Reconocimiento de vozSpeech Recognition

El sonido se corta en trozos muy cortos

Lo que capta el micrófono es una vibración del aire. Esa vibración se convierte en una fila de números que entra a la computadora. Pero si se toma esa fila entera de una vez y se pregunta "¿qué se dijo?", no sale ninguna respuesta. El habla es un sonido que cambia todo el tiempo.

Por eso primero se corta. Se divide un segundo en unos cien trozos, y de cada uno se extrae qué alturas de sonido están mezcladas y en qué proporción. Con este dibujo del sonido armado así, el sonido de la "a" y el de la "s" aparecen con formas claramente distintas.

Cortar en trozos tan finos tiene su razón. El sonido del habla cambia de forma según lo que viene antes y después. La misma "t" suena distinto dependiendo de qué la sigue. Cortar corto permite seguir ese cambio sin perderlo.

Cada trozo recibe un puntaje

Para cada trozo cortado, el modelo no da una respuesta cerrada. En cambio deja registrado algo como "es muy probable que sea este sonido, y algo probable que sea aquel otro", con un puntaje para cada candidato.

Conviene mucho más dejar ese puntaje así, abierto. Si se decide de golpe con solo mirar un trozo, y después no encaja con el sonido que sigue, ya no se puede volver atrás. Dejar varios caminos abiertos y elegir al final, mirando toda la frase, cuál es el más probable, funciona mucho mejor.

El hilo de antes y después elige la respuesta

Hay muchísimas palabras que el puntaje de sonido solo no alcanza a distinguir. "Casa" y "caza" suenan igual, y "vino" en "este vino es buenísimo" y en "vino temprano" suena exactamente lo mismo.

Por eso el reconocimiento de voz también incluye una parte que conoce el hilo del habla. Si antes se dijo "compré una botella", "vino" va del lado de la bebida; si se dijo "llegó antes de lo esperado", va del lado de venir. Es la misma lógica con la que una persona sigue una conversación incluso en un lugar ruidoso.

Gracias a esta parte, el reconocimiento de voz puede reconstruir una frase aunque el sonido salga un poco borroso. En cambio, en un habla sin ese hilo que ayude, como el nombre de una persona que nunca se oyó o una serie de números al azar, los errores aumentan notablemente porque no hay nada de dónde agarrarse.

Ahora se aprende todo junto

Antes se armaban las piezas por separado y se las pegaba. Una parte que distinguía sonidos, un diccionario con la pronunciación de cada palabra, una parte que conocía el hilo de la frase: cada una se construía aparte y después se unían. Cada pieza necesitaba el trabajo de una persona, así que agregar un idioma nuevo era una obra enorme.

Ahora se muestran muchísimas grabaciones junto con su transcripción, y un solo modelo aprende de un tirón desde el sonido hasta las letras. Ya no hace falta que una persona construya el diccionario de pronunciación, y un mismo modelo puede manejar varios idiomas y grabaciones con ruido a la vez.

Las letras aparecen antes de que termine de hablar

Que las letras aparezcan en tiempo real en la pantalla significa que se está dando una respuesta sin conocer todavía lo que viene después. Por eso, cuando llega la frase siguiente, a veces lo que ya apareció escrito cambia un poco. No es un error: es que se está corrigiendo la respuesta a la luz del hilo completo.

Los espacios y los signos de puntuación no vienen en el sonido. Se agregan aparte, mirando pistas como si el tono sube al final o dónde se hace una pausa para respirar. Por eso las comas y los puntos de una transcripción a veces quedan en un lugar raro.