¿Qué es Automatic Speech Re­co­g­ni­tion (ASR)?

El re­co­no­ci­mie­n­to au­to­má­ti­co de voz (Automatic Speech Re­co­g­ni­tion) es un proceso para convertir au­to­má­ti­ca­me­n­te el habla en texto. Las te­c­no­lo­gías ASR utilizan técnicas de apre­n­di­za­je au­to­má­ti­co para analizar, procesar y generar texto a partir de patrones de voz. El Automatic Speech Re­co­g­ni­tion es útil para una variedad de apli­ca­cio­nes, que van desde asi­s­te­n­tes de voz virtuales hasta la creación de su­b­tí­tu­los para vídeos y la tra­n­s­cri­p­ción de reuniones im­po­r­ta­n­tes.

¿Qué significa Automatic Speech Re­co­g­ni­tion?

Automatic Speech Re­co­g­ni­tion (ASM), también conocido en español como el re­co­no­ci­mie­n­to au­to­má­ti­co de voz, es un campo de la in­fo­r­má­ti­ca y la li­n­güí­s­ti­ca co­mpu­tacio­nal. Este campo se centra en de­sa­rro­llar métodos que permitan convertir au­to­má­ti­ca­me­n­te el habla en una forma legible por máquinas. Cuando el habla se convierte en texto, se habla también de Speech-to-Text (STT). Los métodos ASR se basan en modelos es­ta­dí­s­ti­cos y al­go­ri­t­mos complejos.

¿Cómo funciona el Automatic Speech Re­co­g­ni­tion?

El re­co­no­ci­mie­n­to au­to­má­ti­co de voz se compone de varios pasos co­n­se­cu­ti­vos que se integran pe­r­fe­c­ta­me­n­te entre sí. A co­n­ti­nua­ción, se explican las di­fe­re­n­tes fases de forma in­di­vi­dual:

1. Captura de voz (Automatic Speech Re­co­g­ni­tion): el sistema captura la voz hablada a través de un micrófono u otra fuente de audio.
2. Pro­ce­sa­mie­n­to del habla (Natural Language Pro­ce­s­si­ng): primero, la grabación de voz se limpia de ruidos. A co­n­ti­nua­ción, un algoritmo analiza las pro­pie­da­des fonéticas y fonémicas del habla. Fi­na­l­me­n­te, los rasgos ca­p­tu­ra­dos se comparan con modelos en­tre­na­dos pre­via­me­n­te para ide­n­ti­fi­car palabras in­di­vi­dua­les.
3. Ge­ne­ra­ción de texto (Speech to Text): en esta fase, el sistema convierte fi­na­l­me­n­te los sonidos re­co­no­ci­dos en texto.

Close

Al­go­ri­t­mos ASR: enfoque híbrido vs. deep learning

Existen dos enfoques pri­n­ci­pa­les para el re­co­no­ci­mie­n­to au­to­má­ti­co de voz. Mientras que en el pasado se usaban pri­n­ci­pa­l­me­n­te enfoques híbridos clásicos como los modelos ocultos de Markov, hoy en día se recurre cada vez más a las te­c­no­lo­gías de deep learning. Este cambio se debe a que la precisión de los modelos tra­di­cio­na­les ha llegado a su límite.

Enfoque híbrido clásico

Los modelos clásicos requieren datos alineados fo­r­za­da­me­n­te, lo que significa que utilizan la tra­n­s­cri­p­ción textual de un segmento de audio para de­te­r­mi­nar dónde aparecen de­te­r­mi­na­das palabras. El enfoque híbrido combina siempre un modelo léxico, un modelo acústico y un modelo de lenguaje para tra­n­s­cri­bir el habla:

• El modelo léxico define la pro­nu­n­cia­ción fonética de las palabras. Es necesario crear un conjunto de datos o fonemas para cada idioma.
• El modelo acústico se encarga de modelar los patrones acústicos del habla. Con la ayuda de los datos alineados, genera pre­di­c­cio­nes sobre qué sonido o fonema co­rre­s­po­n­de a los distintos segmentos de voz.
• El modelo de lenguaje aprende qué se­cue­n­cias de palabras son más probables en un idioma. Su tarea es predecir qué palabras tienen más pro­ba­bi­li­da­des de seguir a las actuales.

El principal in­co­n­ve­nie­n­te del enfoque híbrido es que aumentar la precisión del re­co­no­ci­mie­n­to de voz con este método es una tarea co­m­pli­ca­da. Además, es necesario entrenar tres modelos separados, lo que resulta ser muy costoso, además de consumir mucho tiempo. A pesar de esto, muchas empresas siguen optando por este enfoque debido a la gran cantidad de co­no­ci­mie­n­tos di­s­po­ni­bles sobre cómo crear modelos robustos mediante el enfoque clásico.

Deep learning con procesos End-to-End

Los sistemas de extremo a extremo pueden tra­n­s­cri­bir di­re­c­ta­me­n­te una secuencia de ca­ra­c­te­rí­s­ti­cas acústicas de entrada. El algoritmo aprende cómo tra­n­s­fo­r­mar las palabras habladas uti­li­za­n­do una gran cantidad de pares de datos, que consisten en archivos de audio de una frase concreta y su tra­n­s­cri­p­ción correcta.

Las ar­qui­te­c­tu­ras de deep learning como CTC, LAS y RNNT se pueden entrenar para generar re­su­l­ta­dos precisos sin necesidad de datos alineados fo­r­za­da­me­n­te, ni de modelos léxicos o de lenguaje. Aun así, muchos sistemas de deep learning se combinan con un modelo de lenguaje, ya que puede ayudar a mejorar la precisión de la tra­n­s­cri­p­ción.

Para el Automatic Speech Re­co­g­ni­tion, el enfoque de extremo a extremo (o End-to-End) no solo ofrece una mayor precisión en co­m­pa­ra­ción con los modelos tra­di­cio­na­les. También supone una ventaja, ya que los sistemas ASR son más fáciles de entrenar y requieren menos in­te­r­ve­n­ción humana.

Automatic Speech Re­co­g­ni­tion: ¿cuáles son los pri­n­ci­pa­les campos de apli­ca­ción?

Gracias a los avances en el campo del machine learning, las te­c­no­lo­gías ASR se vuelven cada vez más precisas y potentes. El re­co­no­ci­mie­n­to au­to­má­ti­co de voz puede aplicarse en muchas in­du­s­trias para mejorar la efi­cie­n­cia, aumentar la sa­ti­s­fa­c­ción del cliente y/o mejorar el retorno de inversión (abreviado ROI, del inglés Return on In­ve­s­t­me­nt). Los pri­n­ci­pa­les campos de apli­ca­ción incluyen:

• Te­le­co­mu­ni­ca­cio­nes: los centros de contacto utilizan te­c­no­lo­gías ASR para tra­n­s­cri­bir co­n­ve­r­sa­cio­nes con clientes y, fi­na­l­me­n­te, ana­li­zar­las. Las so­lu­cio­nes de se­gui­mie­n­to de llamadas y las so­lu­cio­nes te­le­fó­ni­cas basadas en se­r­vi­do­res en la nube también requieren tra­n­s­cri­p­cio­nes precisas.
• Pla­ta­fo­r­mas de vídeo: hoy en día, la creación de su­b­tí­tu­los en tiempo real en las pla­ta­fo­r­mas de vídeo es un estándar de la industria. El Automatic Speech Re­co­g­ni­tion también es útil para la ca­te­go­ri­za­ción de co­n­te­ni­dos.
• Mo­ni­to­ri­za­ción de medios: las API de re­co­no­ci­mie­n­to au­to­má­ti­co de voz permiten analizar programas de te­le­vi­sión, podcasts, radios y otros medios para ide­n­ti­fi­car con qué fre­cue­n­cia se mencionan de­te­r­mi­na­das marcas o temas.
• Vi­deo­co­n­fe­re­n­cias: so­lu­cio­nes como Zoom, Microsoft Teams o Google Meet dependen de tra­n­s­cri­p­cio­nes precisas y análisis de los co­n­te­ni­dos para extraer in­fo­r­ma­ción clave y tomar de­ci­sio­nes. El Automatic Speech Re­co­g­ni­tion también se utiliza para pro­po­r­cio­nar su­b­tí­tu­los en tiempo real durante vi­deo­co­n­fe­re­n­cias.
• Asi­s­te­n­tes de voz: ya sea Alexa de Amazon, el Asistente de Google o Siri de Apple, los asi­s­te­n­tes virtuales se basan en el Automatic Speech Re­co­g­ni­tion. Esta te­c­no­lo­gía permite que los asi­s­te­n­tes respondan preguntas, ejecuten tareas e in­ter­ac­túen con otros di­s­po­si­ti­vos.

¿Qué papel juega la in­te­li­ge­n­cia ar­ti­fi­cial en las te­c­no­lo­gías ASR?

La in­te­li­ge­n­cia ar­ti­fi­cial ayuda a mejorar la precisión y la fu­n­cio­na­li­dad general de los sistemas de re­co­no­ci­mie­n­to au­to­má­ti­co de voz. En pa­r­ti­cu­lar, el de­sa­rro­llo de grandes modelos de lenguaje ha permitido que hoy en día se pueda procesar mucho mejor el lenguaje natural. Un modelo de lenguaje extenso (LLM) no solo es capaz de crear textos complejos y tra­du­c­cio­nes con alta re­le­va­n­cia, sino que también reconoce el habla. Por lo tanto, los sistemas ASR se be­ne­fi­cian co­n­si­de­ra­ble­me­n­te de estos avances. Además, la in­te­li­ge­n­cia ar­ti­fi­cial también resulta útil en el de­sa­rro­llo de modelos de lenguaje es­pe­cí­fi­cos para distintos acentos.

¿Cuáles son las ventajas y de­s­ve­n­ta­jas del Automatic Speech Re­co­g­ni­tion?

En co­m­pa­ra­ción con la tra­n­s­cri­p­ción tra­di­cio­nal, el re­co­no­ci­mie­n­to au­to­má­ti­co de voz ofrece varias ventajas. Uno de los puntos fuertes de los sistemas modernos de Automatic Speech Re­co­g­ni­tion es su alta precisión, debido a la capacidad de estos sistemas para en­tre­nar­se con grandes volúmenes de datos. Esto permite mejorar la calidad de los su­b­tí­tu­los y las tra­n­s­cri­p­cio­nes, además de ofrecer estos servicios en tiempo real.

Otra ventaja im­po­r­ta­n­te es el aumento de la efi­cie­n­cia. El re­co­no­ci­mie­n­to au­to­má­ti­co de voz o Automatic Speech Re­co­g­ni­tion permite a las empresas escalar, ampliar más rá­pi­da­me­n­te su gama de servicios y ofrecer estos a un público más amplio. Las he­rra­mie­n­tas con el re­co­no­ci­mie­n­to au­to­má­ti­co de voz facilitan la do­cu­me­n­ta­ción de co­n­te­ni­dos de audio para es­tu­dia­n­tes y pro­fe­sio­na­les, como en el caso de las reuniones em­pre­sa­ria­les o las clases uni­ve­r­si­ta­rias.

Sin embargo, un in­co­n­ve­nie­n­te es que, aunque los sistemas de Automatic Speech Re­co­g­ni­tion son más precisos que nunca, todavía no alcanzan la precisión de los seres humanos. Esto se debe pri­n­ci­pa­l­me­n­te a las numerosas sutilezas del habla. Entre los desafíos se incluyen los acentos, los dialectos y las di­fe­re­n­tes en­to­na­cio­nes, así como también los ruidos de fondo. Incluso los modelos más avanzados de deep learning no pueden cubrir todos los casos ex­ce­p­cio­na­les. Otro aspecto pro­ble­má­ti­co es que las te­c­no­lo­gías ASR a veces procesan datos pe­r­so­na­les, lo que plantea preo­cu­pa­cio­nes sobre la pri­va­ci­dad y la seguridad de los datos.