Aprendizaje automático para el entrenamiento de reconocimiento de voz Ppt

Diapositiva 1

Esta diapositiva presenta el reconocimiento de voz como una aplicación de aprendizaje automático. Es una característica que permite que un software de computadora convierta el habla humana en texto.

Diapositiva 2

Esta diapositiva muestra el funcionamiento de un sistema de reconocimiento de voz. El proceso de tres pasos incluye nivel de señal, nivel acústico y nivel de idioma que convierte una señal analógica en transcripción.

Diapositiva 3

Esta diapositiva enumera las características clave de un sistema de reconocimiento de voz eficaz y eficiente. Estas funciones incluyen la ponderación del idioma, el entrenamiento acústico, el etiquetado de los oradores y el filtrado de blasfemias.

Notas del instructor:

• Ponderación del idioma: puede mejorar la precisión al ponderar palabras específicas que se usan con frecuencia, como nombres de productos.
• Capacitación en acústica: estos sistemas impulsados por ML prestan atención a la parte acústica del negocio. Entrena al sistema para que se ajuste a los estilos de habla (como el tono de voz, el volumen y el ritmo) y los entornos acústicos (como los que se ven en los centros de llamadas)
• Etiquetado de oradores: estos sistemas pueden crear una transcripción de una conversación de múltiples participantes que hace referencia o etiqueta las contribuciones de cada orador
• Filtrado de blasfemias: los filtros se pueden usar para identificar palabras o frases específicas y limpiar la salida de audio

Diapositiva 4

Esta diapositiva muestra tipos de algoritmos de reconocimiento de voz. Estos incluyen el procesamiento del lenguaje natural, el modelo oculto de Markov, los N-gramas, las redes neuronales y la diarización del hablante.

Notas del instructor:

• Procesamiento del lenguaje natural: si bien el procesamiento del lenguaje natural (NLP) no es estrictamente un método específico para el reconocimiento de voz, es una rama de la inteligencia artificial que se enfoca en la interacción hombre-máquina a través de lenguajes, como el habla y el texto. Muchos dispositivos móviles tienen reconocimiento de voz integrado para realizar búsquedas por voz (p. ej., Siri) o para mejorar la accesibilidad de los mensajes.
• Modelo oculto de Markov: los modelos ocultos de Markov nos permiten agregar eventos ocultos en un modelo probabilístico, como etiquetas de parte del discurso. Se utilizan como modelos de secuencia en el reconocimiento de voz, asignando etiquetas a cada elemento de la secuencia, como palabras, sílabas, frases, etc. Estas etiquetas crean un mapeo con la entrada disponible, lo que le permite identificar la secuencia de etiquetas más relevante.
• N-Grams: este es el modelo de lenguaje más básico, en el que se asigna probabilidad a las oraciones o frases. Un N-grama es una colección de N palabras. Por ejemplo, "Ordena la pizza" es una frase de 3 gramos, mientras que "Por favor pide la pizza" es una frase de 4 gramos. La gramática y la probabilidad de secuencias de palabras particulares se utilizan para aumentar el reconocimiento y la precisión.
• Redes neuronales: los datos de entrenamiento se procesan mediante redes neuronales, que utilizan capas de nodos para replicar la interconexión del cerebro humano. Entradas, pesos, un sesgo y una salida conforman cada nodo. Si el valor de salida alcanza cierto umbral, el nodo se activa y los datos pasan al siguiente nivel de la red. A través del aprendizaje supervisado, las redes neuronales aprenden esta función de mapeo y luego la modifican mediante el descenso de gradiente basado en la función de pérdida.
• Diarización del hablante: los algoritmos de diarización del hablante reconocen y segmentan el habla en función de la identidad del hablante. Esto permite que los programas distingan entre las personas en una discusión y se usa comúnmente en los centros de contacto para distinguir entre clientes y ejecutivos de atención al cliente.

Diapositiva 5

Esta diapositiva muestra el caso de uso de IBM del reconocimiento de voz impulsado por Machine Learning. Las tecnologías y los servicios de reconocimiento de voz permiten a IBM automatizar operaciones comerciales complicadas mientras adquiere conocimientos comerciales críticos.

Notas del instructor:

• IBM Watson Speech to Text: IBM Watson Speech to Text es una solución basada en la nube que aplica información sobre gramática, estructura lingüística y composición de señales de audio/voz para generar un reconocimiento de voz personalizado para una transcripción de texto eficaz.
• IBM Watson Text to Speech: IBM Watson Text to Speech ofrece audio similar al humano a partir de texto escrito, ampliando la accesibilidad en todos los idiomas y modos de interacción y aumentando el compromiso y la felicidad del cliente.