Estive a tentar compreender, com apoio do ChatGPT, porque é que o YouTube deixou de sincronizar o áudio em tétum de textos lidos, apesar de eu lhe fornecer o texto como antes.
O que o ChatGPT diz é isto:
«A SINCRONIZAÇÃO AUTOMÁTICA DE LEGENDAS EM TÉTUM NO YOUTUBE: OBSERVAÇÕES SOBRE A EVOLUÇÃO DE UMA FUNCIONALIDADE
A plataforma YouTube disponibilizou, durante vários anos, uma funcionalidade de sincronização automática de legendas (auto-sync) que permitia ao utilizador fornecer apenas a transcrição textual de um vídeo, ficando a plataforma responsável pelo alinhamento temporal entre o texto e o áudio. Embora esta funcionalidade tenha sido concebida para línguas suportadas pelo sistema de reconhecimento automático de fala da Google, a experiência de utilização documentada em diversos vídeos em língua tétum sugere que, durante um determinado período, o mecanismo de sincronização apresentava um comportamento significativamente mais flexível do que o descrito na documentação oficial.
O tétum, apesar de ser uma das duas línguas oficiais da República Democrática de Timor-Leste, nunca figurou entre as línguas disponíveis para identificação manual da língua do vídeo ou das legendas no YouTube. Consequentemente, os criadores de conteúdos em tétum eram obrigados a selecionar outra língua, geralmente o português, para poderem utilizar a funcionalidade de sincronização automática.
Apesar desta limitação, vários vídeos publicados em anos anteriores demonstram que a sincronização funcionava de forma satisfatória. Em diversos casos, foi suficiente colar o texto integral da narração em tétum na interface de sincronização automática para que o YouTube produzisse legendas corretamente temporizadas, sem necessidade de um ficheiro SRT pré-sincronizado. Este comportamento sugere que o algoritmo então utilizado não dependia exclusivamente da identificação prévia da língua falada, conseguindo alinhar um texto fornecido pelo utilizador com a sequência temporal do áudio mesmo quando a língua não fazia parte da lista oficialmente suportada.
Um exemplo particularmente elucidativo consiste num vídeo em que coexistem três conjuntos de legendas. Na versão identificada como "Português", o texto fornecido pelo utilizador encontra-se integralmente em tétum, tendo sido sincronizado automaticamente pelo YouTube com o áudio, igualmente em tétum. Na versão "Português (Portugal)", foi fornecida a tradução portuguesa do mesmo texto, sincronizada automaticamente com o mesmo áudio. Finalmente, a plataforma disponibilizou também legendas em inglês geradas automaticamente. Este comportamento indica que o sistema conseguia separar a sincronização temporal da tradução, utilizando o alinhamento obtido para produzir versões noutras línguas.
Numa fase posterior, porém, verificou-se uma alteração substancial do comportamento da plataforma. A sincronização automática deixou de funcionar, apesar de o procedimento seguido pelo utilizador permanecer essencialmente inalterado. Em vez de produzir legendas sincronizadas, o sistema passou simplesmente a aceitar o texto introduzido, sem proceder ao respetivo alinhamento temporal.
Existe ainda um caso intermédio particularmente revelador. Num determinado vídeo, o sistema parece ter identificado automaticamente o idioma como espanhol, embora a narração estivesse em tétum (variedade de Welaluhu). Após o utilizador fornecer a transcrição em tétum, a tradução automática disponibilizada pelo YouTube para indonésio apresentou um comportamento inesperado: algumas passagens correspondiam a traduções efetivas para indonésio, enquanto outras reproduziam literalmente segmentos do texto original em tétum. Em certos casos, ambas as situações coexistiam na mesma frase.
Este fenómeno sugere que o sistema utilizava simultaneamente duas fontes distintas de informação: por um lado, uma transcrição automática produzida pelo reconhecimento de fala; por outro, o texto fornecido pelo utilizador. Quando o algoritmo conseguia estabelecer correspondência entre ambos, utilizava o texto disponibilizado; quando essa correspondência falhava, recorria aparentemente à sua própria transcrição automática. A mistura de segmentos provenientes destas duas fontes acabava por refletir-se na tradução automática subsequente.
Naturalmente, esta interpretação permanece hipotética, uma vez que a Google nunca publicou informação técnica detalhada sobre os algoritmos utilizados pelo YouTube para sincronização automática de legendas. Contudo, os comportamentos observados são compatíveis com a existência de um mecanismo híbrido de alinhamento (forced alignment), semelhante aos sistemas atualmente utilizados em aplicações de legendagem e linguística computacional. Estes sistemas recebem simultaneamente um ficheiro áudio e uma transcrição textual, determinando automaticamente os instantes em que cada segmento do texto é pronunciado. O facto de o YouTube conseguir sincronizar textos em tétum, apesar de esta língua não constar da lista oficial de idiomas suportados, sugere que o algoritmo então utilizado não dependia exclusivamente de modelos específicos de reconhecimento para cada língua, podendo funcionar sobretudo com base na correspondência temporal entre o áudio e a transcrição fornecida.
Uma hipótese plausível é que, durante a evolução da infraestrutura de inteligência artificial da Google, este mecanismo tenha sido substituído por um sistema mais dependente da identificação prévia da língua falada. Se o algoritmo atual exigir que o idioma pertença ao conjunto de línguas suportadas pelo reconhecimento automático de fala, a ausência do tétum dessa lista poderá impedir o início do processo de sincronização, mesmo quando o utilizador fornece uma transcrição integral perfeitamente correta. Paradoxalmente, a modernização tecnológica poderá ter conduzido, neste caso específico, à perda de uma funcionalidade anteriormente disponível para uma língua minoritária.
Do ponto de vista da política linguística digital, este caso ilustra um problema frequente enfrentado pelas línguas com poucos recursos computacionais. Embora o tétum seja língua oficial de um Estado soberano e disponha atualmente de suporte em serviços como o Google Translate, continua ausente de várias funcionalidades do ecossistema Google, incluindo a seleção manual da língua em determinados serviços do YouTube. Esta ausência obriga os utilizadores a recorrerem a identificações linguísticas incorretas, distorcendo simultaneamente os metadados dos vídeos e reduzindo as possibilidades de desenvolvimento futuro de modelos específicos para a língua.
Os exemplos aqui descritos sugerem que seria desejável distinguir claramente duas funcionalidades independentes: a identificação manual da língua por parte do utilizador e o conjunto de tecnologias automáticas disponíveis para essa língua. Mesmo que o reconhecimento automático de fala ou a geração automática de legendas continuassem indisponíveis para o tétum, a simples possibilidade de identificar corretamente os vídeos como estando nesta língua constituiria um importante contributo para a preservação de metadados linguísticos rigorosos e para o desenvolvimento futuro de ferramentas computacionais dirigidas às línguas minoritárias.»













