Um estudo recente publicado na Nature Human Behaviour (2025) por Ariel Goldstein e colaboradores apresenta uma estrutura computacional inovadora que conecta características acústicas, de fala e linguísticas para estudar a base neural das conversas cotidianas no cérebro humano. Utilizando eletrocorticografia (ECoG), os pesquisadores registraram sinais neurais durante 100 horas de produção e compreensão de fala em conversas reais. O estudo revelou como modelos de inteligência artificial (IA) podem prever com precisão a atividade cerebral em diferentes níveis hierárquicos de processamento da linguagem, oferecendo insights valiosos sobre como o cérebro humano processa a fala e a linguagem em contextos naturais.

A Estrutura do Estudo

Os pesquisadores utilizaram o modelo multimodal Whisper, desenvolvido para transcrever fala em texto, para extrair embeddings acústicos, de fala e linguísticos. Esses embeddings foram mapeados linearmente na atividade cerebral registrada durante a produção e compreensão de fala. O modelo demonstrou uma capacidade impressionante de prever a atividade neural em novas conversas, não utilizadas no treinamento, destacando a eficácia da abordagem.

A hierarquia de processamento identificada no estudo alinha-se com a organização cortical do cérebro humano: áreas sensoriais e motoras mostraram maior alinhamento com embeddings de fala, enquanto áreas de linguagem de nível superior, como o giro frontal inferior (área de Broca), alinharam-se melhor com embeddings linguísticos. Além disso, o modelo capturou a sequência temporal da codificação de linguagem para fala antes da articulação (produção) e da codificação de fala para linguagem após a articulação (compreensão).

Descobertas Principais

1. Hierarquia de Processamento: O estudo confirmou que o processamento da linguagem ocorre em uma hierarquia distribuída, com áreas sensoriais e motoras envolvidas na percepção e produção da fala, enquanto áreas de linguagem de nível superior processam informações semânticas e sintáticas.
2. Integração de Informações: O modelo Whisper mostrou que as informações acústicas e de fala são integradas de forma contínua durante o processamento da linguagem, com áreas corticais específicas responsáveis por diferentes aspectos da fala e da linguagem.
3. Superioridade dos Modelos Multimodais: Os embeddings aprendidos pelo Whisper superaram modelos simbólicos tradicionais na captura da atividade neural, sugerindo que abordagens baseadas em aprendizado profundo oferecem uma representação mais precisa do processamento da linguagem natural.
4. Dinâmica Temporal: O estudo revelou padrões temporais distintos durante a produção e compreensão da fala. Por exemplo, durante a produção, a atividade neural relacionada à linguagem atingiu o pico cerca de 500 ms antes da articulação da palavra, enquanto, na compreensão, o pico ocorreu aproximadamente 300 ms após o início da palavra.

Implicações e Futuro

Este estudo representa uma mudança de paradigma na neurociência da linguagem, sugerindo que modelos computacionais unificados, como o Whisper, podem capturar a complexidade do processamento da linguagem natural em contextos reais. A abordagem multimodal oferece uma estrutura poderosa para entender como o cérebro integra informações acústicas, de fala e linguísticas durante conversas cotidianas.

No futuro, modelos ainda mais avançados, como aqueles que incorporam modalidades visuais ou sistemas de articulação motora, podem fornecer insights adicionais sobre a interação entre percepção, produção e cognição durante a comunicação humana.

A pesquisa de Goldstein e colaboradores abre novas portas para a compreensão da base neural da linguagem, demonstrando como modelos de IA podem ser usados para estudar processos cognitivos complexos em contextos do mundo real. Essas descobertas não apenas avançam o campo da neurolinguística, mas também têm implicações para o desenvolvimento de tecnologias de reconhecimento de fala e linguagem natural mais eficientes e humanizadas.

Para mais detalhes, consulte o artigo completo na Nature Human Behaviour (2025).