Reconocimiento de la voz Grupo PAS Universidad de Deusto

1
Reconocimiento de la vozGrupo PAS Universidad
de Deusto
2
Índice

• Introducción
• Historia del reconocimiento de voz
• Tecnología del habla
• Funcionamiento de los sistemas reconocedores del
  habla con entrenamiento
• Estructura general de un sistema de
  reconocimiento automático del habla
• Reconocimiento del habla empleando técnicas de
  comparación de patrones
• Algunas herramientas estadísticas usadas en el
  desarrollo de los sistemas de reconocimiento
• Los Modelos Ocultos de Markov (MOM) (Hidden
  Markov Models)
• Las técnicas de grupo
• Redes neuronales artificiales
• Procesado de voz en los sistemas de
  reconocimiento del habla
• Productos de Reconocimiento de Voz
• Aplicaciones
• Datos de interés
• Bibliografía

3
Introducción

• Qué es reconocimiento de voz?
• Es la conversión de palabras habladas (sonido) a
  palabras escritas (texto).
• Sus campos de aplicación desde la
  domótica hasta la inteligencia artificial.
• Se podrá reconocer
• un número limitado de palabras grabando unos
  ejemplos como patrones a
• identificar con las entradas
• un vocabulario completo
  pudiendo hablar con naturalidad haciendo que el
  sistema
• identifique las palabras
  frases y el significado.
• Un sistema de reconocimiento de voz podrá operar
  identificando
• Palabras aisladas
• Fonemas (mayor complejidad) para
  reconocer palabras, frases, etc
• Los ingenieros que trabajan con el habla han
  tratado de construir máquinas que sean capaces de
  recibir órdenes y/o mensajes por medio del habla,
  interpretar esos mensajes, realizar las
  actividades solicitadas y eventualmente presentar
  resultados, también en forma hablada.

4
Introducción

• Debe cumplir 3 tareas
• Pre-Procesamiento Convierte la entrada de voz a
  una forma que el reconocedor pueda procesar.
• Reconocimiento Identifica lo que se dijo
  (traducción de señal a texto).
• Comunicación Envía lo reconocido al sistema
  (Software/Hardware)
• Estos tres procesos deberían ser invisibles al
  usuario de la interfaz.

5
2. Historia del reconocimiento de voz

• 1870 ? Alexander Graham Bell
• Quería construir un dispositivo que hiciera el
  habla visible a las personas con problemas
  auditivos.
• Resultado el teléfono.
• 1880 ? Tihamir Nemes
• Intenta desarrollar un sistema de transcripción
  automática que identifique secuencias de sonidos
  y los imprima (texto).
• El proceso es rechazado por no ser realista.
• 1910 ? ATT Bell Laboratories
• Construye la primera máquina, basada en
  plantillas, capaz de reconocer voz de los 10
  dígitos del Inglés.
• Requiere un extenso entrenamiento a la voz de una
  persona, pero una vez logrado tiene un 99 de
  certeza.
• Surge la esperanza de que el reconocimiento de
  voz sea simple y directo.

6
Historia del reconocimiento de voz

• A mediados de los 60
• El proceso es muy lento
• Empiezan a reducir los alcances y se centran en
  sistemas más específicos
• Dependientes del Locutor
• Flujo discreto de habla (con espacios / pausas
  entre palabras)
• Vocabulario pequeño (menor o igual a 50 palabras)
• Estos sistemas empiezan a incorporar técnicas de
  normalización del tiempo.
• Se minimiza la diferencia en la velocidad del
  habla.
• IBM y CMV trabajan en reconocimiento de voz
  continuo pero los resultados no llegan hasta
  1970.
• A principios de los 70
• Se produce el primer producto de reconocimiento
  de voz, el VIP100 de Threshold Technology Inc.
• Gracias al lanzamiento de grandes proyectos de
  investigación y financiamiento por parte del
  gobierno norteamericano, se precipita la época de
  la inteligencia artificial.
• Los sistemas empiezan a incorporar módulos de
• análisis léxico
• análisis sintáctico
• análisis semántico
• análisis pragmático

7
Historia del reconocimiento de voz

• Entre los 80 y los 90
• Surgen los sistemas de vocabulario amplio ? Más
  de 1000 palabras.
• Bajan los precios.
• Empresas importantes actualmente
• Philips
• Lernout Hauspie
• Sensory Circuits
• Dragon Systems
• Speechworks
• Vocalis
• Dialogic
• Novell
• Microsoft
• NEC
• Siemens
• Intel

8
3. Tecnología del habla

• Tratamiento de la palabra
• Está dividido en tres partes importantes
• Síntesis de la señal vocal Viene a ser la
  creación de señal vocal sintética.
• La máquina debe ser capaz de expresarse emitiendo
  sonidos que podamos entender como palabras o
  frases
• Codificación La computadora debe ser capaz de
  procesar la información para que la señal vocal
  sea almacenada de una forma eficiente.
• Compresión de la señal para transmitirla por un
  medio de B limitado.
• Reconocimiento La computadora debe ser capaz de
  escuchar y reconocer las palabras emitidas por
  una persona.
• Es la parte más complicada del tratamiento de la
  palabra.
• Involucra el desarrollo de algoritmos que sean
  capaces de realizar la comparación de patrones de
  voz entre palabras pronunciadas y las palabras de
  un diccionario predeterminado.

9
4.Funcionamiento de los sistemas reconocedores
del habla con entrenamiento

• Dos etapas
• Etapa de entrenamiento se le presentan al
  sistema una cantidad de pronunciaciones
  (elementos del habla unidades básicas de las
  palabras, palabras, frases, oraciones, etc.) que
  se desea que éste memorice
• Etapa de reconocimiento (superada la etapa de
  entrenamiento) se le pide que identifique una
  pronunciación particular dada, como alguna de las
  que ya conoce o parecida a las que conoce o
  simplemente como desconocida. Esto significa que
  la pronunciación a reconocer no tiene que ser,
  necesariamente, una de las que se usan en la
  etapa de entrenamiento.
• La información almacenada o retenida por el
  reconocedor está constituida por propiedades
  extraídas de todas las pronunciaciones de
  entrenamiento.
• No se almacenan las pronunciaciones, sino
  propiedades de ese conjunto.
• Así se evita almacenar datos redundantes y con
  ello darle al sistema la propiedad de responder
  en forma rápida, a cualquier solicitud de
  identificación de alguna señal de entrada.
• Lo ideal es que los sistemas respondan en tiempo
  real.

10
5. Estructura general de un sistema de
reconocimiento automático del habla

• 1. Módulo de adquisición de datos realiza la
  conversión analógica a digital
• 2. Módulo de extracción de propiedades de la
  señal de voz compresión de los datos para
  obtener un vector de propiedades (energía
  espectral, tono, formantes, donde empieza el
  sonido, donde termina el sonido, etc.) de cada
  segmento y de cada sonido de la pronunciación.
• Esto implica el uso de técnicas espectrales,
  FFT, modelos autoregresivos (ARMA) y
• regresivos (MA), Modelos de
  Predicción Lineal (LPC), Análisis Cepstral,
  filtrados, etc.
• 3. Módulo de cuantificación de los sonidos
  identificar los distintos sonidos utilizando la
  secuencia de vectores de propiedades obtenida en
  el módulo anterior. Cada vector está asociado a
  un sonido del habla, luego la salida de este
  módulo es una secuencia de valores, donde cada
  valor representa el sonido con el que está
  asociado un vector de propiedades.
• Un mismo valor y por lo tanto un mismo
  sonido, puede aparecer varias veces en esta
  secuencia de salida.
• 4. Módulo reconocedor propiamente dicho
  identifica una pronunciación dada, como conocida,
  parecida a una conocida o como desconocida. Para
  ello recibe desde el módulo de cuantificación la
  secuencia de valores que corresponde a una mezcla
  de los sonidos que puede tratar el sistema estos
  sonidos individualmente corresponden a un
  segmento de la señal de la voz pero en conjunto y
  en la secuencia constituyen la señal completa de
  la pronunciación que se desea reconocer o
  memorizar. La complejidad de este módulo depende
  del tipo de identificación que se requiera.

11
6. Reconocimiento del habla empleando técnicas de
comparación de patrones

• Su principal ventaja inmediata reside en que no
  es necesario descubrir todas las características
  espectrales de la voz a nivel fonético, lo que
  evita desarrollar etapas complejas de detección
  de formantes, de rasgos distintivos de los
  sonidos, tono de voz, etc.

12
Reconocimiento del habla empleando técnicas de
comparación de patrones

• Se aplica normalmente en casos donde el número de
  palabras necesarias sea pequeño.
• También se puede constituir los grupos de
  patrones por unidades tales como sonidos básicos
  (fonemas y demás clasificaciones de sonidos
  cortos).
• Al grabar estos sonidos en la base de datos, se
  obtendrán sus características espectrales (suele
  hacerse con los parámetros LPC)
• LPC-Estimación Espectral por Predicción Lineal
  esta técnica ha probado ser muy eficiente debido
  a la posibilidad de parametrizar la señal con un
  número pequeño de patrones con los cuales es
  posible reconstruirla adecuadamente.
• Por mucho que se mejore este sistema, siempre
  existirá el error al normalizar en tiempo y
  amplitud éstas señales de entrada para que
  coincidan con el patrón.
• En este punto es donde cabe mencionar los
  sistemas avanzados como son las cadenas ocultas
  de Markov (HMM) y las redes neuronales.

13
7. Algunas herramientas estadísticas usadas en
eldesarrollo de los sistemas de reconocimiento

• Los Modelos Ocultos de Markov (MOM) (Hidden
  Markov Models)
• Son autómatas de estados finitos estocásticos. Se
  usan para modelar las pronunciaciones dada la
  gran variabilidad de dichas señales.
• Origen ? década de los 50. La idea consistía en
  modelar un proceso estocástico doble, donde se
  asumía que los datos observados eran producto de
  hacer pasar el proceso real (oculto) a través de
  un medio cuyo resultado era el proceso observado
  (Deller y otros, 1993).
• Surge el algoritmo de identificación conocido
  como el algoritmo de Máxima Estimación (ME).
• Para la aplicación de esta teoría al
  procesamiento de la voz, Baum y Welch hicieron
  una modificación y lo llamaron Baum-Welch,
  posteriormente surgió el algoritmo Viterbi.
• Década actual ? aparecen los modelos de redes
  neurales artificiales para hacer ese tipo de
  entrenamiento e identificación.

14
7.1. Los Modelos Ocultos de Markov (MOM) (Hidden
Markov Models)

• HMMHiden Markov Models

15
Los Modelos Ocultos de Markov (MOM) (Hidden
Markov Models)

• Reconocimiento de Palabras Aisladas
• Nonspeech modelo acústico de duración de una
  trama que modela el ruido de fondo.
• Word cualquier palabra de todas las posibles
  del habla.
• El punto clave
• el reconocedor encuentra los tiempos óptimos de
  inicio/fin de la pronunciación respecto al
  invetario de modelo acústico (búsqueda
  direccionada de hipótesis).

16
Los Modelos Ocultos de Markov (MOM) (Hidden
Markov Models)

• Reconocimiento de voz simple/continuo (sin
  gramática)
• El sistema reconoce arbitrariamente secuencias
  largas de palabras o eventos que no pertenecen al
  habla.
• El gran debate
• Abajo arriba
• Arriba - abajo

17
(No Transcript)
18

• El parseo se refiere al problema de determinar si
  una secuencia dada podría haber sido generada a
  partir de una máquina de estado dada.
• Este cálculo, como podemos ver, requiere una
  búsqueda elaborada de todas las combinaciones
  posibles de salida de los símbolos de la máquina
  de estados.
• Este cálculo puede obtenerse eficientemente en un
  modo de abajo-arriba, si la probabilidad de los
  símbolos de entrada es extremadamente exacta, y
  sólo unos cuantos símbolos son posibles en cada
  punto de los niveles inferiores del árbol.
• Si los símbolos de entrada son ambiguos, se
  prefiere el parseo arriba-abajo.

19
Los Modelos Ocultos de Markov (MOM) (Hidden
Markov Models)

• Generalización del HMM
• Considera el siguiente diagrama de estado que
  representa un modelo de lenguaje simple que
  envuelve secuencias de dígitos encerradas

20

• En la terminología asociada con la teoría formaI
  del lenguaje, este HMM es conocido como un
  automaton de estado finito
• La palabra stochasticcan se aplica porque las
  transiciones y símbolos de salida están
  governadas por distribuciones de probabilidad.
• Como existen multiples transiciones y
  observaciones generadas en cualquier punto en el
  tiempo, este gráfico particular se clasifica como
  un automaton no determinista.
• En el futuro, nos referiremos a este sistema como
  un automaton de estado finito estocástico (FSA or
  SFSA) cuando se usa para información más
  lingüística.
• También podemos expresar este sistema como una
  gramática regular

21
(No Transcript)
22

• Las probabilidades de regla no son iguales a las
  probabilidades de transición ya que necesitan
  combinar probabilidades de transición y
  probabilidades de salida.
• Por ejemplo, considerar p7
• En general,
• Nota que debemos ajustar probabilidades en elos
  sistemas terminales cuando la gramática es no
  determinista
• para permitir generación de una terminal final.
• La transición de HMM a lenguages formales
  estocásticos ha finalizado.

23
7.2. Las técnicas de grupo

• Para la identificación de los todos los sonidos
  diferentes en el módulo de cuantificación también
  se hace un entrenamiento.
• Se tiene un espacio de vectores de observaciones,
  donde cada vector contiene propiedades extraídas
  de un segmento de la señal de una pronunciación y
  que desea construir un sistema que maneje un
  número K de sonidos diferentes capaz de reconocer
  pronunciaciones de distintas personas que hablen
  un mismo idioma.
• Las pronunciaciones varían de persona a persona
  (por influencia del ambiente, el ruido, estado de
  ánimo, estructura física del aparato fonador
  humano, etc.), es de esperar que los sonidos
  individuales no sean iguales, pero sí
  parecidos.
• Por ello, el espacio vectorial de observaciones
  se divide en K grupos, donde cada grupo contiene
  aquellos vectores que corresponden a un sonido
  distinto.
• Esta transformación del espacio vectorial de
  observaciones original a K grupos, se realiza
  usando la teoría de clustering y específicamente
  a través de una de sus herramientas, la conocida
  como cuantificación vectorial.

24
Las técnicas de grupo

• La cuantificación vectorial trabaja sobre la base
  del siguiente algoritmo, el algoritmo LBG en
  honor a sus creadores LLoyd, Buzo y Gray y es una
  extensión del algoritmo de las K-Medias. En la
  actualidad, también se hace cuantificación
  vectorial en el contexto de las Redes Neurales
  Artificiales a través del algoritmo Learning
  Vector Quantizer, LVQ

25
Las técnicas de grupo

• 1. Se seleccionan arbitrariamente K vectores del
  espacio vectorial de observaciones, esos vectores
  constituyen el llamado Código.
• 2. A cada vector del espacio de observaciones, lo
  asociamos con aquel vector de los K del Código,
  con el que más se identifique en el sentido de
  una medida de distorsión (con aquel cuya
  distorsión resulte más pequeña).
• 3. Calculamos la distorsión total producto de la
  asociación hecha en el paso 2. Si esa distorsión
  es suficientemente pequeña, paramos el proceso.
• 4. Por cada grupo que se forma, se calcula su
  vector promedio. Los nuevos vectores promedios de
  los grupos constituyen el nuevo código.
• 5. Se vuelve al paso 2.
• Como resultado de esta cuantificación, el espacio
  de observaciones original fue transformado a un
  espacio de grupo de vectores parecidos y luego
  a un espacio constituido sólo por los vectores
  centroides (los promedios) de los grupos. Además,
  como podemos apreciar en la figura anterior, cada
  centroide se puede representar por un valor o
  índice.

26
Las técnicas de grupo

• El proceso de cuantificación descrito constituye
  la etapa de entrenamiento del llamado módulo de
  cuantificación, mientras que en el proceso de
  identificación de ese módulo, lo que hace es una
  comparación (en el sentido de una medida de
  distorsión) entre cada vector que le entra y los
  respectivos centroides que tiene almacenados, se
  asocia ese vector con aquel centroide con el cual
  la distorsión es más pequeña y se marca o
  identifica a través del índice del grupo.
• Es claro que el proceso de cuantificación
  comprende una compresión de datos, lo que reduce
  la carga computacional de los sistemas y, por lo
  tanto, el tiempo de respuesta es
  considerablemente más rápido al empleado si no se
  hiciera este tipo de manejo de propiedades.

27
8. Redes neuronales artificiales

• Una nueva forma de computación inspirada en
  modelos biológicos.
• Una neurona se compone de dendritas (entradas),
  cuerpo (decisión) y axón (salida).
• En nuestro cerebro tenemos miles de neuronas
  interconectadas entre sí, lo que equivale a unas
  10E15 conexiones (aproximadamente). La
  información en sí, es el potencial eléctrico.
• El modelo que vamos a tomar de ella es el
  siguiente

28
Redes neuronales artificiales

• Los sistemas neuronales biológicos presentan un
  mecanismo muy importante llamado neurotransmisor
  para controlar el flujo de la información que
  transita a través de las neuronas. En las redes
  neuronales artificiales se modela un
  neurotransmisor como una multiplicación de la
  salida por un peso (número).
•  En la siguiente figura podremos ver más
  detalladamente las entradas (u), que son
  parámetros de una TF, la salida (y) y los pesos
  (w).
• Si Wgt0 ? sinapsis excitadora
• Si W0 ? no existe conexión
• Si Wlt0 ? sinapsis inhibidora
• Cuando multiplicamos la entrada por el peso (uw)
  tendremos un valor con el cual decidiremos si a
  la salida daremos un 1 o un 0.
• Existe un umbral ? tal que si (uw-?) es mayor
  que cero, la salida vale y 1.
• La salida no es un impulso tipo escalón ya que
  necesitamos una función derivable (por motivos de
  programación) así que aproxima esa señal a una de
  tipo sigmoidea (continua y derivable).

29
Redes neuronales artificiales

• Una vez establecido el comportamiento de una
  neurona artificial, vamos a conectar neuronas
  entre sí con el fin de formar una red de
  computación.
• Las neuronas biológicas están continuamente
  creando y destruyendo conexiones, lo que se hace
  es regular esta función mediante la variación del
  valor de los pesos estableciendo unos valores de
  manera aleatoria.
• Hay muchos tipos de aprendizaje entre ellos
• Década de los 70? sistema de retropropagación
  (Algoritmo Back Propagation), en el que cuando la
  última capa de salida suelta un valor, comienza
  el proceso contrario (propagación hacia atrás)
  analizando qué es lo que ha pasado en cada
  neurona de cada capa y dando órdenes a cada una
  de ellas para ver cómo puede mejorar.

30
Redes neuronales artificiales

• Definición de un tipo de red neuronal el
  perceptrón.
• El método de aprendizaje que utiliza es el
  supervisado por corrección de error (Hebbiano).
• Presenta una sola neurona
• de cómputo, de ahí su sencillez
• Las neuronas de menor tamaño pertenecen a la capa
  de entrada y son parte del formalismo de la red.
  Se encargan de recibir y distribuirlos datos del
  exterior, sin realizar cómputos sobre los mismos.
• Esto significa que el resultado de la neurona va
  a tomar uno de los dos valores previstos en la
  función escalón (-1 y 1). El valor de la salida
  dependerá de si X1W1X2W2 es mayor o menor que
  el umbral ?.
• Por tanto se establece la
• siguiente ecuación

31
Redes neuronales artificiales

• Existen otros casos mucho más complejos, los
  cuales, parten de la idea básica de éste
• Perceptrón multicapa
• Consiste en poner varias capas elementales
  interconectadas sucesivamente con el objeto de
  dotar a la red de la complejidad suficiente para
  realizar la tarea requerida.
• Perceptrón multicapa con capas de retardo
• Es el modelo más complejo. Consiste en la
  inclusión de bloques (o capas) de neuronas que
  toman como entradas las salidas de otro/s
  bloque/s en el instante anterior.
• Esto permite que la red sea un sistema con
  memoria a corto plazo (o en fase operativa).
  Esta memoria es muy diferente a la memoria debida
  al entrenamiento que presenta el sistema global
  (que podría llamarse memoria a largo plazo o
  memoria en fase de entrenamiento).

32
Redes neuronales artificiales

• Entrenamiento de varias capas
• Con varias capas ya no tenemos un sistema de
  ecuaciones lineales porque no hemos aplicado sólo
  una no linealidad sino que hemos aplicado una no
  linealidad a una aplicación lineal de varias no
  linealidades y esto ya no se puede resolver como
  un sistema de ecuaciones lineales. Al no tener
  una solución directa podemos pensar en buscar
  llegar a la solución siguiendo varios pasos a
  partir de un punto. El método de entrenamiento
  será por tanto iterativo. Ahora se puede hablar
  más propiamente de entrenamiento (mejora por
  fases).
• Ahora lo que buscamos son dos cosas
• Un punto de comienzo (pesos iniciales). Se suelen
  escoger unos números aleatorios pero pequeños.
• Un camino (o una dirección a seguir en cada
  paso). Lo que nos interesa ahora es buscar en
  cada paso (cada iteración) una dirección de
  nuestro espacio de pesos que nos conduzca por un
  camino que lleve al objetivo la minimización del
  error. Wn1 Wn ?Wn
• Se deben usar las Redes neuronales artificiales
  (RNA) de manera eficiente para el reconocimiento
  de voz. Para ello se deben elegir las entradas de
  la red, las salidas y la estructura necesaria
  para que produzca las salidas deseadas (dadas
  unas entradas). Después habrá que elegir un
  algoritmo de entrenamiento y unos parámetros para
  después realizarlo.

33
9. Procesado de voz en los sistemas de
reconocimiento del habla

• Objetivo Incorporar la información relevante en
  el sistema que facilite la tarea del
  reconocimiento.
• Características relevantes de la Voz
• - La información espectral.
• - El tipo de excitación.
• - La energía.
• Análisis espectral de tiempo corto
• -Pre-énfasis.
• -La señal es segmentada en tramas.
• -Cada trama queda representada por un vector de
  características.
• -Transformación al dominio cepstral.

34
Procesado de voz en los sistemas de
reconocimiento del habla

• Reprensentación de las características
  espectrales
• CEPSTRUM transformada inversa de Fourier del
  logaritmo del espectro.
• COEFICIENTES CEPSTRALES muestras del cepstrum.
• REPRESENTACIÓN BASADA EN EL MODELO LPC

35
Procesado de voz en los sistemas de
reconocimiento del habla

• Reprensentación basada en el Modelo LPC
• Señal predicha
• Error de predicción
• Los coeficientes LPC son aquellos que minimizan
  la energía del error (energía residual)
• Se plantea el siguiente sistema de p ecuaciones
  con p incógnitas.

36
(No Transcript)
37
Procesado de voz en los sistemas de
reconocimiento del habla

• Compensación del Efecto del Ruido
• Señal de entrada al sistema de reconocimiento ?
  voz ruidosa
• Soluciones
• -Intentar mejorar la señal de voz
• -Parametrizar directamente la señal ruidosa.
• -Hacer uso de modelos auditivos
• Voz limpia a partir de voz ruidosa
• -Durante los tramos de silencio, estimar el
  espectro de ruido contaminante.
• -Sustraérselo al espectro instantáneo de la
  señal de entrada.
• -La señal temporal es la

38
10. PRODUCTOS DE RECONOCIMIENTO DE VOZ

• FreeSpeech 2000
• Requiere Pentium/MMX 166 o equivalente 48 MB en
  RAM 100MB de espacio en disco  duro tarjeta de
  sonido compatible con Sound Blaster Microsoft
  Windows 95,98 o NT con SP3.
• Soporte para dictado en seis idiomas.
• Baja precisión?reduce la facilidad de uso.
• 93 en exactitud y 91 en precisión
• Carece de una tarjeta de consulta rápida e
  incluye poca información de los comandos.  
• Los usuarios encontrarán mayor precisión y
  facilidad de uso en otros programas que
  participan en esta competencia.

39
PRODUCTOS DE RECONOCIMIENTO DE VOZ

• L H Voice Xpress Professional, Versión 4
• Requiere Pentium II 48 MB en RAM con Microsoft
  Windows 95 o 98, o 64 MB con Windows NT 200 MB
  de espacio en disco  duro tarjeta de sonido de
  16 bits compatible con Sound Blaster o micrófono
  USB.  
• Punto fuerte del programa ? comandos intuitivos
  con lenguaje natural para Microsoft Word, Excel y
  el sencillo procesador de palabras Voice Xpress.

40
PRODUCTOS DE RECONOCIMIENTO DE VOZ

• Características de corrección limitadas carecen
  de reproducción de audio
• 94 en precisión
• Voice Xpress permite respaldar sus archivos de
  voz con facilidad en Iomega Zip Drive.
• Los usuarios que desean controlar Excel y Word
  por medio de la voz ? Voice Xpress opción
  adecuada.  

41
PRODUCTOS DE RECONOCIMIENTO DE VOZ

• Dragon Naturally Speaking Preferred 4.0
• Requiere Pentium MMX/200 o equivalente 48 MB en
  RAM 200MB de espacio en disco duro tarjeta de
  sonido de 16 bits compatible con Creative Labs
  Sound Blaster Microsoft Windows 95 , 98 o NT
• Marca el estándar para la facilidad de uso
• Navegación Web activada por la voz.

42
PRODUCTOS DE RECONOCIMIENTO DE VOZ

• Tiene atajos intuitivos para el dictado y el
  formato.
• Ej. cap para escribir todo en mayúsculas
• Único  producto  en esta competencia  que permite
  dictar, corregir y practicar sin utilizar las
  manos.  
• 96 de precisión.
• Soporte limitado para el lenguaje natural en
  aplicaciones distintas de Microsoft Word

43
PRODUCTOS DE RECONOCIMIENTO DE VOZ

• Via Voice Pro Millennium Edition
• Requiere Pentium/233 o equivalente 48 MB en RAM
  con Microsoft Windows 95 o 98, o 64 MB con
  Windows NT 100 MB de espacio en disco duro
  tarjeta de sonido de 16 bits.
• variedad de funcionalidad tanto para aplicaciones
  de dictado como de control
• Precisión entre 95 y 98
• Permite controlar los menús y cuadros de diálogo
  en la mayor parte de los programas de Windows,
  con comandos en lenguaje natural disponibles para
  Microsoft Word y Excel, entre otros.

44
PRODUCTOS DE RECONOCIMIENTO DE VOZ

• Permite activar Internet Explorer con la voz.
• Naturally Speaking también lo permite, pero sólo
  Via Voice  numera los elementos de la página, de
  modo que puede decir el nombre del elemento
  requerido.
• Complicado corregir los errores en Via Voice.
• El manual del programa sugiere emplear una
  combinación de ratón, teclado y voz para editar.
• Comandos de formato común como convertir en
  negritas las tres últimas palabras únicamente
  funcionaron en Microsoft Word.

45
11. APLICACIONES

• Medicina
• APLICACIÓN EN LA HISTORIA CLÍNICA incluye
  descripciones habladas de los hallazgos del
  examen físico u otras observaciones
• LABORATORIO entrada "on-line" de datos de
  laboratorio
• APLICACIONES DIAGNÓSTICAS Y TERAPÉUTICAS
  desarrollado de redes neuronales multicapa,
  entrenadas y probadas utilizando palabras
  aisladas pronunciadas por pacientes con
  disartria.

46
APLICACIONES

• Operadores automáticos
• SERVICIO AUTOMATIZADO DE ASISTENCIA DE
  DIRECTORIO Proveedores de servicios ofrecen a
  sus clientes la posibilidad de obtener un nº de
  teléfono manteniendo un diálogo completo con un
  sistema activado por la voz.
• SPEECHATTENDANT Es una solución de contestación
  automática para empresas medianas y grandes que
  habilita el enrutamiento de llamadas mediante la
  voz.
• Capacidad de entender el habla de quienes
  realizan las llamadas, incluso de aquéllos que
  hablan con acentos extranjeros, y responder a
  consultas comunes durante las 24 horas del día,
  los 7 días de la semana.

47
APLICACIONES

• Móviles
• XMODE MULTIMODAL SYSTEM Interacciones para
  usuarios de dispositivos personales inalámbricos
  mediante combinación de reconocimiento automático
  de voz (ASR) y texto a voz (TTS) con multimedia e
  Internet móvil.
• Integración de interfaces de audio, voz y vídeo
  en un único dispositivo móvil y en una sola
  sesión.
• Discapacitados
• Grandes dificultades en el uso del teclado y el
  ratón estándar.

48
12. Datos de interés

• Algunas aplicaciones que se han conseguido
• Command control usar la voz para controlar una
  máquina
• Form-filling llenar una forma con datos
• Automatic dictation hablar en vez de usar el
  teclado para escribir
• Information retrieval sacar información de un
  base de datos
• Cooperative task completion usar un diálogo para
  lograr una meta
• Nivel actual
• Los dígitos por teléfono 1 error
• Preguntas naturales dentro de un vocabulario
  mediano 4 error
• Dictado automático de vocabulario grande (pero
  dependiente del locutor) 5 error
• La transcripción de las noticias 17 error
• Entre las opciones de software hablado se
  destacan
• Dragon Naturally Speaking (www.scansoft.com),
  de ScanSoft
• ViaVoice (www.ibm.com/software/voice/viavoice),
  de IBM.

49
13. Bibliografía

• http//www.psicologia-online.com/colaboradores/dpu
  chol/modelado.shtml
• http//www.jegsworks.com/Lessons-sp/lesson3/lesson
  3-5.htm
• http//mailweb.udlap.mx/sistemas/tlatoa/courses/s
  yllabus.html
• http//www.nodo50.org/utlai/num22/221006.htm
• http//www.scielo.org.ve/scielo.php?pidS0254-0770
  2002000300008scriptsci_arttexttlnges
• http//www.imim.es/quark/21/021063.htm
• http//www.psicocentro.com/cgi-bin/articulo_s.asp?
  textoart49001
• http//www.mor.itesm.mx/omayora/TallerHCI-04/Came
  raReady/CMiranda.pdf
• http//webdiis.unizar.es/jminguez/Silla20de20Ru
  edas20Inteligente Controlada por Voz.pdf
• http//mailweb.udlap.mx/ingrid/ingrid/articulo_16
  6.pdf
• http//gps-tsc.upc.es/veu/personal/canton/HablaFlu
  ida1.pdf
• http//tamarisco.datsi.fi.upm.es/ASIGNATURAS/FRAV/
  apuntes/clasifica.pdf
• http//www.ejournal.unam.mx/compuysistemas/vol03-0
  2/CYS03203.pdf
• Nuestro agradecimiento a los alumnos de Ing. de
  Telecomunicación en la recopilación de
  información