¿Por qué se necesitan voces en formato GPL?

Con el fin de que un sistema de reconocimiento de voz pueda funcionar, se necesitan dos tipos de ficheros: el corpus (voces); y la gramática o el modelo de lenguage.

El primero, al que se lláma Corpus, se crea mediante la extracción de datos estadísticos de ficheros con voces, esta información estadística es una representación del sonido que forma cada palabra. Contra más información de voces se tenga, el modelo de Corpus será más y más exacto.

El segundo es una gramatica o un modelo de lenguaje. La gramática es un fichero relativamente pequeño que contiene conjuntos de combinaciones de palabras. El modelo de lenguaje es un fichero más grande, que contiene la probabilidad de que aparezcan ciertas palabras en un determinado orden. Dependiendo de la aplicación se usará o bien una gramática (se definen una serie de frases, con un cierto formato) o un modelo de lenguaje (empleado para aplicaciones de dictado).

Problemas asociados a las soluciones actuales:

Los modelos acústicos no son Open Source

En la mayoría de los software de reconocimiento de voz del tipo 'Open Source', el modelo acústico no es abierto (no es Open Source). Es decir no te dan acceso al audio (la fuente o source en inglés) que se ha usado para crear el modelo acústico. En algunos casos, se da acceso, pero bajo licencias restrictivas sobre la distribución de estas fuentes (ej. sólo pueden ser usadas de forma personal o con propósitos educativos).

La razón de esto es que no hay suficiente Corpus de voz, que pueda ser usado realmente, o que no es sufientemente grande como para crear modelos acústicos de buena calidad para ser usados en software de reconocimiento de voz.

A pesar de que existen pequeños corpus disponibles para poder crear modelos acústicos, la mayoría (especialmente los grandes y mejor construidos, con los que se podrían construir buenos modelos acústicos) deben ser adquiridos bajo licencias restrictivas.

Debido a esto, aquellos proyectos que quieren distribuir su código libremente, deben adquirir licencias restrictivas del Corpus que limitan la distribución de la 'source' de voz, aunque puede ser que se permita distribuír modelos acústicos que se hayan creado.

VoxForge quiere resolver este problema, dejando disponible toda la información de todos los modelos acústicos y su 'source' (ej. los archivos de voz transcritos) bajo la licencia GPL - la cual obliga que la distribución de trabajos deribados de estos ficheros incluyan acceso a los fuentes usados para crear ese trabajo.

Las licencias restrictivas impiden acceso a la información a posibles colaboradores

Cada proyecto que necesite construir un modelo acustico usando un corpus restrictivo, debe adquirir su propia copia del corpus. Esto dificulta a los proyectos de reconocimiento de voz abiertos, que generalmente no tiene ingresos. Si un proyecto adquiere dichas licencias, las restricciones que estas imponen limitarán el acceso a esa información a los miembros del mismo. Esto limita la libertad y flexibilidad que le podría aportar los usuarios finales y los potenciales usuarios que podrían aportar su conocimiento al proyecto.

Los modelos acústicos no son Intercambiables

Cada uno de los software de reconocimiento de voz Open Source vienen con un modelo acústico. Sin embargo estos modelos acústicos no son intercambiables con otros programas de reconocimiento de voz. La forma de solucionar este problema, es proveer el "código fuente" que se ha utilizado para crear los modelos acusticos (la información de sonido del corpus, Speech Corpora, usado para crear el modelo acustico. De esta forma se le permitirá a posibles desarrolladores que "compilen" los modelos para ser usado con el software de reconocimiento de voz favorito.

VoxForge quiere acabar con este problema creando un repositorio de 'sources" de voces y su correspondiente transcripción, y además creando Modelos acusticos para ser usados directamente con los principales programas open source de reconocimiento de voz (como son Sphinx, Julius, HTK y ISIP) .

Los modelos lingüisticos necesitan ser mejorados

Los modelos acústicos que se usan actualmente en los software de reconocimiento de voz 'Open Source' no tienen el mismo nivel de calidad que los empleados por soluciones de reconocimiento de voz comerciales.

VoxForge quiere centralizar la localización de material con voces y sus correspondientes transcripciones, distribuyéndolas en formato GPL. Contra más audio se pueda recoger, el modelo acústico que se genere del mismo será más completo y podrá ser comparable con los sistemas de reconocimiento comerciales.

No existe software de dictado Open Source

La mayoría de los sistemas de reconocimiento de voz Open Source están diseñados para entender comandos y construír aplicaciones de operadora automática entelefonía (ej. Sphinx, HTK y ISIP).  Julius, por el contrario, ha sido diseñado para aplicaciones de dictado, sin embargo la distribución de  Julius sólo incluye modelos acústicos para Japonés. Dado que sus modelos acústicos son entrenados usando la herramienta HTK, se podría preparar para funcionar en otros idiomas, como pueden ser inglés o castellano. Lo unoco que se necesita para esto es horas y horas de voces grabadas. El mismo audio recogido de esta forma, podría ser usado por otros softwares de reconocimiento para poder implementar aplicaciones de dictado.

Actualmente VoxForge tiene como objetivo el reconocimiento de voz no orientado al dictado, pero en un futuro, cuando la cantidad de grabaciones de las que se dispongan aumenten, los datos podrían ser usado para la creación de modelos acústicos para software de dictado (para la primera aplicación se estima que se necesitan unas 140 horas de audio, mientras que para sistemas de dictado unas 2000!!!).

El Objetivo de VoxForge

Actualmente, es posible el que un usuario pueda crear un modelo acústico para reconocer su propia voz, usando software de reconocimiento Open Source, sólo se necesita tiempo y paciencia. El objetivo principal de VoxForge es crear un Modelo Acustico multi-usuario, que pueda ser utilizado (sin entrenamiento) para:

• Operadora automática de telefonía (IVR) (Modelos acústicos a 8kHz);
  
• Comandos y control de puestos (Modelos acústicos a 16-48kHz);
• Aplicaciones de dictado (en un futuro).
  

Para poder cumplir esto, VoxForge tendrá disponible un repositorio de datos con los ficheros de audio (y sus transcripciones). Además dispondrá de los Modelos Acusticos, que se irán mejorando con las contribuciones de las voces que los donantes desinteresados dejen (según se vaya contribuyendo con nuevos audios, estos serán unidos al modelo acústico muti-usuario de VoxForge).

Según se vaya recogiendo más y más datos de voz, la creación de modelos acústicos para una única persona, también será más sencillo. Esto es debido a que los usuarios podrán adaptar el modelo multi-usuario de VoxForge para que reconozca su voz, en lugar de crear uno desde zero. Aunque contra más datos se tengan disponibles, llegará un punto en el que el modelo de VoxForge podrá reconocer la voz de cualquiera sin la necesidad de adaptarse a la de un usuario concreto.

Para llevar acabo este objetivo, se necesita tu ayuda. Hay dos maneras en las que puedes ayudar:

• Crea ficheros de voz transcritos y mándalos a VoxForge:
  

• Puedes crear tus propios ficheros de voz y mandarlos a VoxForge;
  
• VoxForge los compilará en su modelo acústico multi-usuario.

• Crea tus propios Modelos Acústicos y envía los ficheros de audio de voz usados para crearlos a VoxForge:

• Usa nuestros How-to o tutoriales para aprender cómo crear tu propio Modelo Acústico y envianos los datos de voz y sus transcripciones;
  
• VoxForge los compilará en su modelo acústico multi-usuario.

Actualmente estamos recogiendo audio de alta calidad (48kHz/16-bit) y se hace downsampling para ser utilizado en aplicaciones de telefonía (8kHz/16-bit) y en aplicaciones de comandos y control de puestos (16kHz-48kHz/16-bit).  

La ventaja de recoger datos a estas altas frecuencias aseguran que estos ficheros puedan ser usados también en la creación de modelos acústicos para aplicaciones de dictado (hay que hacer constar que será necesario crear nuevos modelos de lenguaje estadísticos robustos, para usar estos Modelos Acústicos).

Más información sobre la creación de modelos acústicos.

¿Por qué GPL?

Licencias sin restricción no serían efectivas

Creemos que dejando el Speech Corpora disponible sin ninguna limitación, con licencias del estilo BSD no van a ayudar a la comunidad Open Source en este caso particular. Una licencia BSD permite que los usuarios puedan distribuir trabajos derivados, sin devolver las modificaciones de vuelta a la comunidad. En nuestra opinión, la comunidad de usuarios que podrían ayudar en el reconocimiento de voz Open Source, en caso de que se usase una licencia de tipo BSD no existirían suficientes colaboradores para llevar a cabo los proyectos. Si existiese una comunidad mayor, existiría mayor probabilidad de los trabajos se devolviesen a la comunidad, apesar de que no se les requiera hacerlo con la licencia de tipo BSD.

La licencia GPL asegura que las contribuciones que se hagan a VoxForge, van a beneficiar a la comunidad de sistemas de reconocimiento Open Source. Esto es así por que los trabajos derivados del VoxForge Speech Corpora deben ponerse disponibles en formato fuente para la comunidad (ej. el audio de voz transcrito).