# IaraTTS Phase 0 — Baseline Report

> 50 pt-BR prompts × 3 voices on MOSS-TTS-Nano-100M-ONNX (no fine-tuning).
> Whisper round-trip WER + GPU-side RTF measurement.

## Aggregate

| Voice | Lang | WER | RTF | quality | speed | SCORE |
|-------|------|----:|----:|--------:|------:|------:|
| Bella | EN/F | 0.338 | 0.430 | 0.662 | 2.000 | 1.262 |
| Adam | EN/M | 0.411 | 0.433 | 0.589 | 2.000 | 1.189 |
| Junhao | CN/M | 0.470 | 0.441 | 0.530 | 2.000 | 1.130 |

**Best baseline voice for pt-BR**: Bella (EN/F) with WER 0.3376

## Notes
- WER >0.3 is consistent with Whisper struggling to align — pt-BR words coming out anglicized.
- Junhao (Chinese voice) reads pt-BR with mandarin phonotactics → highest WER.
- RTF ~0.43 = 2.3× faster than realtime on RTX 4090, ONNX runtime CPU.
- WeTextProcessing handled text as `en` (only zh/en supported) — pt-specific normalization not happening.

## Bella — best 10 prompts

| ID | WER | Spoken | Heard |
|----|----:|--------|-------|
| `basic_03` | 0.00 | O Brasil é um país de muitas culturas. | o brasil é um país de muitas culturas. |
| `r_strong_03` | 0.00 | O Rio de Janeiro tem praias maravilhosas. | o rio de janeiro tem praias maravilhosas. |
| `emotion_01` | 0.00 | Que ótima notícia! Estou tão feliz por você! | que ótima notícia! estou tão feliz por você! |
| `emotion_03` | 0.10 | Por favor, me ajude, eu não sei o que fazer. | por favor, me ajude. eu não sei o que fazer. |
| `long_02` | 0.10 | Quando finalmente chegou a sua vez de falar diante do públic | quando finalmente chegou à sua vez de falar em frente do púb |
| `lh_nh_05` | 0.11 | Ele tem um sonho de viajar para o Chile. | ela tem um sonho de viajar para o chile. |
| `long_01` | 0.12 | Embora muitos pensem o contrário, a maior parte do territóri | embormente pensem o contário. a maior parte do território br |
| `basic_04` | 0.14 | Por favor, fale um pouco mais devagar. | por favor, saliu um pouco mais devagar. |
| `nasal_03` | 0.14 | Pão, manteiga e café da manhã completo. | bom, manteiga e café da manhã completo. |
| `lh_nh_04` | 0.14 | Senhora, posso ajudá-la a achar o caminho? | senhora, posso ajudar-la a achar o caminho? |

## Bella — worst 10 prompts

| ID | WER | Spoken | Heard |
|----|----:|--------|-------|
| `r_strong_02` | 1.00 | Rato roeu a roupa do rei de Roma. | se inclusive você tiver, tudo pode ser visto. é que sauvi vo |
| `nasal_05` | 0.71 | Antes de sair, lembre-se de fechar a janela. | antisessé, l'embeçée de fechar à chanel. |
| `hard_consonants` | 0.67 | Texto difícil: extraordinário, espectroscopia, perspicácia,  | exo difícil, extraordinário, espectoscopia, perspicacia, qui |
| `basic_02` | 0.60 | Eu adoro caminhar no parque pela manhã. | e o doro caminhar no parte pelo manhã. |
| `r_strong_04` | 0.60 | Forte, marrom, terra e barro têm erres diferentes. | forte, maro, terá e bargotem erros diferentes. |
| `open_close_01` | 0.57 | Avó é diferente de avô na pronúncia. | eu vou a diferente de abona pronúncia. |
| `complex_04` | 0.56 | A síntese de fala em tempo real exige otimizações cuidadosas | assim que a seda fala, em tempo real é que siga otimizações  |
| `numbers_01` | 0.56 | Eu tenho dois mil e vinte e seis livros em casa. | e tenho hoje 1026 livros em casa. |
| `numbers_05` | 0.54 | Quinhentos quilômetros separam as duas cidades. | quinintos, quilômetros separados, as duas se datam. |
| `dates_01` | 0.52 | Hoje é vinte e seis de abril de dois mil e vinte e seis. | hoje é 26 de abril de 2026. |

## Insights for Phase 1

Categories with highest baseline WER (Bella):

| Category | mean WER | n |
|----------|---------:|--:|
| hard | 0.667 | 1 |
| erinome_match | 0.465 | 2 |
| numbers | 0.462 | 5 |
| r_strong | 0.442 | 4 |
| nasal | 0.391 | 5 |
| open_close | 0.382 | 5 |
| complex | 0.354 | 5 |
| lh_nh | 0.321 | 5 |
| dates | 0.318 | 3 |
| abbrev | 0.235 | 2 |
| basic | 0.217 | 5 |
| emotion | 0.213 | 5 |
| foreign | 0.167 | 1 |
| long | 0.112 | 2 |

**Phase 1 priorities** (by category WER, highest impact):
1. Numbers/dates → num2words pt-BR
2. Abbreviations → expansion table
3. Hard consonants / nasals → may need phonemizer (gruut[pt])

## Phase 0 — DONE ✓
- [x] Baseline measured: best=Bella WER=0.338
- [x] 3 voices × 50 prompts evaluated
- [x] Per-category breakdown identifies priorities for Phase 1