Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Tecnologias de fala e voz

Criado 2026-09-16 · Atualizado 2026-09-28

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Tecnologias de fala e voz tecnologias — a família de sistemas de IA em que o canal falado carrega a interação: reconhecimento automático de fala (ASR) que transcreve, analisa e corrige o que quem aprende diz; texto-para-fala (TTS) que gera instrução narrada ou em forma de diálogo; agentes de voz em primeiro lugar que mantêm conversa falada em tempo real com quem aprende; e captura e correção automatizadas de desempenho oral. Onde a pesquisa sobre IA conversacional é sobretudo sobre chatbots de texto e a aprendizagem de línguas cobre amplamente a pedagogia de segunda língua, esta página segue o próprio áudio — o que uma interface de fala muda sobre a aprendizagem, o que ela custa, e a quem ela inclui ou exclui quando a interface é uma voz, e não uma tela.

Questões para considerar

  • O feedback de ASR ajuda quem aprende mais forte mais que quem é mais fraco: em um levantamento com 325 graduandos chineses, o retorno do comportamento reflexivo e da motivação foi fraco e não significativo em proficiência baixa, e cresceu acentuadamente em níveis médio e alto. Se uma ferramenta eleva a média ao mesmo tempo em que amplia a lacuna, isso é sucesso?
  • A narração por TTS igualou a voz do próprio instrutor em compreensão, concentração e avaliação geral — mas o TTS em formato de diálogo superou o TTS de falante único em compreensão e engajamento cognitivo, ao mesmo tempo em que soava menos natural. Qual você escolheria para uma primeira apresentação de um conceito, e qual para uma explicação densa de procedimento?
  • Dois achados contrariam a intuição: estudantes que liam mais intensamente a saída da IA durante tarefas de interpretação tinham a fluência de entrega mais fraca, e quem aprende que respondeu em duas palavras foi marcado como correto, enquanto uma resposta falada mais completa foi sinalizada. Quanto uma interface de voz mede fluência verbal em vez de compreensão?
  • Um agente de voz com sotaque britânico foi tratado como ferramenta, enquanto agentes com sotaques indiano e afro-americano foram antropomorfizados e tratados como pares em trabalho de grupo no K-12. Se o sotaque muda a forma como quem aprende se relaciona com um agente, quem deveria decidir com qual voz um produto educacional chega ao mercado?
  • Sistemas de voz-em-primeiro-lugar e offline existem principalmente para alcançar quem os edtech baseados em tela excluíram — crianças cegas, pessoas surdas e com deficiência auditiva, quem aprende em oficinas sem conectividade. O que seria necessário para que a acessibilidade fosse o pressuposto inicial de um produto de fala, em vez de uma correção posterior?
  • Quase toda afirmação desta página vem de um estudo curto, de site único e autorrelatado, com ordem de apresentação fixa. Quais desses achados você confiaria o bastante para mudar sua avaliação ou desenho de aula antes que exista uma replicação?

Introdução

A fala é a interface educacional mais antiga e a mais nova para a IA. Sistemas que ouvem e falam já estão em salas de línguas, oficinas vocacionais e aulas de investigação do ensino médio. Eles são atraentes pelo motivo de sempre — a fala é rápida, funciona sem mãos e sem olhos, e é o meio em que vivem a pronúncia, a fluência e o raciocínio oral — e por um motivo mais novo: uma resposta falada com tempo limitado é difícil de terceirizar para um gerador de texto, o que torna o canal falado um candidato a resposta à pressão de integridade acadêmica sobre a avaliação escrita.

A pesquisa aqui se divide em quatro clusters: feedback de pronúncia por ASR, instrução gerada por TTS, parceiros de voz-em-primeiro-lugar e de diálogo falado, e avaliação oral apoiada por IA. Corre por todos os quatro uma questão de equidade — interfaces de fala removem uma barreira (visão, velocidade de leitura, letramento digitado) ao mesmo tempo em que introduzem outras (sotaque, precisão de reconhecimento, hardware, conectividade).

ASR e feedback de pronúncia

A mensagem mais consistente do trabalho em ASR é que a ferramenta não é o tratamento — o desenho do feedback é. Chen et al. (2026) levantaram 325 graduandos de uma universidade chinesa de formação de professores e modelaram precisão, frequência de uso, qualidade do feedback e desenho de tarefas de reflexão contra comportamento reflexivo e motivação intrínseca, e depois contra melhora na fala. A correção precisa de erros e as tarefas estruturadas de reflexão impulsionaram tanto a internalização do feedback quanto a reflexão. O uso mais frequente aumentou a reflexão, mas não teve efeito independente sobre a motivação. A precisão de reconhecimento elevou a motivação, plausivelmente ao construir confiança na ferramenta, mas por si só não disparou processamento mais profundo — quem aprende pode registrar um erro sinalizado sem analisar sua causa. A reflexão foi a preditora mais forte dos ganhos na fala, e a proficiência moderou ambas as vias: fraca e não significativa em proficiência baixa, acentuadamente mais forte em níveis médio e alto. O conselho que se segue é explicar os erros articulatoriamente, em vez de apenas sinalizá-los, aumentar a complexidade com a prontidão e enquadrar a correção de forma apoiadora.

Uma segunda vertente pergunta se o feedback de pronúncia por IA muda a disposição de quem aprende de falar. Lu et al. (2026) levantaram 1.701 aprendizes de EFL de universidades chinesas e usaram modelagem de equações estruturais baseada em covariância com bootstrap corrigido por viés para testar se as percepções do feedback de pronúncia de IA generativa se relacionavam à vontade de se comunicar, com a autoeficácia de pronúncia como mediadora. A associação foi positiva, e a autoeficácia a mediou parcialmente: a via indireta respondeu por 69,9% do efeito total, enquanto um efeito direto permaneceu. Todos os constructos foram autorrelatados em um único ponto no tempo, portanto o estudo descreve um mecanismo que quem aprende percebe, e não um que foi manipulado.

O feedback automatizado de pronúncia também pode ser construído sem rótulos de erro. Kawamura (2026) descreve o Profy, que aprende como são a pronúncia boa e a ruim a partir de fala em grande parte não anotada via aprendizado autossupervisionado, e então mostra a quem aprende quais regiões da forma de onda impulsionaram o julgamento e quão longe sua acústica está das distribuições de falantes nativos. Com 10 japoneses aprendendo inglês avaliados por cinco ouvintes norte-americanos, a inteligibilidade melhorou e, diferentemente de uma baseline de imitação elicitada, os intervalos de confiança pré e pós-prática não se sobrepuseram — uma amostra pequena, mas que dá onde e quanto, em vez de um veredicto binário.

O ASR também serve à sala de aula em um segundo papel — converter entrada falada em texto que quem aprende lê. Stanchev (2026) renderizou uma passagem de 2.692 tokens de um livro de Inglês Médico sobre proteínas com uma voz de texto-para-fala (15:27, feminina canadense) e submeteu o áudio idêntico a quatro serviços online de ASR, medindo tanto a taxa de erro por palavra (WER) quanto a cobertura (palavras devolvidas como fração da referência). Os dois serviços gratuitos devolveram transcrições quase completas (87,96% e 88,34% de cobertura, WER 15,23% e 15,00%), enquanto os dois serviços pagos exportaram apenas prévias (32,76% e 55,35% de cobertura, WER 73,21% e 48,77%). O ponto da medição é que a WER isolada confunde texto indisponível com texto impreciso e classificaria uma restrição de exportação como falha de transcrição, portanto a cobertura pertence ao lado da taxa de erro. As deleções dominaram todo serviço e se agruparam em marcadores estruturais como referências de figuras e números de página, mas um punhado de substituições que alteram o sentido — imino → amino, cystine → cysteine, protonated → protonatid, pH → phase — inverteu cada uma um fato bioquímico, e é por isso que os autores propõem um fluxo de trabalho de três estágios (gerar a entrada, exportar a transcrição completa, verificar a terminologia de domínio) antes que uma transcrição chegue a quem aprende, e por que uma passada de terminologia é a salvaguarda mais barata para o inglês médico.

TTS e instrução gerada por voz

A narração gerada mostra ser uma substituta viável de um professor gravado, e a variação interessante reside dentro do formato, e não entre humano e máquina. Kumoi et al. (2026) construíram um pipeline de três estágios com humano na alça em que um LLM redige slides e narração otimizada para TTS, enquanto o educador verifica os fatos em cada estágio, e então conduziram um estudo intra-sujeito com 245 estudantes do primeiro ano de uma escola de ensino médio prefectural japonesa ao longo de vídeo com voz do instrutor, TTS de falante único e TTS de diálogo Especialista×Novato. Compreensão, concentração e avaliação geral não diferiram significativamente entre os três (p > ,14, r < 0,11), e o teste de equivalência manteve os três dentro de uma margem de ±0,5: a narração sintética não degradou a experiência. A narração em diálogo foi melhor em compreensão (p = ,006, r = ,130), em pensamento aprofundado relatado (p = ,019, r = ,121) e em ser capaz de explicar o conteúdo a um amigo (p = ,004, r = ,152), e 66,9% a preferiram como a mais prazerosa. Duas ressalvas: o áudio de diálogo foi avaliado significativamente menos natural (r = −,238), consistente com carga extra de múltiplos falantes, e o grupo de diálogo chegou com menos conhecimento prévio (66,0% relatando não saber "absolutamente nada", contra 34,1%), o que torna sua vantagem uma estimativa conservadora.

O estudo de acompanhamento argumenta que o formato deve ser adequado a quem aprende, e não ao conteúdo. Watanabe et al. (2026) deram a 222 estudantes do primeiro ano do ensino médio aulas de diálogo professor–estudante (TS), estudante–estudante (SS) e professor–professor (TT) geradas por um LLM e vocalizadas por uma API de TTS, ajustando modelos lineares de efeitos mistos por uma lente de interação aptidão-tratamento. O TT elevou mais a motivação que o TS, mas o efeito dependeu do estilo de aprendizagem: a interação com o fator Experiência Concreta foi positiva (b = 0,162, p < ,001), enquanto a interação com o fator de reflexão-e-conceitualização foi negativa (b = −0,238, p = ,002). O TT também obteve uma avaliação geral significativamente menor que o TS (b = −0,126, p = ,005), o que os autores atribuem à carga cognitiva intrínseca da troca densa entre especialistas; respostas livres nomeiam a "rigidez da fala" no TT e o "modo não natural de falar" no SS. Ambos os estudos de TTS confundem formato com conteúdo e ordem de visualização fixa, portanto seus tamanhos de efeito são preliminares.

Companheiros de voz-em-primeiro-lugar e parceiros de diálogo falado

O que muda quando o interlocutor é uma máquina? Scheinberg et al. (2026) fizeram 78 universitários aprendendo alemão em quatro sites completarem uma tarefa contrabalanceada de achar-as-diferenças tanto com um par humano quanto com um parceiro de IA em tempo real, e então analisaram transcrições ASR diarizadas. O diálogo humano foi mais rápido e melhor equilibrado, com muitos turnos curtos, enquanto a condição de IA pareceu monólogo apoiado — turnos menos numerosos e mais longos, parcela menor de quem aprende no chão da conversa, e fluência mais alta dentro do turno. A entrada verbosa e sintaticamente regular da IA foi associada a maior apropriação de curto prazo e a priming sintático mais forte após controlar pelo volume de entrada, e a satisfação acompanhou a fluência de produção de quem aprende, e não quanto ele absorveu.

O desenho de voz-em-primeiro-lugar torna-se uma necessidade, e não uma conveniência, quando quem aprende não consegue usar uma tela. O Kutti AI (Fadurudeen 2026) inverte a presunção visual do edtech para alcançar uma estimativa de 1,4 milhão de crianças cegas no mundo: as crianças ouvem conteúdo de currículo, respondem em voz alta e recebem feedback falado, sem nenhuma dependência visual. Três escolhas carregam o desenho — um motor leve de detecção de dificuldade que funde latência de resposta, contagens de tentativas erradas e pistas de hesitação por palavra-chave para decidir quando dar dica ou simplificar; um pipeline de correspondência de respostas entre línguas para que troca de código e variação de pronúncia não sejam penalizadas; e um caminho de ASR offline no dispositivo que remove a exigência de conectividade. É uma contribuição de sistemas sem avaliação de resultados de aprendizagem, portanto suas afirmações pedagógicas permanecem hipóteses.

O sotaque, enquanto isso, é uma variável de desenho com consequências sociais. Ravi et al. (2026) fizeram 33 professores interagirem com um agente de voz de IA generativa em condições de sotaque britânico, indiano e afro-americano na aprendizagem em grupo do K-12. O agente com sotaque britânico foi tratado em grande parte como ferramenta e abordado de formas distanciadas e baseadas em utilidade, enquanto os agentes com sotaques indiano e afro-americano foram mais prontamente antropomorfizados e integrados como pares, com confiança e dependência mais fortes ao longo do tempo. A vez de falar, os padrões de questionamento e a presença social percebida deslocaram-se todos com o sotaque — a voz que torna um agente fácil de tratar como recurso neutro pode torná-lo mais fácil de ignorar como colaborador.

O uso mais pesado de uma ferramenta de apoio falado não é automaticamente melhor. Kuang, Li e Weng (2026) fizeram 22 estagiários de interpretação completarem tarefas bidirecionais de interpretação consecutiva assistida por computador em sistemas construídos sobre ASR e tradução automática, capturando movimentos oculares, anotações com caneta e saída de voz. Quatro perfis de interação emergiram — Engajados Intensivos, Leitores Rápidos, Tradicionalistas e Trocadores Frequentes — e 58,3% das observações no nível do estágio mudaram de perfil entre compreender a fonte e produzir o alvo. Apenas os padrões do estágio de compreensão previram a qualidade do produto, e o cluster mais pesado em IA teve a menor nota em fluência de entrega (5,46 contra 6,17–6,46) e em qualidade da língua-alvo (5,70 contra 6,35–6,67). A atenção gasta lendo uma transcrição de IA é atenção não gasta construindo a própria representação; os autores recomendam ensinar quem aprende a refletir sobre a própria estratégia, em vez de prescrever uma, já que o padrão é invisível a menos que trazido à tona.

Um experimento de campo randomizado pré-registrado testa o canal falado contra o texto digitado dentro do mesmo tutor, e conclui que a aprendizagem está na tutoria, e não na voz. Yang, Van Alstyne e Dellarocas (2026) randomizaram 86 estudantes de um módulo de finanças corporativas de um MBA online entre um tutor estruturado ancorado nos materiais da disciplina e um grupo de retenção, e então alternaram semanalmente o canal de cada estudante tutorado entre voz e texto, de modo que a comparação é identificada dentro de cada estudante: o domínio semanal diferiu em −0,01 pontos de 11 (p = ,98), e dois testes unilaterais rejeitaram qualquer diferença real maior que ±0,3 DP. A voz transformou o processo em vez disso — 1,34 turnos de diálogo por minuto contra 0,75 nas semanas de texto, e 11,3 questões contra 4,6 — enquanto a pausa de pensamento colapsou (intervalo mediano de resposta do tutor para o estudante de 27 segundos em voz contra 54 em texto, em que turnos digitados gastavam 25,9 segundos antes da primeira tecla mais 13,9 segundos compondo) e o canal de fala custou 2,8× mais para entregar, a \0,22porminutodevozcontra0,22 por minuto de voz contra \\0,0165 por mensagem de texto (\413,46emvoze413,46 em voz e \\149,13 em texto ao longo de cinco semanas para 52 lugares). Nessa evidência, a voz é uma alavanca de adoção e engajamento, não de codificação — o que é exatamente a troca que toda instituição que acrescenta um canal falado precisa colocar preço.

IA na avaliação oral e falada

A avaliação oral sempre foi pedagogicamente forte e logisticamente cara, e a tecnologia de fala agora ataca o lado do custo. Pentland, Lowenthal e Krier (2026) descrevem avaliações orais assíncronas (AOAs): prompts entregados no momento certo, respostas breves de webcam com tempo limitado que não podem ser revisitadas, e correção contra rubricas embutidas com transcrições autogeradas. Ao longo de duas disciplinas ministradas por um único instrutor sem restrições de agendamento, os estudantes pontuaram mais em AOAs que em provas de múltipla escolha presenciais — significativamente no Estudo 2 (mediana do parcial 92,5 contra 70, p < ,001; final 94,2 contra 86,4, p = ,002) e direcionalmente no Estudo 1, com correlações entre formatos moderadas (τ = ,44; τ = ,25, não significativa). Os estudantes passaram a uma preparação mais ativa, 90,91% viram o formato como mais próximo da comunicação no local de trabalho que as provas escritas, e 81,82% relataram engajamento mais ativo com o conteúdo. Os autores são cuidadosos em dizer que essas são diferenças de nota entre formatos, e não evidência de ganhos de aprendizagem, e que a vantagem de integridade é inferida, e não medida; uma verificação de repontuação com um LLM concluiu que as notas do instrutor eram sistematicamente mais altas, com concordância de moderada a boa (ICC 0,73 e 0,60), oferecida como verificação de confiabilidade, e não como endosso da correção automatizada.

Fenton (2025) fornece a justificativa em forma de revisão: como as provas orais são em tempo real e interativas, os estudantes não conseguem gerar respostas com antecedência e memorizá-las, e o formato sonda o raciocínio em níveis mais altos da taxonomia de Bloom, em vez da recordação. Seus benefícios — personalização, autenticidade, prontidão para o trabalho, conhecimento mais profundo — vêm com custos nomeados: agendamento e logística, ansiedade de quem aprende e risco de viés em torno de gênero, etnia, língua, velocidade de resposta e correção não anônima, embora a evidência sugira que provas orais possam ser tão inclusivas quanto as provas escritas para algumas pessoas, incluindo quem tem dislexia.

Duas implantações mostram o que a tecnologia acrescenta. O AkoVoice (Adams 2026) avaliou 33 aprendizes ao longo de quatro turmas de Nível 3 de Automotiva e uma turma de Nível 3 de Engenharia na Nova Zelândia, em telefones de propriedade dos aprendizes contra um laptop de faixa média rodando modelos de pesos abertos — Mistral 7B via Ollama, faster-whisper para fala-para-texto, Chatterbox para TTS —, com até 12 aprendizes avaliados simultaneamente e nenhuma conexão de internet em momento algum. A IA foi encenada como reveladora de evidência, e não como juíza, deixando o julgamento do avaliador intacto. A reação de quem aprende foi positiva: 21 de 33 (64%) chamaram a tarefa de realista, e nenhum dos 33 discordou que falar em tempo real pareceu certo, comparado a um portfólio escrito. Os dados de desempenho são mais interessantes. As contagens de palavras para questões idênticas variaram de cinco a oito vezes entre aprendizes em toda coorte (93–523, 92–796, 309–811), mas a verbosidade não previu a precisão em questões fechadas; nove aprendizes responderam em 2 a 13 palavras e todos foram marcados como corretos, o mais curto sendo "3500 kgs", enquanto a mais completa "the safe working load is three tons" foi sinalizada contra um guia de correção de 3,5 toneladas. Testes adjacentes em Horticultura (14 aprendizes) e Laticínios (11 aprendizes) encontraram uma correspondência de 95% entre a nota preliminar do agente e a nota do tutor humano. Do lado do item, Aryadoust e Wong (2026) compararam o prompt engineering iterativo contra o ajuste fino para itens de compreensão oral em L2, produzindo 40 testes e 240 itens de múltipla escolha: o refinamento de prompt melhorou a qualidade, mas estagnou, enquanto o ajuste fino do GPT-4.1 sobre o prompt otimizado com o desenho de prompt mantido constante melhorou ainda mais a geração. A avaliação falada também arrisca medir a coisa errada — Morphew et al. (2026) rastreiam gesto junto com a fala transcrita e argumentam que avaliar apenas a fala perde evidência incorporada de como quem aprende constrói sentido.

Acessibilidade e equidade no canal falado

O histórico de acessibilidade da tecnologia de fala é misto: o mesmo canal que remove uma barreira pode instalar outra. Pessoas surdas e com deficiência auditiva são o descompasso mais claro. Chen et al. (2026) desenharam um sistema de geração de questões por LLM para aprendizes surdos e com deficiência auditiva que assistiam a vídeo, recorrendo à Teoria da Privação de Linguagem para explicar por que o prompting baseado em texto se encaixa mal com primeiras línguas baseadas em sinais. Ele acrescentou Questões Visuais (marcas de tempo em que a informação visual provavelmente é mal lida — movimento rápido, legendas desalinhadas, texto denso na tela) e Questões de Emoção (marcas de tempo em que aprendizes surdos ou com deficiência auditiva relataram frustração ou confusão), refinando um banco final de 30 questões com aprendizes e instrutores. Com 16 usuários, o protótipo melhorou a autoeficácia (M = 5,70, DP = 1,12 em uma escala de 7 pontos), e participantes surdos selecionaram questões visuais com mais frequência que participantes com deficiência auditiva, que relataram ler legendas rápido o bastante para não precisar delas. A acessibilidade aqui teve de ser construída na geração, e não aparafusada a ela.

O AkoVoice acrescenta duas considerações de equidade que raramente surgem juntas. Primeiro, dados: as gravações eram criptografadas em repouso, hospedadas localmente e excluídas após 90 dias, e os autores tratam a voz de um participante como expressão pessoal e cultural, e não como recurso para treinar modelos ou construir perfis biométricos — uma postura que importa porque o AI Act da UE classifica a IA usada para avaliar resultados de aprendizagem na formação profissional como de alto risco. Segundo, sotaque e registro: a precisão de fala-para-texto não foi totalmente testada entre os sotaques dos aprendizes, e critérios de rubrica como "envolvente" foram sinalizados como culturalmente específicos e potencialmente penalizantes para falantes de segunda língua, o que levou a um campo de notas de revisão. Postas ao lado dos achados de sotaque no trabalho em grupo do K-12 e da presunção quase total de visualidade do edtech dominante, o padrão é que a interface de voz remove barreiras de visão, velocidade de leitura e conectividade, ao mesmo tempo em que deixa abertas as de sotaque, precisão de reconhecimento, custo de hardware e registro cultural.

Verificação de escopo. Esta página trata do canal falado e da tecnologia que o carrega. Para a pedagogia de segunda língua em geral — desenvolvimento da escrita, precisão gramatical, motivação, prática docente —, vá a aprendizagem de línguas, que abrange a instrução em L2 com IA e trata a fala como uma vertente entre várias. Para chatbots baseados em texto e desenho de diálogo independente de modalidade, vá a IA conversacional; vários artigos aqui envolvem diálogo, mas sua pergunta é sobre fala, não sobre instruir um modelo de chat. Para leitores de tela, legendagem, gráficos táteis e ferramentas assistivas que não são primordialmente baseadas em fala, vá a tecnologia assistiva, que se situa sob as vertentes mais amplas de acessibilidade e aprendizagem inclusiva deste wiki.

O que permanece incerto

Quase toda afirmação forte aqui repousa sobre um único estudo curto. Os dois estudos de aula por TTS rodaram em escolas de ensino médio japonesas únicas, com ordem de apresentação fixa que confundia formato com conteúdo, e suas medidas de resultado de aprendizagem eram autorrelatadas em escalas próprias. O modelo de feedback de ASR veio de uma única universidade chinesa e era transversal, portanto seu achado de moderação por proficiência descreve covariância, e não causalidade. O estudo de vontade de se comunicar mediu percepções do feedback, não a qualidade do feedback. O estudo de perfis de interpretação é uma análise exploratória de 22 participantes em que os efeitos no estágio de saída não alcançaram significância. As implantações de AOA e AkoVoice são de instituição única, e o AkoVoice não relata evidência somativa de aprendizagem porque suas avaliações por voz rodaram em paralelo às avaliações reais. O Kutti AI é uma contribuição de sistemas sem avaliação de desfecho alguma. O que a coleção apoia é um conjunto de afirmações de desenho: a qualidade do feedback supera o volume de prática no uso de ASR, a narração em diálogo pode ajudar a compreensão ao custo da naturalidade, o formato deve ser adequado às características de quem aprende, e não fixo, a IA deve trazer à tona evidência, e não substituir o avaliador humano, e falar em tempo real mede algo que a escrita não mede — incluindo uma precisão surpreendentemente indiferente a quantas palavras quem aprende usa. Se algo disso se sustenta em outro site, outra língua ou outro ano é não testado.

Conceitos conectados

Artigos conectados

Metadados

DisciplinaLanguage Learning
NívelK 12, Higher Ed, Adult Learning
Público-alvoInstructors, Learners, Researchers, Instructional Designers
Tecnologias e técnicasIA generativa, IA Multimodal
Avaliação e mediçãoAvaliação
Equidade, ética e uso responsávelAcessibilidade, Aprendizagem inclusiva
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.