Reconhecimento de fala

O Reconhecimento Automático de Fala (Automatic Speech Recognition - ASR) é uma tecnologia que permite a uma máquina transformar em texto o que uma pessoa está falando. Um sistema de ASR é normalmente constituído pelos seguintes elementos principais (Fig. 1):

Fig. 1 Componentes de um sistema de reconhecimento automático de fala.

Motor de reconhecimento

Software que implementa algoritmos específicos para executar todas as fases do reconhecimento de fala. Ele é responsável pelo processamento do áudio antes que ele seja reconhecido. Técnicas de remoção de ruído, detecção de início e fim de fala, e extração de features geralmente estão presentes nesse bloco do sistema.

Modelo acústico

Conjunto de dados que representa matematicamente os sons que formam as palavras do idioma (denominados fones). Modelos acústicos são criados a partir de grandes bases de fala, gravadas com vários locutores.

Modelo da língua

Conjunto de dados que define como as palavras podem ser combinadas para formar as frases do idioma. O modelo da língua pode ser constituído por uma gramática composta por regras escritas por uma pessoa, ou por um modelo para fala livre gerado a partir de uma grande quantidade de texto e aplicado no reconhecimento de fala espontânea.

A dinâmica geral do reconhecimento de fala é representada em Fig. 2. O reconhecimento de fala inicia com o usuário falando uma frase ao sistema. A frase corresponde a um sinal de áudio. O sinal de áudio é processado pelo motor de reconhecimento que realiza a detecção do segmento de fala (destacado na figura). O segmento de fala é então reconhecido e a frase correspondente é retornada pelo sistema.

Fig. 2 Fluxo geral do reconhecimento

Quando o reconhecimento tem como fonte um streaming de áudio, este áudio é geralmente enviado em blocos curtos e o reconhecimento é executado à medida que esses blocos são recebidos.

Algumas informações importantes são retornadas pelo sistema:

Texto reconhecido

O reconhecimento de fala retorna a frase mais provável encontrada a partir do segmento de fala recebido. Além da frase mais provável, o sistema pode retornar também a lista das N frases mais prováveis (n-best list).

Índice de confiança

O índice de confiança é um valor numérico que ajuda a avaliar a certeza no resultado obtido. No CPqD ASR, ele é um valor inteiro que varia de 0 (menor confiança) a 100 (maior confiança). Há atualmente três tipos disponíveis: confiança do texto, confiança semântica e confiança por palavra.

Interpretação semântica

A interpretação semântica permite associar uma variedade de frases reconhecidas a um significado único (Fig. 3), facilitando a integração entre a aplicação e o sistema de reconhecimento de fala, pois ao invés de usar diretamente o texto retornado, a aplicação pode usar um valor padronizado. A interpretação pode ser um valor textual simples ou um valor estruturado (ex. JSON).

Fig. 3 Interpretação semântica