2.4.1.4 Técnicas más utilizadas aplicadas al Reconocimiento de Habla

En la literatura científica asociada a esta área de conocimiento se pueden encontrar diversas técnicas de clasificación de patrones de voz [NEY90].  Aquellas que mejores resultados han obtenido y las más prometedoras parecen que son las que a continuación se mencionan.

• Comparación de Plantillas o Patrones  utilizando técnicas de Programación Dinámica (DTW). Consiste en comparar el patrón a reconocer (de entrada) con una serie de plantillas o patrones que representan a las unidades a reconocer. La plantilla no es más que un conjunto de características acústicas ordenadas en el tiempo (secuencia de vectores de parámetros o índices de una librería de centroides o codebook), y la comparación de patrones incluye un alineamiento temporal no lineal y una medida de distancia. Esta técnica, utilizada tanto para resolver problemas de reconocimiento de habla continua como aislada e incluso con una cierta independencia del locutor, se conoce como DTW (Dynamic Time Warping) [SAK79][MYE81][BEL65].
• Modelos Ocultos de Markov (HMM). El modelado estocástico de la señal de habla soluciona el problema que presentaba la técnica de alineamiento de plantillas, proporcionando los mejores resultados hasta la fecha tanto para el reconocimiento de habla aislada como continua y para independencia del locutor. En el fondo la filosofía de comparación de patrones subyace en este tipo de aproximación al problema pero difiere en la forma en la que se obtienen los patrones, el tipo de patrón, la medida de distancia y la forma de realizar el alineamiento temporal utilizando estos últimos. Ahora, utilizamos un algoritmo de alineamiento no lineal (Programación Dinámica) conocido como algoritmo de Viterbi, capaz de “alinear” la secuencia de vectores de entrada o índices de un codebook con el conjunto de patrones estocásticos (HMM) que representan las palabras del diccionario, en forma de la probabilidad de que esa secuencia sea observada (generada) por los distintos Modelos Ocultos de Markov [LEV85][LEV83].
• Redes Neurales o Neuronales (NN). Las redes neuronales son estructuras de procesamiento paralelo de información, formadas por numerosos nodos simples conectados entre sí mediante pesos y agrupados en diferentes capas, entre las que se deben distinguir la capa de entrada y la capa de salida. Debido a su naturaleza intrínsecamente no lineal, a su capacidad de clasificación, y sobre todo a la capacidad que tienen para aprender una determinada tarea a partir de pares observación-objetivo sin hacer suposición alguna sobre el modelo subyacente, se han convertido en una de las herramientas más atractivas para la solución del problema del reconocimiento de habla. Hoy en día se han conseguido resultados comparables a los obtenidos con otros métodos ya clásicos como los HMM. Sin embargo, presentan diferentes problemas o inconvenientes como pueden ser: desconocimiento a priori de la estructura de capas y número de nodos necesarios para cada problema; un tiempo a veces excesivamente elevado para su entrenamiento y la posibilidad de quedar "anclados" en mínimos locales de las funciones de coste usadas durante el entrenamiento de la red. Además, la señal de habla requiere de métodos con capacidad de proceso en dos dimensiones, espacio y tiempo, y las redes neuronales, por sí solas, sólo tienen capacidad de procesado espacial. Ello nos obliga a combinar técnicas de Programación Dinámica así como HMM con estas redes, consiguiendo modelar la variable tiempo, permitiendo no sólo la clasificaciones muy acertadas de las entradas de la red sino además la segmentación de la señal de entrada. Sin embargo, se han probado otras soluciones que incorporen a las redes algún tipo de memoria (finita [KOM91], lazos de realimentación [LEE91][BEN91], o ambas [BOU89]), pero dificulta en gran medida el análisis de estas redes debido a su carácter no lineal.

Anterior   I  Siguiente   I  Índice capítulo 2   I   Índice General