Futura voz

2000/01/01 Kortabarria Olabarria, Beñardo - Elhuyar Zientzia Iturria: Elhuyar aldizkaria

• Softwarea

Hai uns meses, con motivo da creación dunha base de datos de voz en eúscaro, Telefónica convocou a gravación de 10.000 voces de vascos. Paira iso púxose un número de teléfono gratuíto ao que o llamante debía repetir frases e números que dicía un computador. O que ía dicir o computador foi preparado polo Departamento de Filoloxía Vasca da UPV/EHU coa intención de recoller todos os sons habituais en eúscaro. Paira iso analizouse un macrotexto proporcionado por UZEI. A pesar de que os responsables do proxecto necesitaban polo menos 5.000 chamadas, recibiron preto de 19.000, a pesar de que resultaron útiles –que repetieron todo o que dixeran o computador– 11.200. O proxecto contou coa participación de EITB, que gravou todo o que dicía o computador o persoal local e realizou una campaña de captación de voz.

A información recollida nas chamadas telefónicas recolleuse en Leioa, Departamento de Electricidade e Electrónica da Universidade do País Vasco. A información dixital recompilada agora debe ser procesada e posteriormente constituirá a base de datos. Esta base de datos que se crea poderase utilizar cos coñecedores da voz, polo que poderán seguir investigando nesta materia. Pola súa banda, a Facultade de Filoloxía tamén poderá aproveitar a información recibida paira realizar investigacións sobre a fonología do eúscaro actual. Se se avanza no camiño previsto, este proxecto permitirá en breve acceder a novos servizos en eúscaro: marcas telefónicas por voz, telelectura de contadores, validación de cartóns de crédito, banca electrónica, compras telefónicas….

Sistema de recoñecemento automático de membranas

O que parece una cuestión de futuro son o pan de cada día no Departamento de Electricidade e Electrónica da UPV, xa que o equipo de Coñecemento da Voz dedica horas e horas a iso. Os computadores chegarán a falar, parece que non hai dúbida diso. Como se lles fai falar? Como se lles ensina?

O noso cerebro constrúe unha mensaxe no seu interior seguindo as regras da linguaxe. A continuación, utilizando o sistema de creación da voz do corpo, produce una onda moi rica en armónicos, o sinal de voz. Este sinal acústico ten varias características: enerxía, armónicos reducidos na banda de frecuencia de 7-8 kHz, frecuencia básica, etc. Neste sinal hai ruídos. Estes sons, segundo as regras da linguaxe, constitúen unidades léxicas. Cada ruído ten as súas características acústicas. Por tanto, estes elementos, sons e unidades léxicas que aparecen codificados no sinal de voz, deben ser descodificados paira coñecer a mensaxe xerada.

Paira poder utilizar o sinal de voz no computador é necesario muestrearla. Paira iso, o sinal analóxico convértese en dixital. A continuación se parametriza o sinal dixital paira reducir a información redundante da voz, é dicir, extráense as características máis características do sinal: enerxía, frecuencia básica, certos parámetros relacionados coas frecuencias, etc.

O recoñecemento da voz realízase mediante dúas técnicas, una baseada en palabras illadas ou silenciosas, e a outra é a denominada membrana continua. En ambos os casos, para que o sistema entenda a mensaxe, debe dispor dun descodificador de modelos acústicos: no caso de palabras illadas utilízanse modelos de palabras e no caso da lingua continua, modelos de sons e unidades léxicas.

No primeiro caso, o funcionamento do sistema é moi sinxelo: compárase o sinal cos modelos de palabras que se estudaron e elíxese o modelo de palabra máis parecido. En canto ao coñecemento da linguaxe continua, o proceso divídese en dúas fases: a descodificación acústico-fonética e a modelización da linguaxe. Na fase de descodificación acústico-fonético obtense a cadea de sons do sinal de voz. A continuación, na fase de modelización da linguaxe, obtéñense as unidades léxicas e, utilizando regras sintácticas e semánticas, se descodifica a mensaxe que contén o sinal. Nese momento xa o computador é capaz de coñecer o idioma.

O proceso leva a cabo mediante diferentes métodos matemáticos. En canto aos modelos acústicos, as aproximacións estrutural-estocásticas, modelos ocultos de Markov. Doutra banda, paira aprender modelos e coñecer a mensaxe, outros algoritmos: Baum-Welch, Viterbi.

E é que para que o sistema funcione correctamente ten que coñecer cada ruído. Por tanto, debe aprender diferentes mostras de cada son, xa que os sons producidos por unha e outra persoa son diferentes. Por iso, nesta fase de coñecemento automático da linguaxe é imprescindible contar cunha gran base de datos, xa que cantos máis falantes haxa, máis características poderá recoller e coñecer o sistema. É dicir, para que o sistema poida coñecer cada un dos sons necesita una gran cantidade de mostras de cada un deles.

Eúscaro especial?

Até a data, e tamén na UPV, traballouse maioritariamente con modelos en castelán, pero o traballo do grupo de recoñecemento automático da lingua vai chegar pronto, xa que desde hai anos está a traballarse maioritariamente co eúscaro. Desde o punto de vista das características da lingua, o eúscaro pode ter peculiaridades. "En canto aos sons, di Karmele Lopez de Ipiña, integrante do Grupo de Recoñecemento Automático Mintzo, non parece que sexa máis difícil que o resto de linguas, porque niso non hai nada raro. En canto ao léxico, o eúscaro é especial, xa que a lingua é adhesivo. Por exemplo, paira nós a palabra casa é casa, pero paira eles o que é de casa —a palabra non cambia— paira nós é de casa, e iso é una palabra nova. O eúscaro ten un gran futuro no campo do coñecemento oral automático, sobre todo polo interese que espertou na comunidade científica grazas ás súas características específicas".

A base de datos de Telefónica tivo eco, pero no Departamento de Electricidade e Electrónica da UPV/EHU de Leioa colaboraron co apoio do Departamento de Filoloxía Vasca de Vitoria-Gasteiz e coa subvención do Goberno Vasco. "Desde hai moitos anos o noso grupo comezou a desenvolver un sistema de recoñecemento automático da lingua vasca. En concreto, deseñáronse dúas bases de datos de voz, una paira o seu uso en aplicacións telefónicas e outra paira o desenvolvemento de sistemas de calquera tipo. Con iso, no que respecta ás bases de datos fonéticas, conseguimos equiparalas a outras linguas. Se nos fixamos nas persoas que traballan neste campo no mundo, podemos dicir que non estamos tan mal, estamos nun par".