Cómo evoluciona el reconocimiento de voz

Cómo evoluciona el reconocimiento de voz
Este contenido ha sido traducido automáticamente con IA.

Cada idioma tiene su propio conjunto de fonemas, es decir, las unidades fonéticas básicas con las que se componen las palabras habladas. Según cómo se cuenten, el inglés tiene entre 35 y 45. Conocer los fonemas de un idioma puede facilitar mucho que los sistemas automatizados aprendan a interpretar el habla.

En el volumen de 2015 de Transactions of the Association for Computational Linguistics, investigadores del MIT describen un nuevo sistema de aprendizaje automático que, como varios sistemas anteriores, puede aprender a distinguir palabras habladas. Pero, a diferencia de sus predecesores, también puede aprender a distinguir unidades fonéticas de nivel inferior, como sílabas y fonemas.

Como tal, podría contribuir al desarrollo de sistemas de procesamiento del habla para idiomas que no se hablan ampliamente y que no cuentan con la ventaja de décadas de investigación lingüística sobre sus sistemas fonéticos. También podría ayudar a que los sistemas de procesamiento del habla sean más portátiles, ya que la información sobre unidades fonéticas de nivel inferior podría ayudar a eliminar las diferencias entre las pronunciaciones de distintos hablantes.

A diferencia de los sistemas de aprendizaje automático que dieron lugar, por ejemplo, a los algoritmos de reconocimiento de voz de los teléfonos inteligentes actuales, el sistema de los investigadores del MIT no es supervisado, lo que significa que actúa directamente sobre archivos de voz sin procesar: no depende de la laboriosa anotación manual de sus datos de entrenamiento por parte de expertos humanos. Por ello, podría resultar mucho más sencillo ampliarlo a nuevos conjuntos de datos de entrenamiento y a nuevos idiomas.

Por último, el sistema podría ofrecer algunas claves sobre la adquisición del habla en los seres humanos. «Cuando los niños aprenden un idioma, no aprenden primero a escribir», afirma Chia-ying Lee, quien completó su doctorado en informática e ingeniería en el MIT el año pasado y es la primera autora del artículo. «Simplemente aprenden el idioma directamente a partir del habla. Al observar patrones, pueden descubrir las estructuras de la lengua. Eso es, más o menos, lo que intenta hacer nuestro artículo».

En el artículo , Lee está acompañada por su antiguo director de tesis, Jim Glass, científico sénior de investigación en el Computer Science and Artificial Intelligence Laboratory y director del Spoken Language Systems Group, y Timothy O’Donnell, investigador posdoctoral en el Departamento de Brain and Cognitive Sciences del MIT.

Tomando forma

Como el sistema de los investigadores no requiere anotar los datos con los que se entrena, necesita hacer algunas suposiciones sobre la estructura de los datos para extraer conclusiones coherentes. Una de ellas es que la frecuencia con la que aparecen las palabras en el habla sigue una distribución estándar conocida como distribución de ley de potencia, lo que significa que un pequeño número de palabras aparece con mucha frecuencia, mientras que la mayoría aparece con poca frecuencia: el fenómeno estadístico de la «cola larga». Los parámetros exactos de esa distribución —su valor máximo y la velocidad a la que decrece— se desconocen, pero se asume su forma general.

Sin embargo, la clave del rendimiento del sistema es lo que Lee describe como un modelo de «canal ruidoso» de la variabilidad fonética. El inglés puede tener menos de 50 fonemas, pero cualquier fonema puede corresponder a una amplia gama de sonidos, incluso en el habla de una misma persona. Por ejemplo, afirma Lee, «según si ‘t’ está al principio o al final de la palabra, puede tener una realización fonética diferente».

Para modelar este fenómeno, los investigadores tomaron prestada una noción de la teoría de la comunicación. Tratan una señal de audio como si fuera una secuencia de fonemas perfectamente regulares que se hubiera enviado a través de un canal ruidoso, es decir, sujeto a alguna influencia que lo corrompe. El objetivo del sistema de aprendizaje automático es entonces aprender las correlaciones estadísticas entre el sonido «recibido» —el que puede haber sido corrompido por el ruido— y el fonema asociado. Un sonido determinado, por ejemplo, puede tener un 85 por ciento de probabilidad de corresponder al fonema ‘t’, pero un 15 por ciento de probabilidad de corresponder a un fonema ‘d’.

«Comparamos dos modelos, uno que modela la variabilidad fonética y otro que no, y la diferencia es enorme», afirma Lee.

Los investigadores probaron su sistema con seis grabaciones diferentes de conferencias impartidas en el MIT y comprobaron que era capaz de identificar con precisión las palabras más utilizadas en cada una. Sin embargo, hubo algunas aberraciones. Al analizar una de las conferencias, impartida por el columnista de The New York Times , Thomas Friedman, el sistema concluyó que «open university» era una sola palabra.

Probablemente se deba a que Friedman no solo utilizó el término repetidamente, sino que rara vez empleó ninguno de sus componentes. «Si observara ‘open’ y ‘university’ por separado, quizá se pueda descubrir que ‘open’ y ‘university’ son dos palabras», afirma Lee.

«Las investigaciones experimentales recientes apuntan a que los bebés aprenden fonemas y palabras de forma simultánea», afirma Emmanuel Dupoux, director del Laboratorio de Ciencias Cognitivas y Psicolingüísticas, asociado a la Ecole des Hautes Etudes en Sciences Sociales en París. «Hasta ahora, sin embargo, solo un puñado de estudios han modelado la interacción entre estos dos niveles mediante un enfoque de aprendizaje automático.

Los estudios anteriores han estudiado solo una cara de la interacción —de fonemas a palabras, o viceversa— o, cuando modelaron la interacción completa, lo hicieron en una versión de juguete del problema, con solo unos pocos fonemas y palabras. El estudio de Glass y Lee es el primero que aborda la interacción completa a gran escala, utilizando un gran corpus de habla. Las dificultades técnicas para lograrlo son enormes, por lo que su logro es una auténtica hazaña».

Este artículo se publica en colaboración con MIT NewsMIT News. La publicación no implica el respaldo del Foro Económico Mundial a las opiniones expresadas.

Para estar al día con la Agenda, suscríbase a nuestro boletín semanal.

Autor: Larry Hardesty escribe para MIT News Office.

Imagen: El robot de comunicación “Chapit” de Raytron adopta una expresión facial en respuesta a voces, mediante su función de reconocimiento de voz, durante ROBOTECH, una exposición sobre tecnologías de fabricación de robots de servicio, en Tokio. REUTERS/Kim Kyung-Hoon

Compartir:

Licencia y republicación
Los artículos del Foro Económico Mundial pueden volver a publicarse de acuerdo con la Licencia Pública Internacional Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0, y de acuerdo con nuestras condiciones de uso. Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.