Patricia Bestelmeyer explica como a voz influencia a confiança, os preconceitos e os desafios da inteligência artificial

Em entrevista exclusiva ao Auctoritas Notícias, pesquisadora da Universidade de Bangor aborda o reconhecimento de vozes, os julgamentos associados aos sotaques e os desafios da clonagem vocal por inteligência artificial.

Por Eric Rudhiery | Tradução e edição: Redação Auctoritas Notícias

A voz humana transmite muito mais do que palavras. Em segundos, o cérebro pode reconhecer quem está falando, identificar emoções e formar impressões sobre a origem e a personalidade de alguém. Mas a rapidez dessas avaliações não garante que estejam corretas. Para a pesquisadora Patricia Bestelmeyer, da Universidade de Bangor, no País de Gales, nossa maneira de ouvir é influenciada pela experiência, pelas expectativas e pelos preconceitos sociais.

Em entrevista ao Auctoritas Notícias, a especialista em psicologia e neurociência cognitiva explica como o cérebro identifica vozes, por que tendemos a confiar mais em sotaques familiares e quais desafios surgem com a clonagem de voz por inteligência artificial. A pesquisadora também aborda os usos positivos da tecnologia para pessoas com dificuldades de comunicação.

Bestelmeyer estudou na Universidade de Aberdeen, realizou pesquisas de pós-doutorado nas universidades de Edimburgo e Glasgow e integra a Universidade de Bangor desde 2012. Seus trabalhos combinam experimentos comportamentais, análise e transformação de vozes, eletroencefalografia e ressonância magnética funcional. Participa também da rede europeia HUM.AI.N-ACCENT, voltada à compreensão dos efeitos dos sotaques nas interações humanas e com sistemas de inteligência artificial.

A seguir, a entrevista concedida por escrito, traduzida do inglês para o português.

Patricia Bestelmeyer. Fotografia institucional: Universidade de Bangor.

O que a levou a estudar cientificamente a voz humana e quais perguntas sobre a percepção das pessoas mais despertaram seu interesse?

Patricia Bestelmeyer: “Isso aconteceu quase por acaso. Quando eu fazia doutorado na Universidade de Aberdeen, fui voluntária em um laboratório de percepção de rostos coordenado pelos professores Jones e DeBruine. Fiquei impressionada com o quanto conseguimos perceber em um rosto em uma fração de segundo: sexo, idade, estado emocional, atratividade e impressões de confiança ou competência."

"Depois percebi que extraímos muitas dessas informações da voz. Antes mesmo de processarmos uma única palavra dita por alguém ao telefone, já podemos obter muitas pistas sobre essa pessoa. Meu orientador de pós-doutorado, Pascal Belin, e seus colegas tinham uma expressão interessante para isso: a voz é um 'rosto auditivo'. Assim como o rosto, a voz nos informa quem alguém é, como se sente e algo sobre sua origem. Apesar disso, as vozes eram, e ainda são, muito menos estudadas do que os rostos. Achei isso fascinante e, em meu pós-doutorado, passei a integrar o laboratório de Belin na Universidade de Glasgow, um dos poucos dedicados, naquela época, à neurociência da percepção vocal.”

“Não me interessa propriamente o que as pessoas dizem, ou seja, o conteúdo semântico da mensagem. Interessa-me como elas dizem. Os linguistas chamam isso de 'paralinguagem': tudo o que a voz transmite além das palavras. Inclui o tom emocional, o sotaque que sugere onde alguém cresceu e as qualidades que nos levam a considerar uma voz atraente, confiante, competente ou digna de confiança. Esses sinais costumam ser mais difíceis de controlar conscientemente do que a escolha de palavras ou as expressões faciais, o que faz da paralinguagem um canal rico e revelador de comunicação.”

“As perguntas que orientam minha pesquisa são simples de formular. Como o cérebro extrai tão rapidamente todas essas informações sociais do som? Por que algumas pessoas são muito melhores do que outras para reconhecer vozes? E, talvez sobretudo, até que ponto aquilo que ouvimos pode ser modificado?”

“Costumamos presumir que a audição registra fielmente o som que chega aos ouvidos, mas não é assim. Contexto e experiência moldam constantemente essa percepção. Em um estudo recente com imagens cerebrais, fotografias emocionais alteraram a maneira como expressões vocais ambíguas eram processadas, inclusive no primeiro estágio cortical da audição. Os ouvintes também levam sua própria história para cada voz. Minha pesquisa sobre sotaques mostra que reagimos de maneiras diferentes a pessoas que soam como nós e àquelas que não soam, mesmo quando entendemos perfeitamente ambas. Aquilo que 'ouvimos' em uma voz é sempre, em parte, construído pelo ouvinte.”

Como o cérebro reconhece alguém apenas pela voz? Quais características permitem identificar uma pessoa?

“Toda voz é produzida a partir de alguns ingredientes básicos. Há a altura, que faz o som parecer mais grave ou agudo. Há o timbre, a 'cor' ou qualidade da voz, relacionada ao tamanho e ao formato da garganta, da boca e do nariz. E há a textura, que pode ser suave, soprosa ou rouca. A isso se somam hábitos aprendidos, como a velocidade da fala, o ritmo, a melodia e, naturalmente, o sotaque. Nenhum ingrediente isolado identifica alguém. É a combinação que torna uma voz inequivocamente daquela pessoa.”

“Parece que nosso cérebro guarda uma espécie de voz 'média', um protótipo formado pelas vozes que já ouvimos, e avalia cada voz nova pelo grau em que ela se afasta dessa média. Vozes incomuns se destacam e são mais fáceis de reconhecer. Áreas especializadas dos lobos temporais respondem mais intensamente a vozes do que a qualquer outro som, mesmo quando não há palavras.”

“As pessoas variam enormemente na capacidade de reconhecer alguém apenas pelo som da voz. Em um teste de comparação de vozes desenvolvido em meu laboratório, alguns adultos acertaram cerca de 61% das respostas, enquanto outros chegaram a quase 98%. Um pequeno grupo encontra grande dificuldade para reconhecer vozes, condição chamada fonagnosia, o equivalente vocal da dificuldade de reconhecer rostos. Essa capacidade começa muito cedo: antes mesmo de nascer, bebês já reagem de maneira diferente à voz da mãe e à de uma pessoa desconhecida.”

O que a pesquisa revela sobre sotaques, familiaridade e julgamentos sociais? Quais características não devemos deduzir pela maneira como alguém fala?

“Os sotaques estão entre os sinais sociais mais poderosos que temos. Em segundos, um sotaque sugere aproximadamente onde alguém cresceu e, às vezes, algo sobre seu ambiente social e educacional. Somos rápidos em transformar isso em julgamentos. Décadas de pesquisa mostram que sotaques considerados 'padrão' ou de prestígio, como o inglês da BBC, tendem a ser avaliados como mais instruídos e competentes. Sotaques estrangeiros, por outro lado, podem fazer declarações parecerem menos confiáveis, talvez em parte porque a fala com sotaque desconhecido exige maior esforço de processamento. Há ainda outro fator, menos discutido: o próprio sotaque de quem escuta. Tendemos a preferir pessoas que soam como nós.”

“Essa preferência aparece cedo. Crianças de cinco anos preferem fazer amizade com outras crianças que têm o mesmo sotaque, mesmo quando compreendem perfeitamente alguém com sotaque estrangeiro. Quando sotaque e etnia são colocados em contraste, as escolhas infantis acompanham o sotaque. Em outras palavras, ele pode se sobrepor à origem étnica nas preferências sociais.”

“Em meu trabalho, medi esse viés favorável ao próprio sotaque entre dois grupos bastante familiarizados com as variedades regionais um do outro. Em uma universidade galesa, testei jovens adultos criados no noroeste do País de Gales ou no sudeste da Inglaterra, usando um teste de associação implícita. Trata-se de uma tarefa rápida de classificação em que ninguém é perguntado diretamente sobre suas opiniões. Os participantes classificam palavras faladas por sotaque e palavras escritas, como 'amigável' ou 'desonesto', como boas ou ruins, usando as mesmas duas teclas. As pessoas respondem com mais rapidez e menos erros quando o próprio sotaque está associado às palavras positivas. Essa diferença é convertida em uma medida estatística de viés. Ambos os grupos mostraram clara preferência pelo próprio sotaque, com magnitude comparável à encontrada em testes semelhantes sobre raça. Quando perguntamos diretamente sobre as preferências, o viés declarado foi muito menor. Talvez as pessoas não percebam inteiramente seus preconceitos ou relutem em admiti-los. O efeito foi mais forte entre participantes cujos pais compartilhavam a mesma identidade nacional e entre galeses que cresceram falando galês. Mesmo morar por meses ou anos no País de Gales não reduziu esse viés entre os estudantes ingleses.”

“A familiaridade, portanto, não elimina o viés: os dois grupos escutam constantemente o sotaque um do outro, inclusive na mídia. Em estudo anterior de neuroimagem, ouvintes da Escócia e do sul da Inglaterra reagiram de maneira diferente ao próprio sotaque e ao do outro grupo. A diferença apareceu em regiões como a amígdala, envolvida na relevância emocional e social. Nosso cérebro parece considerar socialmente importante aquilo que 'soa como nós'.”

“A lição não é que os sotaques sejam irrelevantes, mas que eles nos dizem muito menos do que imaginamos. Um sotaque sugere algo sobre onde uma pessoa cresceu e com quem conviveu. Ele não revela nada sobre inteligência, honestidade, competência ou bondade. No entanto, são justamente essas as qualidades que nos sentimos tentados a atribuir às pessoas em entrevistas de emprego, salas de aula, tribunais e serviços de atendimento. Esse viés raramente é malicioso, mas não é algo bom: pode favorecer silenciosamente quem por acaso fala de maneira parecida com a pessoa que toma decisões. Não estudo o português brasileiro, mas o Brasil tem grande diversidade de sotaques regionais, e seus linguistas discutem há muito tempo o preconceito linguístico. Eu esperaria que mecanismos semelhantes atuassem ali.”

“O lado encorajador é que a consciência ajuda. A maioria de nós sabe que deve questionar primeiras impressões baseadas na aparência, mas poucos fazem a mesma reflexão sobre a voz. Saber que tendemos a simpatizar mais rapidamente com quem fala como nós e a desconfiar mais de quem não fala já permite examinar se estamos julgando a pessoa ou o sotaque. Estudos sobre contato entre grupos também sugerem que a qualidade das interações com pessoas que falam de modo diferente importa mais do que a mera exposição.”

Como os pesquisadores diferenciam percepções confiáveis sobre uma voz de interpretações influenciadas por expectativas ou preconceitos?

“Uma distinção fundamental é entre concordância e precisão. Os pesquisadores conseguem medir com facilidade se diferentes ouvintes concordam em suas avaliações, e essa concordância pode ser surpreendentemente alta. Em um estudo do laboratório de voz de Glasgow, centenas de pessoas avaliaram falantes que diziam apenas 'olá', em menos de meio segundo. Os julgamentos sobre confiabilidade, dominância e atratividade eram muito consistentes. Estatisticamente, a concordância entre avaliadores estava próxima do máximo. O mesmo aconteceu quando pedimos avaliações da atratividade de vozes pronunciando uma única sílaba sem significado.”

“Mas concordar não é o mesmo que acertar. Dez pessoas podem compartilhar a mesma impressão sobre uma voz e todas estarem erradas a respeito de quem fala. Para verificar a precisão, é preciso comparar essas impressões com uma referência independente, como questionários de personalidade respondidos pelo próprio falante ou avaliações feitas por pessoas que o conhecem bem. Quando isso é feito, a correspondência é, na melhor das hipóteses, modesta e limitada a poucos traços. Portanto, os ouvintes compartilham uma espécie de 'código' sobre como soa uma voz confiável ou dominante. Isso nos diz muito sobre a mente do ouvinte e bem menos sobre o caráter de quem fala. Algumas características, como sexo, idade aproximada, origem regional ou identidade, podem ser verificadas e muitas vezes são percebidas corretamente. Já confiabilidade e competência são muito mais impressões do que medidas.”

“Também diferenciamos resultados de grupos e de indivíduos. Em um estudo, usamos técnicas de transformação digital para combinar várias vozes. Em média, quanto mais vozes eram mescladas, mais atraente soava o resultado. É um efeito robusto no nível do grupo, semelhante ao observado com rostos. Ainda assim, algumas vozes individuais, sem mistura, foram consideradas mais atraentes que certas combinações. As pessoas também têm gostos próprios e habilidades perceptivas distintas. Um resultado válido 'em média' não nos diz como determinado indivíduo perceberá determinada voz.”

“É igualmente importante reconhecer os limites dos experimentos de laboratório. Boa parte dessa área de pesquisa é relativamente recente e usa principalmente vozes desconhecidas e trechos muito curtos, às vezes apenas sílabas, para permitir a manipulação precisa dos sons. Esse controle é uma vantagem, mas conversas reais duram mais, envolvem pessoas conhecidas e vêm acompanhadas de muito contexto.”

“O contexto importa muito. Em um estudo recente de neuroimagem, apresentamos fotografias com conteúdo emocional antes de reproduzir vozes ambíguas entre medo e prazer. As imagens mudaram o processamento dessas vozes, inclusive no córtex auditivo primário, o primeiro estágio cortical da audição. A voz é processada primeiro, mas as expectativas retornam e remodelam como ela é ouvida. Em outras palavras, parte daquilo que 'ouvimos' na voz é algo que nós mesmos levamos para a experiência.”

Com o avanço das vozes sintéticas e da inteligência artificial, o que a neurociência ensina sobre reconhecimento, confiança e riscos desse tipo de tecnologia?

“Essa não é minha principal área de especialização, mas várias descobertas da ciência da voz são relevantes para a questão.”

“Para começar, as vozes atuais de inteligência artificial são muito convincentes. Em um estudo de 2025 liderado por Nadine Lavan, em Londres, ouvintes não conseguiram distinguir de maneira confiável clones vocais produzidos com poucos minutos de gravação das pessoas reais que imitavam. Algumas vozes de IA foram avaliadas como mais dominantes, e algumas como mais confiáveis, que vozes humanas. Isso não é por acaso. Formamos impressões sobre alguém em frações de segundo a partir de propriedades acústicas simples, como altura e melodia, e computadores conseguem reproduzir e ajustar exatamente essas características.”

“O sotaque é uma dessas características, e é aí que meu trabalho se conecta ao tema. Como expliquei, tendemos a gostar e confiar mais em pessoas que soam como nós. Quem projeta um assistente virtual, um robô de atendimento ou uma voz de navegação também está escolhendo um sotaque e, com ele, quem considerará aquela voz simpática e confiável e quem talvez não considere. Compreender esses efeitos é o objetivo do HUM.AI.N-ACCENT, uma rede europeia de doutorado Marie Skłodowska-Curie da qual participo. Ela reúne pesquisadores de toda a Europa para formar uma nova geração de cientistas que investiguem como a fala com sotaque influencia a compreensão e os julgamentos sociais entre pessoas e também entre pessoas e IA.”

“Vozes convincentes também levantam a pergunta sobre nossa capacidade de detectar falsificações. Conscientemente, somos ruins nisso, mas o cérebro talvez perceba algo. O grupo de Sascha Frühholz, em Zurique, observou que as pessoas associavam vozes deepfake à identidade correta com precisão muito menor do que vozes reais: 69% contra 87%. Curiosamente, regiões cerebrais relacionadas à recompensa responderam mais fortemente a vozes reais do que a falsas, embora os participantes não soubessem explicar a diferença. Isso não constitui um detector confiável, mas sugere que 'soar humano' e 'ser processado como humano' não são exatamente a mesma coisa.”

“É essa distância entre aquilo que percebemos conscientemente e a realidade que os golpistas exploram. Vozes clonadas já são usadas em fraudes, como telefonemas de um suposto familiar em perigo pedindo dinheiro com urgência. Como confiamos quase automaticamente em vozes familiares, essas ligações podem ser muito convincentes. Meu conselho prático é que uma voz conhecida já não prova a identidade de alguém. Se você receber uma ligação desse tipo, desligue e retorne para a pessoa em um número que já conhece. Sei de uma família que combinou uma senha, uma palavra-código conhecida apenas por seus membros, exatamente para essa situação.”

“A mesma tecnologia tem também um lado muito positivo para pessoas que se comunicam por meio de uma voz gerada por computador. Os dispositivos de comunicação aumentativa e alternativa transformam palavras digitadas ou símbolos em fala. Para muitas crianças autistas e crianças com comprometimentos graves da fala, esses aparelhos lhes dão uma voz pela primeira vez. Até recentemente, ela costumava ser robótica e genérica e, muitas vezes, não combinava com a criança; uma menina podia falar com a voz de um homem adulto. O que sabemos sobre percepção vocal sugere que isso importa. Ouvintes formam impressões de acolhimento, personalidade e competência em frações de segundo, e uma voz robótica e monótona pode estimular percepções equivocadas. Hoje, vozes de IA podem soar naturais e individuais, ajustadas à idade, ao sexo, à personalidade e até ao sotaque regional de uma criança, para que essa voz soe como ela e como o lugar de onde vem. Pessoas que perdem a fala ao longo da vida, por exemplo em decorrência de esclerose lateral amiotrófica (ELA), também podem usar bancos e clonagem de voz para preservar uma versão da própria voz. Oferecer a alguém uma voz à qual os outros respondam como a de uma pessoa real e singular é, para mim, um dos usos mais promissores dessa tecnologia.”

As respostas de Patricia Bestelmeyer mostram que reconhecer características de uma voz e avaliar corretamente a pessoa por trás dela são processos diferentes. Embora os ouvintes percebam sinais acústicos de maneira rápida, familiaridade, contexto e experiências pessoais podem influenciar os julgamentos.

Na discussão sobre inteligência artificial, a pesquisadora chama atenção tanto para os riscos de golpes com vozes clonadas quanto para a possibilidade de ampliar a comunicação de pessoas que perderam a fala ou têm dificuldades para se expressar.

Sobre Patricia Bestelmeyer

Patricia Bestelmeyer é professora associada da Escola de Psicologia da Universidade de Bangor, no País de Gales, Reino Unido, e integrante da Bangor Imaging Unit. Investiga como as pessoas extraem informações de identidade, emoção e pertencimento social da voz humana, e como a experiência, o contexto e o sotaque influenciam a percepção auditiva.

Formada pela Universidade de Aberdeen, onde concluiu graduação e doutorado em Psicologia, realizou pesquisas de pós-doutorado nas universidades de Edimburgo e Glasgow e ingressou na Universidade de Bangor em 2012. Sua produção científica inclui estudos publicados em Current Biology, Cerebral Cortex, NeuroImage e Cognition. Integra a rede europeia de pesquisa HUM.AI.N-ACCENT, dedicada às interações entre sotaques, julgamentos sociais e inteligência artificial.

Notas da redação

Entrevistada: Patricia Bestelmeyer | Entrevista e texto: Eric Rudhiery | Tradução e edição: Redação Auctoritas Notícias | Veículo: Auctoritas Notícias | Material recebido: 19 de outubro de 2026.

Fonte: entrevista escrita enviada por Patricia Bestelmeyer ao Auctoritas Notícias em 19 de outubro de 2026. Respostas originalmente em inglês, traduzidas para o português com edição de linguagem e preservação do sentido.

Fotografia: imagem institucional da Universidade de Bangor, indicada e autorizada para reprodução pela entrevistada.

Perfil institucional da pesquisadora: https://www.bangor.ac.uk/staff/sp/patricia-bestelmeyer-082258/en

Responsável editorial: Eric Rudhiery Albuquerque, diretor de Marketing do Auctoritas Notícias.