Skip to the content ForoHackers
Log inJoin

Voz: por dónde empezar

Speech
#2848 · · Quote · Report

La tecnología de voz abarca convertir audio hablado en texto, texto en audio, y saber quién habla. Está detrás de los subtítulos, el dictado y las interfaces de voz. La voz es una señal que varía con el hablante, el acento, el ruido y el micrófono, así que el trabajo es mitad procesamiento de señales y mitad aprendizaje.

Conceptos clave

  • Nociones de audio: frecuencia de muestreo, profundidad de bits, tramas y la transformada de Fourier, que convierte una forma de onda en un espectro.
  • Características: espectrogramas y representaciones en escala mel, la entrada habitual de los modelos.
  • Reconocimiento de voz: pasar de audio a texto, con un modelo acústico más un modelo de lenguaje, o con una sola red de extremo a extremo.
  • Síntesis de voz: de texto a onda, con un modelo acústico que predice un espectrograma y un vocoder que lo convierte en sonido.
  • Tareas sobre el hablante: identificación, verificación y diarización, que marca quién habló y cuándo.

Vocabulario

  • Fonema: la unidad de sonido más pequeña que distingue palabras en un idioma.
  • Espectrograma: una imagen del contenido en frecuencias a lo largo del tiempo.
  • Tasa de error de palabras: sustituciones, omisiones e inserciones divididas por el número de palabras de referencia.
  • Alineación forzada: hacer coincidir una transcripción conocida con los instantes exactos del audio.

Qué estudiar, en orden

  1. Graba un sonido, dibuja su forma de onda y su espectrograma, y mira en qué se distinguen las vocales.
  2. Estudia el muestreo, el aliasing y los filtros en un curso o un texto de procesamiento de señales.
  3. Construye un detector de palabras clave sobre características mel con una red pequeña.
  4. Ejecuta un sistema de reconocimiento sobre grabaciones de voces distintas y calcula la tasa de error de palabras.
  5. Lee cómo funciona la síntesis y prueba cómo responde una salida con nombres, números y entradas ruidosas.

Etiquetas relacionadas

#signal-processing #nlp #deep-learning #accessibility #multimedia

You are not logged in, so this goes up anonymously: no account, no name and no address is stored with it, and it may carry no link and no image. Log in or join to post under your name. Our web server's logs keep the address and time of every request for up to 14 days; to keep yours out of them, use Tor. To reach the staff in confidence, use the drop. Sign as a returning source (a key kept only in this browser)

Sending takes a few seconds here: your browser first works out a proof of work against spam.

Reply