Artículo BIT
Especial Robótica: ¿el medio más natural de comunicación con las máquinas?
Es casi inevitable emplear la palabra "boom" para calificar lo que ha ocurrido en los últimos cinco años en el campo de la comunicación hablada con las máquinas. Un ajedrez, una calculadora que parecen hablar, un aparato de televisión que oye, son algunos ejemplos introducidos en la vida cotidiana. A primera vista se trata nada menos que de conceder la voz humana a las máquinas, y por tanto las expectativas, polémicas y controversias se han desatado. En este articulo intentaremos en primer lugar exponer con cierto rigor el estado actual de desarrollo del análisis y síntesis de voz, separando los aspectos sensacionalistas a la hora de sopesar los avances y dificultades que se presentan. Para entendemos mejor, comenzaremos por clasificar el terreno en que nos movemos. En primer lugar, existe una división tajante entre los dos sentidos de la comunicación hablada. Siempre ha sido más fácil hablar que escuchar, y aqui la diferencia es aún mayor. El problema del reconocimiento del habla sólo comparte con el de la síntesis un conjunto de técnicas de proceso básicas y la necesidad de un conocimiento más o menos preciso de los aspectos acústico-fonéticos de la señala de voz, pero son de naturaleza diferente. El reconocimiento se emparenta con el difícil "pattern recognition" general, y la primera impresión es que es varios órdenes de magnitud más complejo que la sintesis de voz. Asi pues, la primera clasificación es síntesis-reconocimiento. Centrándonos en la síntesis de voz, podemos Efectuar una nueva divisón entre sistemas con vocabulario limitado y sistemas con respuesta hablada sin restricciones. Desde el punto de vista del método de sintesis la clasificación se establece entre sistemas por codificación de la forma de onda y sistemas paramétricos -tipo vocoder-. Estas dos divisiones no se excluyen mutuamente, pu: diendo darse cualquiera de las cuatro combinaciones posibles. Antes de seguir adelante es necesario detenemos brevemente para discutir los métodos más empleados actual mente para la sintesis de voz. La forma más simple de almacenar la señal acústica correspondiente a la expresión física del habla es la codificación de la forma de onda temporal mediante cualquiera de los métodos ya clásicos y bien establecidos -PCM, LOGPCM, DPCM, ADPCM, DM- Estos procedimientos son tanto más complicados cuanto más bajen el caudal de información en la representación aprovechando propiedades conocidas de la señal de voz. Una variante de los codificadores de onda son los codificadores de transformada, en los que se pasa al dominio de la frecuencia antes de efectuar la codificación; este procedimiento permite gastar información preferentemente en las bandas de frecuencia de mayor energia, resultando una representación más eficiente del espectro. Todos estos métodos están sujetos a la ley del intercambio entre cantidad de información en la representación y complejidad para la codificación/decodificación de la señal. Los limites inferiores en el caudal de información son 30 KBPS para los primeros y 9,6 i<BPS para los segundos, manteniendo la calidad telefónica de la señal. Un inconveniente común a todos ellos es la rigidez de la representación, que los limita a aplicaciones de vocabulario limitado. Su campo natural de aplicación es el de transm isión d ig ital de la voz. Los sistemas más complejos descritos más arriba lindan con-los que hemos denominado paramétricos. En aquellos se reduce información a costa de introducir en la codificación/decodificación más y más detalles sobre la estructura de la señal. El salto no es muy am pl io cuando se propone un modelo de producción de voz, y en vez de cod ificar algo relacionado con la señal, se codifican los parámetros del modelo. Este modelo, propuesto en los años 50, consta esencialmente de un tubo acústico variable y una fuente de exitación -impulsos periódicos para los sonidos sonoros y ruido blanco para los sordos-. La señal del habla es claramente no estacionaria, pero en intervalos inferiores a 20 ms si puede considerarse como tal. Por tanto, este tipo de representación implica una serie de tubos acústicos y excitaciones, actualizados a un ritmo comprendido entre 5 y 20 ms. La realización práctica de estos modelos paramétricos puede dividirse en articulatorios y filtrado lineal. En los modelos articulatorios se calculan las caracteristicas del tubo acústico a partir del movimiento de íos órganos que intervienen en la fonación, representándose el tubo mediante su función de transferencia (filtro lineal). Este procedimiento consume muchas operaciones aritméticas, por lo que los métodos que hemos llamado de filtrado lineal están más en boga. En vez de pasar por la etapa del cálculo del tubo acústico, se deriva directamente del análisis de la señal un filtro lineal que represente sus propiedades espectral es. Este modelo espectral al conformar las caracteristicas de las fuentes de excitación produce la señala de voz. Los métodos más usados para la deconvolución de la señal (separación entre excitación y respuesta de un filtro lineal) son los de predicción lineal y homomórfico. Con estos sistemas pueden constru irse vocoders (Voice-Coders) con un caudal de información tan bajo como 600 BPS. Sin embargo, la gran ventaja de los métodos de sintesis paramétricos es que la descomposición de la señala es tan profunda que la flexibilidad resultante es máxima. Un cálculo adecuado de las trayectorias de los parámetros del modelo hará que éste "hable" con bastante naturalidad. Los sistemas de respuesta hablada de I vocabulario I im itado actualm ente comerciaizados son en su mayoria de predic- I ción lineal. La calidad de la voz es mala -tipo vocoder- pero tienen un determinado sector de aplicaciones. La capacidad de hablar un texto cualquiera equivale al conocimiento de un modelo de lectura en voz alta. Un sistema de este tipo no puede basarse en la pregrabación, cualquiera que sea el método empleado, de los mensajes de salida. La entrada debe ser un texto ortográfico arbitrario, mientras que la salida es la seña" acústica correspondiente a la lectura de ese texto. En medio lo que hay son bancos de datos y reglas de composición de los mensajes. Llegamos asi al techo de los sintetizadores de voz, denominados sintetizadores por regla, equiparables desde el pu nto de vista de entrada y sal ida a los lectores humanos. Dada la importancia de la sintesis por regla, describiremos brevemente sus caracteristicas más genrales. De entrada, y común a cualquier enfoque del problema, es necesario deshacer la falta de univocidad entre los caracteres escritos y los sonidos correspondientes efectuando una transcripción ortográfico-fonética. Este proceso puede llegar a ser muy complejo, como en el inglés. En el otro extremo de la cadena de un sistema de sintesis por regla se encuentra un modelo de aparato fonador, que suele ser casi siempre un sintetizador por formantes (filtro constituido por re El Instalador telefónico recibe las Instrucciones por VOl procedentes de un ordenador sonadores y antirresonadores de segundo orden), y a veces un modelo articulatorio. y uniendo ambos extremos, el cálculo de las trayectorias de los parámetras de control del sintetizador, funciones temporales muestreadas a un ritmo de unos 10 ms. Estas trayectorias resultan de la aplicación de un conjunto de reglas, agrupadas en dos niveles jerárquicos, a la cadena de simba los fonéticos. En el nivel inferior se resuelve la sintesis de los sonidos considerando un contexto muy estrecho (sonidos adyacentes), yen el superior se trabaja con frases completas, introduciendo el ritmo, la entonación y la intensidad que hacen comprensible el contenido del mensaje que se sintetiza. Las realizaciones de sintesis por regla de alta calidad, dada su complejidad, son escasas. Las más relevantes son en sueco, (G. Fant), y en inglés, Instituto Tecnológico de Massachusetts y Bell Systems. En español, en la E .T.S.I. Telecomunicación, Dpto. de Electrónica, se dispone de una primera simulación de un sintetizador por regla. La otra gran vertiente de la comunicación hablada con las máquinas es el reconocimiento de voz e identificación de locutores. La clasificación de los sistemas de reconocimiento se basan en. tres factores: longitud del vocabulario, palabras aisladas o habla continua, y dependencia o independencia del locutor. Combinando estos tres factores, el sistema más simple seria similar a un reconocedor de los diez d ígitos pronunciados aisladamente por un solo locutor. El tope estada en un reconocedor de un vocabulario del orden de unos miles de palabras pronunciadas de forma continua con arreglo a la síntesis de un idioma natural y por un locutor cualquiera con suficiente dominio de la fonética del idioma en cuestión. Los sistemas actuales necesitan un entrenamiento previo sobre las voces a reconocer, y entre los más complejos pueden citarse el DP-100 japonés, capaz de aceptar un vocabulario de unas cien palabras, y el desarrollado por IBM en Norteamérica, con un vocabulario de unas mil palabras, sintaxis restringida y un solo locutor. Las previsiones para un reconocedor de habla conectada no restringida y locutor cualquiera no son para este siglo, en el caso de que sea posible un sistema de esas características. Inspección y entrada de datos por Los modelos de producción de voz que se han establecido permiten una labor de ing8nieria fructifera, que puede replicar el mecanismo de la fonación con bastante aproximación. En cambio, no existen modelos de percepción del habla; se sabe que el odo interno actúa como un analizador ds espectros, y que las señales que recoge y transmite el nervio auditivo representan en el dominio frecuellcial a la voz. Pero el nervio auditivo termina en la corteza cerebral, y muy poco se conoce de su funcionamiento. Carentes de un odelo de comportaiento suministrado por la naturaleza, mal deben ir las cosas, y efectivamente, asi es. Las técnicas utilizadas en reconocimiento son "explanatorias": básicamente consisten en Ull análisis de Fourier localizado seguido de una comparación con una serie de referencias patrón. La expresión reconocida será la que presente la mayor probabilidad a posteriori. Detrás de este anál isis aCLlstico, los sistemas más sofisticados cuentan con un proceso lingu istico en el que se utilizan las restricciones impuestas por la sintaxis de la lellgua para ayudar en la elección del cand idato más p robab le. D e todas fo rm as, las técnicas de reconocimiento son rudimentarias, voraces en cuanto al consumo de operaciones aritméticas, e inconsistentes frente al aumento de la extensión del vocabulario a reconocer y del número de locutores que pueden "oir". La capacidad de proceso del canal auditivo es inimaginable para el estado actual de la tecnologia. Basta citar como ejem pl os el fu ncio nam iento co n niveles muy altos de ruido, simultáneamente más de una fuente, o atender de forma selectiva a una fuente determinada prescindiendo del resto de las fuentes de sonido. Resulta obvio que un sistema de este tipo no se sabe siquiera cómo o cuándo se podrá simular. Sin embargo, ij corto y medio plazo los esfuerzos de investigación se orientarán hacia técn icas efectivas de segmentación y análisis/reconocimiento de unidades inferiores a la palabra, y hacia procesos linguísticos que a partir de estas unidades efectúen una decisión teniendo en cuenta la estructura de la lengua. UNA HACIA EL fUTURO ¿Es posible, a comienzos de los años 80, plantear la pregunta: "cuándo el comportamiento verbal de una máquina se aproximará en más de un noventa por ciento al humano", y obtener una respuesta que no sea una mera especulación I emparentada con la ciencia ficción? Nuestra opinión es negativa, aunque haya que matizar teniendo en cuenta la dualidad sintesis/reconocimiento del problema. Ciñéndonos a la sintesis por regla, que engloba en gran medida todas las incógnitas y dificultades de la sintesis y que sin I duda debe ser la solución para dotar de I habla a una máquina, los primeros sistemas comerciales saldrán al mercado el próximo año. Una versión reducida del M ITalk 2- 79, sintetizador por regla desarrollado en la década de los 70 en el Instituto Tecnológico de Massachusetts, ha I sido trasladada a un microcomputador por Te!esensory Inc. El autor de este I articulo ha o ido hablar inglés a este sistema, conectado a un Optacón (reconocedor de caracteres ortográficos), con exploración automática del texto escrito. La calidad de la voz es "buena", sobre todo si no existe otra alternativa como es el caso para los invidentes. Sin embargo, dista mucho de ser una solución aceptable en cuanto a las propiedades de naturalidad, ritmo, inflexión, etc., que posee la voz de un lector humano no especialmente diestro. es una de las cimas, tal vez la más alta, de la sintesis de voz. ¿Es posible que el desarrollo tecnológico haya saturado las prestaciones de los modelos subyacentes, por lo que seria necesaria más investigación básica para lograr mejoras cual itativas en los sistemas actuales? Esta es una pregunta inevitable atendiendo al esquema clásico del desarrollo cientifico-técnico. La opinión más generalizada es que falta investigación sobre modelos de producción de la señal de voz, y realización a nivel acústico de las funciones prosódicas de orden superior (ritmo y entonación, a traves de los que se expresa gran parte del contenido semántica del mensaje, y de los que depende la naturalidad de la sintesis). Por otra parte, la solución óptima para la sintesis no puede quedar al margen de los modelos de percepción de vozLa diferencia que separa de forma radical a un lector humano de un sintetizador por regla es que el primero puede oirse, y esta re alimentación auditiva juega un papel vital en el control de la fonación. Sin embargo, en el momento actual carece de sentido un planteamiento de este tipo para la sintesis de voz. En el campo del reconocimiento de voz, tal vez por su complejidad y limitado desarrollo alcanzado, parece estar más claro qué hacer. Por un lado deben mejo El ordenador recibirá los datos por medio de la VOl del que reaiila la inspección rarse las técnicas de segmentación yanálisis de la selal de voz en unidades fonéticas del tipo semisílaba (o similares, pero siempre a nivel inferior a la palabra), y por otro, profundizar en el modo ell que el cerebro integra estas subunidades para formar palabras y frases. Al apuntar estas ideas estamos rozando la especulación: la organización de la memoria auditiva (parece ser que es de tipo asociativo), el papel del aprend izaje del lenguaje, el tipo de unidades acústicas que se reconocen, etc., son algunos de los muchos problemas sin resolver. Una respuesta conservadora a la pregunta que encabeza este apartado puede ser la siguiente: a fines de este siglo funcionarán sintetizadores por regla capaces de producir voz de alta calidad y naturalidad j que podrán constituir sistemas de respuesta hablada general fácilmente aceptables por el gran público; en cuanto al reconocimiento, es probable que en el mismo plazo existan sistemas tan complejos como "una secretaria con micrófono", un reconocedor con un vocabulario del orden de dos o tres mil palabras habladas por un único locutor (con entrenamiento previo de la máquina a las características de la voz del usuario) y con una estructura sintÉlctica restringida. Comenzaremos las conclusiones con una pregunta impertinente, y casi inevitable: ¿cuáles son los intereses económicos que mueven este asunto? A primera vista la situación puede parecer confusa, y hasta cierto punto contradictoria con la ley de rentabilidad de las inversiones. Aqu i también es necesario ~eparar los diferentes ingredientes que forman este tirl glado. En primer lugar, el desarrollo espectacular de los circuitos integrados digitales ha incidido lateralmente sobre estG campo. Los principales fabricantes de CI digitales han diseñado (pensamos que en su mavoria son productos residuales) pequeños sistemas de sintesis de voz que pueden prestigiarles y de paso aprovechar comercialmente la novedad del tema (un ejemplo clarde este fenómeno es TI y su sintetizador LPC, con i una cifra de ventas de varias decenas de miles) Otro posible mercado, en el que casi todo es válido, es el de los computadores personales. Tenemos un ordenador en casa, Iy además habla y oyel Las aplicaciones más "serias" son el acceso med iante voz a bancos de datos, la sustitución del os sistemas analógicos de respuesta hablada, la ocupación del canal auditivo y de habla de los operarios que realizan labores mecánicas, etc. ~Iinguna de estas aplicaciones es actualmente rentable debido al alto coste de inversión e investigación que precisan. La investigación está reservada a empresas del tipo IBM o Bell, y a Dptos. Universitarios. Las aplicaciones a más largo plazo son las de programar sistemas informáticos mediante voz y recibir respuestas habladas. Aqu i sólo es posible el trabajo de las grandes empresas, que no dejan ningún cabo suelto. El Hal-9000 del siglo próximo será un IBM y hablará inglés ¿o tal vez japonés? Mi opinión personal es que las máquinas del futuro no serán "charlatanas". Es fácil observar que la locuacidad disminuye con el nivel cultural y es lógico pensar que una civilización que puede producir una máquina con capacidad verbal tendrá pocas necesidades de hablar, y como consecuencia, también SllS máquinas. Porque además, en el fondo la voz humana son vibraciones mecánicas, completamente inadecuadas para establecer un lazo de comunicación privado. Lo más probable es que la voz sea L1n canal más de acceso a los sistemas informáticos, que se usará con moderación. Mientras tanto, no perdamos las esperanzas de que si llegan a existir máquinas parlantes y oyentes tengan un conmutador de desconexión fácilmente accesible.No conocemos la existencia de obras de divulgación sobre los temas tratados en este articulo. Suponiendo que exista algún lector decidido a aplacar su curiosidad a cualquier precio, indicamos algunas fuentes en inglés y con un contenido exclusivamente técnico. 1. G. FMH, "Acoustic theory of sepeech production" Mouton. The Hague-Paris 1970. "Piedra" angular de los modelos de producción de voz y del anál isis acústico de la señal del habla. . 2. "Speech anaIysis, synthesis and perception" SpringerVerlag. flew York. 1976. Obra clásica, compendio del saber sobre análisis/sintesis de voz a fines de la década de los 60, escrita por una autoridad eminente (Director del Departamento de Investigación Acústica de Bell Systems). Dedicado al tema "Man-machine communication by voice" recoge el pasado, presente y futuro de la comunicación hablada con las máquinas desde una perspectiva de mediados de los 70. Participan los investigadores más prestigiados del área. 4.-"Digital processing of sepeech signals". Prentice-Hall. New York. 1978. Revisión de las técnicas más modernas de proceso digital aplicadas a la señal de voz. Sus autores son dos de los más importantes investigadores en análisis/sintesis de voz.
30 oct 2015