Reconocimiento del habla para niños

El reconocimiento automático del habla (conocido como RAH) o reconocimiento automático de voz es una parte de la inteligencia artificial. Su objetivo principal es que los seres humanos puedan comunicarse hablando con las computadoras.

Imagina que le hablas a tu teléfono o a un asistente virtual y este te entiende. Para que esto funcione, el sistema debe juntar mucha información de diferentes tipos: cómo suenan las palabras (acústica), cómo se forman los sonidos (fonética), cómo se unen las palabras para formar frases (sintaxis), y qué significan esas frases (semántica). Todo esto se hace a pesar de que a veces hablamos rápido, con acentos o con ruidos de fondo.

Un sistema de reconocimiento de voz es como una herramienta especial en la computadora. Puede tomar tu voz, procesarla y entender lo que dices. Luego, puede convertir tu voz en texto escrito o seguir órdenes que le das. Para crear estos sistemas, se usan conocimientos de muchas áreas, como la fisiología (cómo funciona el cuerpo), la acústica (el estudio del sonido), la lingüística (el estudio del lenguaje), el procesamiento de señales (cómo manejar la información de audio) y la ciencia de la computación.

Cómo se diseña un sistema de RAH

Para que una computadora entienda lo que decimos, necesita aprender y procesar la información de nuestra voz.

Cómo aprenden los sistemas de voz

Una parte muy importante al crear un sistema de reconocimiento de voz es decidir cómo va a "aprender". Hay dos formas principales en que las computadoras pueden adquirir el conocimiento que necesitan:

• Aprendizaje por reglas: En este método, expertos humanos le enseñan al sistema reglas muy específicas. Es como si le dijeran: "Si escuchas este sonido, significa esto". Un ejemplo son los sistemas que usan reglas claras para tomar decisiones.
• Aprendizaje por ejemplos: Aquí, el sistema aprende por sí mismo a partir de muchos ejemplos reales. Es como si le dieran miles de grabaciones de voz y el sistema descubriera patrones. Por ejemplo, algunos sistemas usan modelos matemáticos o redes neuronales que se ajustan automáticamente al analizar muchas muestras de voz.

En la práctica, los sistemas suelen combinar ambos métodos. Se les dan algunas reglas básicas y luego aprenden los detalles y las variaciones a partir de muchos ejemplos.

Cómo entienden los sonidos

Hay una parte del sistema que se encarga de analizar los sonidos de nuestra voz. Esta parte se llama decodificador acústico-fonético. Su trabajo es tomar la señal de voz y transformarla en una representación que la computadora pueda entender. Para esto, primero se procesa la voz para extraer características importantes, como el tono o la intensidad. Es como si la computadora "escuchara" y descompusiera el sonido en sus partes más pequeñas.

Cómo interpretan el significado

Otra parte clave es el modelo del lenguaje. Este módulo se encarga de entender la gramática (cómo se forman las frases) y el significado de lo que decimos.

Cuando el sistema está diseñado para tareas muy específicas, como responder "sí" o "no" o elegir una opción de un menú, se usan "gramáticas restringidas". Esto significa que el sistema solo espera un número limitado de palabras o frases. Por ejemplo, si preguntas "¿Quieres ir al parque?", el sistema podría esperar respuestas como "sí", "no", "tal vez". Si dices algo fuera de esas opciones, el sistema podría no entenderte.

Si el sistema no entiende lo que dices, normalmente te pedirá que repitas. Si sigue sin entenderte, por ejemplo, por mucho ruido o un acento difícil, podría pasar la llamada a una persona. Esto es para evitar que te frustres.

Los sistemas más avanzados necesitan una gran cantidad de grabaciones de voz y textos escritos para aprender. Gracias a esto, pueden entender frases más complejas y acercarse a cómo los humanos entendemos el lenguaje.

Características de los sistemas actuales

Los sistemas de reconocimiento de voz comerciales existen desde los años 90. Aunque son muy útiles, muchas personas aún prefieren usar el teclado y el ratón en sus computadoras. Esto es porque, aunque podemos hablar más rápido de lo que escribimos, a veces nos resulta más cómodo teclear. Sin embargo, combinar el teclado con el reconocimiento de voz puede hacer el trabajo mucho más eficiente. Por ejemplo, se calcula que dictar un texto puede ser 3 o 4 veces más rápido que escribirlo.

Estos sistemas se usan mucho en aplicaciones telefónicas, como en agencias de viajes, servicios de atención al cliente o para pedir información. La tecnología sigue mejorando y cada vez son más precisos.

Tipos de sistemas de reconocimiento de voz

Los sistemas de reconocimiento de voz se pueden clasificar según varias características:

• Necesidad de entrenamiento: Algunos sistemas necesitan que el usuario hable un poco para "aprender" su voz antes de usarlos. Otros no necesitan ningún entrenamiento previo.
• Dependencia del hablante: Algunos sistemas están hechos para una sola persona y necesitan ser entrenados por ella. Otros son "independientes del hablante", lo que significa que pueden entender a muchas personas diferentes sin entrenamiento individual.
• Continuidad del habla: Algunos sistemas solo entienden si haces pausas entre cada palabra. Otros pueden reconocer el "habla continua", es decir, cuando hablas de forma natural sin pausas.
• Resistencia al ruido: Algunos sistemas funcionan mejor en lugares silenciosos. Otros están diseñados para trabajar bien incluso con ruido de fondo, interferencias o varias personas hablando a la vez.
• Tamaño del vocabulario: Algunos sistemas están hechos para reconocer un número limitado de palabras (por ejemplo, para reservar vuelos o pedir el tiempo). Otros pueden entender miles de palabras, lo que los hace más versátiles.

Para qué se usa el reconocimiento de voz

Aunque el reconocimiento de voz podría usarse en casi cualquier tarea con una computadora, estas son algunas de sus aplicaciones más comunes:

• Dictado automático: Es el uso más extendido. Permite hablar y que el sistema convierta tu voz en texto escrito. Es muy útil para escribir documentos, correos electrónicos o informes. En algunos casos, como en medicina o leyes, se usan vocabularios especiales para que el sistema sea más preciso.

• Control por comandos: Estos sistemas están diseñados para que le des órdenes a la computadora con tu voz, como "Abrir navegador" o "Cerrar ventana". Como el vocabulario es pequeño, funcionan muy rápido.

• Telefonía: Muchos sistemas telefónicos permiten a los usuarios dar órdenes con la voz en lugar de pulsar botones. Por ejemplo, puedes decir un número para navegar por un menú.

• Sistemas portátiles: En dispositivos pequeños como relojes inteligentes o teléfonos móviles, donde escribir es difícil, hablar es una forma natural de introducir información.

• Sistemas para personas con necesidades especiales: El reconocimiento de voz es muy útil para personas que tienen dificultades para escribir con el teclado. También puede ayudar a personas con problemas de audición, permitiéndoles ver el texto de una conversación telefónica, por ejemplo.

Datos curiosos

• Los investigadores de reconocimiento de voz de Apple tenían una camiseta con una frase divertida: I helped Apple wreck a nice beach (que suena casi igual que I helped Apple recognize speech). Esta broma muestra lo difícil que es a veces para una computadora distinguir entre sonidos parecidos.

Véase también

En inglés: Speech recognition Facts for Kids

• Síntesis de voz
• Lingüística computacional
• Procesamiento de lenguaje natural
• Reconocimiento de locutores
• Siri