1. Introducción
El Procesamiento del Lenguaje Natural (PLN) es un enfoque computacional para el análisis de
texto que permite estudiar los textos que ocurren naturalmente en diferentes niveles de análisis lingüístico, con el propósito de lograr un procesamiento del lenguaje similar al humano para
una variedad de aplicaciones (Belinkov y Glass, 2019). El análisis lingüístico abarca el análisis
fonético, morfológico, léxico, sintáctico, semántico, discursivo y pragmático del lenguaje (Zhao
et al., 2020). Entre algunas aplicaciones que se pueden encontrar del PLN están la generación
de resúmenes automáticos de texto, la traducción automática, la búsqueda de información y
las respuestas a preguntas (Belinkov et al., 2019).
El reconocimiento automático de voz es una de las aplicaciones en el área del PLN (Ankit
et al., 2016), que tiene como objetivo fundamental la transcripción del habla, que se basa en secuencias de palabras representadas a través de ondas de los audios. (Alharbi et al., 2021) Una
conversación comúnmente puede darse entre actores humanos y agentes artificiales, donde la
naturaleza del discurso, el tamaño del vocabulario y el ancho de banda son aspectos relevantes
y primordiales al momento de entrenar un sistema de Reconocimiento Automático de Voz (RAV)
(Alharbi et al., 2021). Además, el RAV considera aspectos del lenguaje natural como semántica,
sintaxis, gramática y la fonética, dada la variedad de sonidos del habla que pueden producir los
seres humanos, que incluyen el ritmo, el acento, la pronunciación dialéctica, las entonaciones peculiares de una palabra para dar un significado u otro, e incluso las distintas malas pronunciaciones en ciertos fonemas como por ejemplo el rotacismo (Aguiar de Lima y Da Costa-Abreu, 2020).
Se han desarrollado algoritmos de aprendizaje por transferencia para el entrenamiento
de modelos de reconocimiento de voz (IBM-Custom-Speech y Microsoft-Custom-Speech) donde
se convierte un conjunto de diálogos de prueba en documentos de texto y se calcula la tasa
de error de caracteres, siendo considerada una métrica general para evaluar el modelo (Kim et
al., 2021). Estos sistemas de reconocimiento de voz implementan algoritmos que incluyen la
caracterización del efecto de la expresión emocional en el habla, a más de técnicas que están
vinculadas para mejorar el rendimiento de los sistemas de procesamiento del habla. Los estados emocionales tales como la ira, la felicidad, el miedo, la tristeza, la sorpresa y el disgusto,
influyen en la modulación de la voz en aspectos como el volumen, la entonación, el ritmo y la
pronunciación del que habla, que alteran la onda, la intensidad, la calidad del habla, la prosodia
y la sincronización (Kim et al., 2021).
Por otro lado, el avance de la tecnología ha permitido reconocer el nivel de eficacia que
estos sistemas de reconocimiento de voz obtienen en casos específicos. Así, los sistemas RAV
basados en redes neuronales convolucionales (convolutional neural network-ConvNet/CNN)
que se generan especialmente durante las llamadas de emergencia y cuyo fin es el de detectar
el estado emocional y verificar la autenticidad intencional del hablante (Tavi et al., 2019).
Un claro ejemplo de implementación de RAV, es a través del proyecto Julius, sistema que
decodifica el sonido emitido por el usuario y busca, en el modelo acústico alguna coincidencia,
a través un modelo lingüístico que estima de manera estadística la probabilidad de que cierto
fonema sea pronunciado en un segmento de audio. Al evaluar una palabra, el decodificador
comienza a determinar que fonema es el correspondiente al sonido mediante su respectiva
evaluación hasta que llega una pausa de parte del usuario, donde la palabra termina. El modelo
lingüístico busca esta secuencia de fonemas para llegar a identificar una serie equivalente o
posible palabra (Medina et al., 2014). En estos sistemas es imprescindible cuantificar la eficiencia, entendida como el porcentaje de éxito del reconocimiento de palabras u oraciones. Por tal
motivo es necesario contar con un diccionario fonético, un modelo acústico para la distribución
de probabilidad de los fonemas en la señal de audio y un modelo del lenguaje para la distribución
de probabilidad de una secuencia de palabras (Celis et al., 2017).
Actualmente existen varios modelos acústicos y de lenguajes que son desarrollados para
diferentes idiomas, incluyendo el español y sus variaciones por región. Entre los factores que
afectan la eficiencia del sistema RAV están aspectos relacionados al acento que tiene un idioma, la gramática que se emplea, la velocidad del habla, el modelo de lenguaje que se utiliza, y
las características propias que posee el funcionamiento del reconocedor (Ankit et al., 2016).
Existen diversas herramientas y lenguajes para desarrollar estos modelos, como: Praat, Julius,
openSMIL, Sphinx, Kaldi C, C++ Python y Java, que son ampliamente utilizados, y mucho de ellos
siendo de código abierto (Aguiar de Lima & Da Costa-Abreu, 2020).
La tasa de error por palabras (WER) es la métrica más conocida que se utiliza para cuantificar la precisión del sistema RAV. Esta métrica considera la secuencia de palabras hipotetizada
por el sistema RAV y la alinea con una transcripción de referencia y el número de errores se calcula como la suma de sustituciones (S), inserciones (I) y eliminaciones (D) (Ali y Renals, 2018).
También existe otra métrica que proporciona la información cuantificada del porcentaje de palabras que han sido reconocidas por un sistema de reconocimiento de voz denominada “precisión
de palabras” (WAcc). Sin duda, esta métrica no es más que la proporción del total de palabras
reconocidas en el sistema contra el número total de las palabras que contiene el texto de referencia (N), además guarda una estrecha correlación con la métrica WER (Errattahi et. al, 2018).
En este contexto, el objetivo en que se fundamenta este trabajo es generar un sistema
que permita reconocer y convertir archivos de audio automáticamente con la voz humana integrada en texto; la transcripción se realizará en el idioma español, y los audios a utilizar serán tomados de las llamadas de emergencia provenientes del Servicio Integrado de Seguridad ECU 911
de la ciudad de Cuenca, Ecuador. Para el procesamiento del audio se considerarán las palabras
en español que comúnmente son usadas por los habitantes de la ciudad, así como sus abreviaciones, jerga o argot, lenguaje coloquial, variedades lingüísticas y formalidades que poseen las
personas de una región en su dialecto junto con el acento y la velocidad de la pronunciación.
Este artículo se estructura de la siguiente manera: la Sección 2 contiene la discusión de
trabajos relacionados que influyeron en esta investigación realizada. En la Sección 3 se describe
la metodología, la cual posee el marco teórico que se ha utilizado en esta investigación. Luego,
en la Sección 4 se presenta el análisis de los resultados obtenidos en la investigación y, por último, la Sección 5 contiene las conclusiones obtenidas,
2. Trabajos Relacionados
Alharbi et. al. llevaron a cabo una revisión sistemática de literatura de los sistemas RAV, en el
que identificaron las principales técnicas implementadas en este campo. Su principal contribución está en la clasificación de la literatura según los problemas que el dominio presentó, el
uso de técnicas de PLN basados en la eficiencia del dispositivo. El artículo presenta que los sistemas RAV tienen problemas fundamentalmente asociados al ruido y reverberación del audio,
la superposición de voz o conversaciones simultáneas, el procesamiento de la señal acústica
y la adaptación para resolver problemas de ajuste. El vocabulario, la pronunciación y el dialecto
son las principales técnicas en las que el PLN se enfoca, por lo que hace énfasis en la cantidad de palabras que deberían incluirse en el vocabulario, los problemas que pueden ocasionar una
mala pronunciación de las palabras y el problema del reconocimiento del dialecto de distintas
regiones donde manejan el idioma implementado. Por último, el uso del micrófono también es
analizado, debido a que es un dispositivo que captura la voz y que incide radicalmente cuando
se hacen entrenamientos y pruebas de datos con y sin su uso (Alharbi et al., 2021).
Tavi et al. en su artículo relacionado a los sistemas RAV para llamadas de emergencia
incluye el análisis de voz aguda y desagradable también llamada voz chirriante, alevines vocales o estación laríngea. Por lo tanto, estos son un factor que altera la fonación del hablante. El
modelo está implementado con redes neuronales convolucionales (CNN), busca la detección
automática de las anomalías de la voz como crujidos para el análisis a gran escala de las llamadas de emergencia, y conjuntamente con un kit de herramientas de análisis de voz, lograron un
f-measure de 0.41 con grabaciones de llamadas de emergencia. La red neuronal convolucional
alcanzó 0.64 en el mismo conjunto de datos de prueba. Los resultados demuestran la vital importancia de la cantidad de datos de entrenamiento como la calidad de los datos de prueba, así
como los elementos que afectan la eficiencia del modelo (Tavi et al., 2019).
Es conocido que existen sistemas RAV desarrollados por empresas pioneras como Microsoft, IBM, Google, Amazon cuya finalidad es lograr transcripciones casi perfectas. Los autores
Vásconez et al. presentan un estudio donde evalúan a los sistemas RAV de Google Speech to Text
y Amazon Transcribe, con el objetivo de determinar cuál de esos sistemas RAV ofrece una mayor
precisión al transcribir en el idioma español los audios del Servicio Integrado de Seguridad ECU 911,
en texto. La evaluación de la precisión de la transcripción en este estudio es realizada a través de
la métrica WER, donde demostraron con los resultados obtenidos que Amazon Transcribe es el
sistema RAV con mayor rendimiento y desempeño en el proceso de transcripción con audios en
español que poseen un alto y bajo nivel de ruido de fondo (Peralta Vásconez et al., 2021).
Por otro lado, existen diversas herramientas para implementar los sistemas RAV, Peinl et
al. presentan un análisis comparativo de kits de herramientas RAV de código abierto. Así tenemos
las herramientas HDecode y Julius que son entrenadas utilizando el kit de herramientas del modelo oculto de Markov (HTK). Estos modelos incluyen el entrenamiento de los monófonos para el
manejo del silencio y la realineación para mejorar la correspondencia entre las pronunciaciones y
los datos acústicos. Otras herramientas que existen son Pocketsphinx y Sphinx-4, que son entrenados con el kit de herramientas CMU sphinxtrain y que proporciona todas las herramientas necesarias para sistemas RAV. Los modelos están entrenados con vectores Mel Frequency Cepstral,
que consta de 13 cepstral, 13 delta y 13 coeficientes de aceleración. Los kits de herramientas de
Kaldi proporcionan varias canalizaciones para diferentes corpus. Las capacidades de estas canalizaciones incluyen el entrenamiento adaptativo del hablante y la regresión lineal de máxima verosimilitud. El entrenamiento es de alto costo computacional, la implementación y las canalizaciones
están optimizados para computación paralela (Peinl et al., 2020).
Los autores Ankit et. al. presentan el uso de una arquitectura para la conversión de voz denominada “CMU-Sphinx”. Esta arquitectura está compuesta por bloques de Front End, lingüística y
decodificación. El bloque Front End se encarga del procesamiento de la señal digital que consiste
en la extracción de características de la voz; el bloque de lingüística posee los módulos acústicos para la representación estadística de cada sonido, una dicción que almacena las diferentes
formas de pronunciación de las palabras; y el modelo del lenguaje que muestra la probabilidad de
ocurrencia de una palabra (Ankit et al., 2016; Peinl et al., 2020). Para generar un modelo funcional
basado en CMU-Sphinx, se recomienda tener una cantidad sustancial de datos sin procesar que abarca un rango de 50 a 60 horas de archivos de audio. La información contenida en cada archivo
de audio se divide en partes pequeñas que no contengan más de una oración ya en formato de
texto, conocido como “Archivo de transcripción” (Lakdawala et al., 2018).
El rendimiento de estos sistemas RAV se mide a través de la métrica WER, que compara la
transcripción manual frente a la realizada por el RAV. Para obtener una estimación confiable del
WER, se requieren al menos dos horas de archivos de audio de prueba, lo que llega a ser un proceso costoso y lento de transcripción manual. Sin embargo, el uso de sistemas RAV ha ganado
terreno en el campo de investigación en los últimos años, ya que estos sistemas permiten mejorar la calidad de transcripción, así como la cantidad de audios procesados (Ali & Renals, 2018).
3. Metodología
Luego de haber realizado un análisis de las herramientas disponibles para sistemas RAV, se
escogió a CMUSphinx debido a su notable rendimiento y precisión, además de un conjunto de
audios provenientes del Servicio Integrado de Seguridad ECU 911 en idioma español. El proceso de desarrollo está basado en la metodología propuesta en Celis et al. (2017) que consiste
en el entrenamiento del modelo acústico adaptándolo al dialecto cucuteño. El aporte de esta
metodología fue la adaptación del modelo cucuteño hacia un modelo para el español que incluye el cálculo de la métrica WER, mediante el uso de la herramienta CMU-Sphinx, y el software
CMU-Cambridge Statistical Language Modeling toolkit (CMUCLMTK). Esta herramienta permite
el reconocimiento de voz, además, ofrece una serie de paquetes y herramientas, tanto para
plataformas Unix como para Windows, y permite medir los porcentajes de eficiencia del sistema
(Lakdawala et al., 2018).
El proceso de desarrollo del sistema RAV para el idioma español se expresa en la figura 1.Hay que considerar que para su desarrollo se empleó un sistema de reconocimiento de locutor
dependiente de texto, en otras palabras, que conocemos el contenido léxico de los audios y que
está basado en la propuesta de Celis et. al. (2017).
Inicialmente, este sistema pasó por un proceso de cuantización vectorial, es decir que
la señal acústica se transformó a un vector numérico, dando paso a la extracción de características. Entonces, para la siguiente etapa que es la decodificación fue necesario el vector de
características; además en esta etapa intervino el modelo acústico, el diccionario y el modelo
de lenguaje. Finalmente, se realizó la transformación a texto (Celis et al., 2017).
El sistema adaptado a un corpus español dependerá de estos tres elementos:
1. Diccionario fonético: es un conjunto de palabras en donde se caracteriza por tener su
división fonética de cada una de ellas, los fonemas son sonidos reales que se usan para poder
pronunciar las palabras (
Medina et al., 2014), que, en el caso de nuestro dialecto, se buscarán
los fonemas más utilizados localmente dentro del alfabeto fonético internacional (IPA). En la
siguiente tabla se presenta un ejemplo (
tabla 1):
2. Modelo del lenguaje: representa el orden estadístico de las palabras, es decir, indica
la probabilidad de aparición que pueden tener las palabras en nuestro sistema, la función de
nuestro modelo se basará en buscar las palabras adaptadas y reconocidas, en algunos casos
cuando no se reconoce la palabra. El modelo se encarga de predecir cuál podría ser la palabra
siguiente pero dependiente de la palabra anterior (Celis et al., 2017).
3. Modelo acústico: también conocido como corpus de voz, representa la distribución de
probabilidades de los fonemas o sonidos que componen las palabras en la señal de audio. Su
creación se basa en grandes bases de datos, así como en algoritmos de entrenamiento configurados orientados a diferente idioma (Celis et al., 2017).
El proceso que se siguió para desarrollar el sistema RAV en el idioma español se detalla en
la figura 2, además que se encuentra dividido en tres fases:
Fase 1: Preparación de los datos
Para el mejoramiento del modelo en el idioma español que proporciona CMUSphinx se necesitó
los archivos que se describen a continuación:
• Audios: son los archivos de audios de las llamadas de emergencia del ECU 911, estos
fueron transformados a una frecuencia de muestreo de 16 kHz, a 16 bits por muestra,
con un códec denominado “modulación por impulsos codificados de 16 bits o PCM16”
y sonido monoaural, es decir un solo canal.
• Dataset: es un archivo que contiene las transcripciones realizadas por un humano de
los audios del Servicio Integrado de Seguridad ECU 911.
• Corpus en el idioma español: este modelo es proporcionado por CMUSphinx, lo que
permite que el proceso de la obtención del modelado no sea desde cero.
Fase 2: Modelo acústico
Esta fase se compone de las tareas que son la adaptación y el entrenamiento del modelo acústico. Dichas tareas se describen a continuación:
A. Adaptación del Modelo Acústico
Este proceso de adaptación del modelo acústico se realizó mediante el software SphinxTrain. La
adaptación permite mejorar el modelo que se está utilizando, y este proceso tiene la característica de ser más sólido que el entrenamiento. Además, se puede obtener mejores resultados
hasta con pequeños datos. Esto se debe a que la adaptación funciona cuando se desea emplear
un nuevo acento o idioma, para nuestro caso se entrena un propio modelo acústico orientado a
acento español.
Para dar inicio al proceso se utilizó el corpus al que se desea adaptar. Este corpus debe
estar compuesto por una lista de oraciones, un diccionario con la pronunciación de cada palabra y los audios donde están grabadas las oraciones de dicha lista. A continuación, en la figura
3 se presenta el proceso de adaptación.
En la creación de un corpus de adaptación se debe considerar dos procesos, los cuales
son: 1. los archivos requeridos que se basan en un conjunto grande de oraciones; estos deben
tener una buena cobertura de las palabras o fonemas que se usan con mayor frecuencia, dependiendo del tipo de texto que se desea reconocer. 2. Los registros de datos de adaptación;
estos son archivos de tipo transcription y fileids en donde se encuentran registrado los audios
de cada oración con las características que están nombrados; es decir, con su numeración secuencialmente (CMUSphinx, n.d.).
Para la adaptación del modelo acústico se inició con la generación de archivos de características acústicas a partir de los audios, para esto se utiliza sphinx_fe de la herramienta
SphinxBase, generando así archivos .mf de cada fichero de audio .wav. Después, se procedió a la
conversión de archivos sendump, tratándose de mezclas comprimidas y cuantificadas. Por otro
lado, mdef es la definición de mapeo entre los contextos trifónicos a los identificadores de modelo de mezcla gaussianas (GMM), y luego convertir el archivo .mdef a formato texto. Posteriormente, se recopiló los datos de la adaptación con la ayuda del fichero bw de la Sphinxtrain. Los
parámetros deben coincidir con el archivo feat.params del modelo acústico, en la configuración
se determinó que se trata de un modelo continuo. Como siguiente paso se ejecuta de mllr_solve
y map_adapt, dichas herramientas permiten que se actualice el modelo acústico original, la
regresión lineal de máxima verosimilitud (MLLR) es una adaptación económica para datos limitados, mejorando el rendimiento al momento de trabajar con modelos continuos (Singh, 2018).
Entonces, se usa MAP para la actualización de los archivos del modelo acústico debido a que
permite actualizar cada parámetro del modelo. Si se desea ahorrar espacio para el modelo, una
buena opción es utilizar el archivo sendump. Finalmente, después de todo el proceso se obtuvo
un modelo acústico adaptado (Dhanka, 2017).
B. Entrenamiento del Modelo Acústico
Según el modelo propuesto por Celis et al. (2017), el entrenamiento del modelo acústico consta
de cuatro tareas (verificación, extracción y generación, decodificación y resultado), este modelo se aprecia en la figura 4.:
En la primera tarea del entrenamiento del modelo se compone de las actividades de
a) verificación de ficheros y b) verificación de parámetros, los mismos que se describen a
continuación:
a. Verificación de ficheros: dentro de la carpeta de trabajo deben estar los ficheros con
las extensiones. phone, .filler, .fileids, .transcription algunos de estos ya los fueron usados en la etapa de adaptación del modelo.
b. Verificación de parámetros: estos deben ser iguales al archivo feat.params, pueden
ser configurados según las características y necesidades.
Luego, en la tarea de extracción y generación se deben extraer las características de los
audios y generar vectores que contengan los resultados obtenidos de la tarea anterior, las actividades por realizar son:
a. Extracción de características de audios: la señal es dividida en segmentos para ser
procesada.
b. Generación de vectores: este vector se genera como un resultado del análisis que se
realiza con la ayuda de la herramienta SphinxTrain.
En la tarea de decodificación, se analizaron los resultados de la tarea anterior y se decodificaron los audios, las actividades de esta tarea se describen a continuación:
a. Creación de probabilidad de palabras: con base en el conjunto de vectores se crea un
modelo probabilístico, donde se asocian las palabras obtenidas en la señal entrante
del audio con las palabras ya existentes en el modelo de lenguaje.
b. Proceso de decodificación de los audios y prueba de entrenamiento: el éxito del paso
anterior da como resultado el proceso de decodificación, entonces para verificar el
funcionamiento del sistema se realiza a través de una prueba de entrenamiento con
los archivos de prueba.
Finalmente, en la tarea de resultados se obtuvo el modelo acústico entrenado, para lo
cual fue necesario tener en cuenta que puede variar el tiempo de duración, esto depende de la
cantidad de audios que se esté utilizando para el entrenamiento.
Para la evaluación de un sistema RAV se tuvo que tomar en cuenta la métrica WER, anteriormente mencionada. Para este caso se calcula entre la frase generada por el sistema y una
frase de referencia correcta. La ecuación 1 permite calcular la métrica WER:
donde
S es el número de palabras sustituidas en la transcripción,
D representa el número de
palabras borradas u omitidas en el reconocimiento,
I es el número de palabras insertadas que
no pertenecen a la transcripción real y
N representa la cantidad de palabras en la transcripción
de referencia.
Otra métrica que fue utilizada para la correcta evaluación de la precisión de un sistema RAV
es la exactitud de palabras (
WAcc ), que se define como la proporción de palabras que son reconocidas correctamente frente al total de palabras ingresadas y está estrechamente relacionada
esta métrica con WER. La
ecuación 2 nos permite obtener el cálculo de la métrica
WAcc:
donde N es el número total de palabras ingresadas, representa al número total de palabras
que fueron reconocidas como otras palabras, S es el número de palabras que se omitieron en
el reconocimiento, y la variable I representa al número de palabras que fueron erróneamente
agregadas a las palabras reconocidas (Errattahi et. al, 2018).
Estas métricas se emplearon durante el proceso de entrenamiento, para obtener resultados antes y después de realizar el proceso de adaptación y entrenamiento del modelo acústico.
Fase 3: Evaluación del Sistema RAV
En esta fase, se emplearon nuevamente las ecuaciones 1 y 2 con el propósito de evaluar los modelos acústicos y de lenguaje, inicialmente se analizaron los audios que fueron proporcionados
por el sistema del Servicio Integrado de Seguridad ECU 911. Luego, con los resultados obtenidos
de CMU-Sphinx, se utilizaron las ecuaciones con el fin de obtener los resultados de la tasa de
error y precisión de las palabras que, a su vez, servirían para crear una tabla de resultados con
la cual se evaluaría la eficacia del sistema de reconocimiento de voz para el dialecto español.
3. Resultados
Después del proceso para el desarrollo de sistema RAV y la transcripción de los audios con el
script word_align.pl, se calculó la métrica WER, debido a que el modelo se basa en un reconocimiento del locutor dependiente de texto, y facilita la obtención de esta tasa (tabla 2).
En la tabla 2, se visualizan los resultados del WER en un modelo no entrenado de unos
grupos de audios. En la primera fila el resultado de exactitud tiene un porcentaje alto debido
a que el tamaño de su audio no sobrepasa los 4 segundos. Luego, se incorporó 15 archivos de
5
audio para transcribir. El tamaño de los audios oscila entre 90 segundos a 180 segundos, por tal
motivo afecta a la transcripción y dando así un error del 97.71 %.
En la tabla 3, se representan los valores obtenidos utilizando un modelo entrenado, es
decir, para que los resultados sean más precisos es necesario que el volumen de datos entrenados sea alto. El proceso de entrenamiento es un proceso largo que puede tardar horas, así como
también pueden tardar semanas. Luego de realizar el entrenamiento con un grupo de audios recreados para la experimentación, así como los audios proporcionados por el Servicio Integrado
de Seguridad ECU 911 se ha podido observar que a mayor cantidad de audios entrenados mejora
la precisión de los resultados. De manera que, los datos con mayor precisión que se obtuvo fueron de 49.8 %. Indudablemente es posible mejorar el resultado de WER, pero se necesita de un
tiempo considerable para realizar el entrenamiento (tabla 3).
La tasa de error fue tabulada de acuerdo con la metodología planteada. Luego de analizar
los resultados del modelo entrenado como el no entrenado, se observan valores notorios en
cuanto a la exactitud de dichas transcripciones. Al ser un sistema sin conexión a internet resulta limitado al momento de la transcripción, y es así como se vuelve necesario realizar adaptaciones y entrenamientos a los modelos acústicos.
5. Conclusiones y recomendaciones
Se comprobó que los audios analizados con la herramienta de reconocimiento de voz CMUSphinx proporcionan una tasa de acierto variable puesto que esta depende primordialmente del
entrenamiento del modelo acústico. Por tal motivo, un modelo acústico sin entrenamiento o
con escaso entrenamiento implica que la tasa de error a calcularse sea elevada. Así pues, mientras se mantenga constantemente actualizado el vocabulario en el modelo, los resultados que
se puedan obtener deben ser más aceptables, debido al cambio constante de la jerga popular
y el constante cambio del nativo hablante. Cabe mencionar que los resultados se obtuvieron al
imponer ciertas restricciones a los audios, por lo que se desconoce el nivel de precisión y de la
tasa de error que obtendría esta herramienta al basarse en audios de larga duración, con más
de un canal y en diferentes frecuencias.
Debido a que la herramienta de reconocimiento de voz CMUSphinx no posee conexión a
internet, hay varias librerías en internet que pueden ayudar al desarrollo del entrenamiento del
modelo acústico al basarse en grandes cantidades de datos proporcionadas por usuarios. De
manera que, se muestra un tanto limitada en función de su capacidad de transcripción de texto
y el nivel de eficiencia del sistema RAV. Sin duda alguna tiene la posibilidad de mejorar este sistema RAV si logra implementarse dentro de un entorno en línea.
Como trabajo futuro se planteará el análisis de nuevas herramientas para mejorar el sistema RAV en cuanto a su eficiencia y eficacia, además se incluirá la creación de un caso de
estudio con las nuevas herramientas.
Agradecimientos
Los autores desean agradecer al Vicerrectorado de Investigaciones de la Universidad del Azuay
por el apoyo financiero y académico, así como a todo el personal de la escuela de Ingeniería de
Ciencias de la Computación, y el Laboratorio de Investigación y Desarrollo en Informática - LIDI.
De la misma manera, este trabajo se enmarca en el proyecto de investigación “Diseño de arquitecturas y modelos de interacción para entornos AAL dirigidos a adultos mayores: entornos
lúdicos y sociales”, por lo que agradecemos a la Universidad de Cuenca por su aporte.
