade Católica de São Paulo - PUC-SP PUC-SP - LAEL, Rua Monte Alegre 984, 4B-02, São Paulo, SP 05014-001, Brasil, Tel.: +55 11 3670-8374 - São Paulo - SP - Brazil
E-mail: delta@pucsp.br
rss_feed Acompanhe os números deste periódico no seu leitor de RSS