Inteligência Artificial - Departamento de Informática

Inteligência Artificial
SPEECH
Departamento de Informática
João Casteleiro Nº14017
Rui Raimundo Nº14447
Sérgio Dias Nº13868

SPEECH
Sumário
‣ Introdução
‣ Cronologia
‣ Conceitos
‣ Funcionamento do processador de voz
‣ Aplicações
‣ Restrições
‣ Considerações finais

SPEECH
Introdução
‣ O processamento de voz como área da inteligência artificial
surgiu no final da década de 1950, onde instituições de
pesquisa estudavam meios de fazer com que a voz fosse
processada pelo computador, tendo um acentuado
desenvolvimento nos últimos anos.
‣ Compreender a fala transcrita envolve uma inteligência que a
máquina não possui.
‣ O forte desenvolvimento nesta área fez com que a tecnologia
de voz pudesse trazer benefícios reais a uma vasta área
cientifica.

SPEECH
Cronologia
‣ 1779 – C.G. Kratzenstein
Primeira máquina de sintetizar a fala
‣ 1791 – W. R. von Kempelen
Máquina de fala continua
‣ 1835 – Wheatstone
Demonstra máquina de von Kempelen (Fig.1)
‣ 1939 – Homer Dudley
Primeiro sintetizador de fala eléctrico
Vocoders

SPEECH
Cronologia

SPEECH
Cronologia
‣ 1964 – IBM apresenta sintetizador para fala de dígitos
‣ 1978 – Texas Instruments lança chip para síntese de voz
‣ 1993 – IBM lança primeiro software comercial para reconhecimento
de voz
‣ 1993 – Apple apresenta rotinas para Mac para reconhecimento e
síntese de voz
‣ 1994 – Dragon Systems apresenta o Dragon Dictate para ditados

SPEECH
Cronologia
‣ 1996 – IBM apresenta o MedSpeak/Radiology, primeiro produto para
reconhecimento da fala em tempo real
‣ 1996 – OS/2 Warp sistema que embute comandos de voz
‣ 1997 – Dragon Systems disponibiliza reconhecimento de fala
contínua em inglês
‣ 1997 – IBM lança ViaVoice
‣ 1998 – IBM lança ViaVoice em português

SPEECH
Cronologia
‣ 1998 – MicroPower lança DeltaTalk, , sintetizador de voz em
português
‣ 1999 – Philips lança FreeSpeech 2000, com reconhecimento de
português
‣ 1999 – Lotus e Corel acrescentam recursos de voz aos seus pacotes
de aplicativos
‣ 2000 – L & H lança o Dragon NaturallySpeaking 5.0
‣ 2001 – Microsoft apresenta recursos de voz (para ditados e voz)
para Office XP

SPEECH
Conceitos
‣ A expressão “reconhecimento de voz” têm uma utilização com
diversos sentidos, que na verdade referem-se a tecnologias distintas.
‣ O processamento de voz pode ser aplicado:
Comandos por voz (reconhecimento de palavras)
Fala natural
Síntese de voz
Autenticação de voz
‣ O reconhecimento de palavras processa um pequeno trecho de fala
digitalizada, para identificar que tipo de acção o sistema deve tomar.
Ex: Central telefónica com atendimento automatizado.

SPEECH
Conceitos
‣ O reconhecimento de fala natural (ou fala continua) envolve uma ou
mais frases, isto é, várias palavras que tenham um sentido
semântico, em que a fala reconhecida é convertida em texto.
Ex: Ditado de documentos.
‣ A síntese da voz é o processo contrário ao do reconhecimento da
fala. O sintetizador recebe um texto em forma digital e transforma-o
em ondas sonoras, ou em outras palavras fazendo uma leitura em
voz alta.
Ex: Acesso a informação a utilizadores com deficiência visual.

SPEECH
Conceitos
‣ A autenticação baseia-se no facto da voz ser uma característica
identificadora da pessoa.
Ex: Acesso a determinadas funcionalidades, num telemóvel por exemplo.

SPEECH
Funcionamento do
Processador de Voz
‣ O computador não fala a nossa linguagem.
‣ Quando o utilizador fala, um microfone converte a voz em um sinal
analógico e envia-o para a entrada da placa de som do PC, na qual
um conversor analógico-digital, cria um fluxo de dados digitais, que
é interpretado pelo software existente.
‣ Todos os programas utilizam dois componentes primários:
Modelo acústico
Modelo linguístico

SPEECH
Modelo acústico
‣ O modelo acústico analisa os sons da voz do utilizador.
O processo de conversão de voz segundo o modelo acústico:
‣ remove ruídos e informações desnecessárias
‣ Reduz os dados para um dado espectro de frequência, por
meio de cálculos matemáticos
‣ Análise e conversão para representações digitais dos
fonemas da língua

SPEECH
Modelo acústico
Por exemplo:
Ao pronunciar uma frase do género:
“o homem foi para casa de táxi”
O programa irá identificar aproximadamente os seguintes fonemas:
ô-ó-m-ê-m-f-ô-i-p-a-r-a-c-a-z-a-d-ê-t-a-c-s-i

SPEECH
Modelo linguístico
‣ O modelo linguístico analisa o conteúdo da fala e compara as
combinações de fonemas com as palavras contidas no dicionário do
programa.
‣ Sistema programado para reconhecimento de comandos, é mais
simples do que se for para reconhecimento de linguagem natural.

SPEECH
Funcionamento do
Processador de Voz
‣ A análise dos sons não é suficiente para identificar correctamente um
termo, pois existem muitas palavras com pronúncia semelhante.
Ex: a palavra mal e mau (palavras homófonas).
‣ Para contornar este problema os programadores utilizam trigramas,
para efectuar a análise do contexto onde a palavra é utilizada.
‣ Assim sendo o dicionário deve :
registar classes gramaticais de cada vocábulo
Conter um modelo gramatical com as construções possíveis e a
probabilidade de ocorrência de cada tipo de construção.

SPEECH
Funcionamento do
Processador de Voz
‣ O programa deve processar os fonemas para identificar
correctamente o agrupamento de palavras.
‣ Por exemplo:
Ao ouvir a palavra comunicação, o programa terá de decidir se ouviu
“comunica acção” ou um único termo.
‣ O modelo gramatical vai indicar qual é a construção mais plausível.

SPEECH
Funcionamento do
Processador de Voz
‣ Na síntese de voz, as dificuldades técnicas são outras. Com a ajuda
de um dicionário interno, o programa converte cada palavra em
fonemas e descobre qual é a duração e a tonalidade de cada um.
‣ Uma palavra homógrafa e não homófona tem pronúncias distintas.
‣ Por exemplo:
‣ Ao dizer “eu olho” ou “o olho” estamos a utilizar a mesma palavra mas
de significados distintos sendo uma um verbo e outra um substantivo.
‣ É nestas circunstanciais que entra o modelo gramatical, que
permitirá ao sintetizador ter condições de emitir a pronúncia
adequada ao verificar a construção sintáctica da frase.

SPEECH
Modelo de geração de
entoação
‣ Para que a fala pareça natural também é necessário impor um ritmo
na leitura de cada frase, respeitar a pontuação e dar uma entoação
correcta.
‣ Para além dos modelos acústico e linguístico, o sistema de síntese de
voz necessita de um modelo de geração de entoação.
‣ O modelo de geração de entoação continua a ser o maior desafio
para o desenvolvimento da tecnologia de síntese de voz.
‣ Este sistema pode ser algorítmico ou baseado em modelos.

SPEECH
Modelo de geração de
entoação
‣ O sistema algorítmico tende a ser incompleto, pois as variações e
excepções são predominantes sobre as regras.
‣ O sistema baseado em modelos é construído sobre várias amostras
de pessoas lendo todo o tipo de texto, amostras estas que dão
origem a um modelo matemático, que é seguido pelo sintetizador.
‣ A reprodução final da fala resulta da concatenação de vários
fonemas.

SPEECH
TTS e ASR
‣ Numa plataforma de atendimento automatizada são utilizados 3
algoritmos:
ASR (Automatic Speech Recognition) – trata-se do reconhecimento da
fala, considerado o coração da solução.
Autenticação de voz – possibilita a identificação do utilizador sem a
introdução de senhas.
TTS (text-to-speech) – algoritmo que permite a “verbalização” de
informações escritas. Isso viabiliza, por exemplo, ouvir um e-mail por
meio de telefone.

SPEECH
Aplicações
‣ Exemplos de sistemas recentes:
Tecnologia permite acesso à Internet por telefone
Uma empresa inglesa especializada em tecnologias de reconhecimento de
voz, desenvolveu um programa que permite aos consumidores aceder a
informações do seu site através de telefone.
Reconhecimento de voz em centros de atendimento telefónico
Este tipo de sistema baseia-se no reconhecimento de voz contínuo. Este
tipo de sistema é utilizado nas centrais automáticas de atendimento ao
cliente. O utilizador conversa com o sistema em vez de usar o teclado do
telefone.
Telemóveis que ouvem e transmitem dados
Em certos equipamentos, é já possível o utilizador dar uma ordem ao
telemóvel e este executa essa ordem sem que o utilizador tenha de ir ao
menu de tarefa e executar a tarefa.

SPEECH
Aplicações
Carros com reconhecimento de voz
Desde alguns anos que se estão a desenvolver sistemas que vão
permitir aos condutores dar ordens ao computador de bordo e este
executar as essas ordens.
Sistema de diálogo Berti
Este sistema que foi desenvolvido pela Sympalog Voice Solutions
para a liga Alemã de Futebol, vai permitir que os adeptos de futebol
possam utilizar o telefone para saber as novidades das partidas de
futebol na Alemanha e na Europa. O serviço disponibiliza um diálogo
entre o utilizador e as gravações com as informações dos jogos.
Selector de carácter
A universidade do Sarre desenvolveu um produto que pode auxiliar a
melhorar o atendimento em “call centers”. Este software analisa a
voz dos clientes e o meio envolvente através do telefone ajudando a
determinar o perfil do cliente, por forma a fornecer um melhor
atendimento.

SPEECH
Aplicações
Sistema Forikulo
Trata-se de um sistema inovador criado na Universidade Técnica de
Kaiserslautern que consiste num sistema interactivo de rádio na
Alemanha, que permite que seja o próprio ouvinte a escolher a
programação das músicas em qualquer instante.
Robô da Samsung
Este robô é capaz de efectuar o reconhecimento da sua própria voz
e rosto, atender a comandos de voz aleatórios e a sintetização de
voz. Ele possui 2 tecnologias de reconhecimento de voz. Uma é
independente em relação à pessoa que fala, enquanto a outra é
dependente, sendo utilizada para reconhecimento dos comandos do
proprietário do robô.

SPEECH
Aplicações
‣ Dragon Systems, Lernout & Hauspie, IBM e Philips são as maiores
empresas que actuam neste mercado.
‣ Lernout & Hauspie dedicou-se fortemente ao seu tradutor Power
Translator, disponibilizando entre as opções de dicionário o
português.
‣ O Philips FreeSpeech, em português não é comercializado
isoladamente para o utilizador final, somente para parceiros que
tencionem integrar a aplicação em outros aplicativos.
‣ O IBM ViaVoice, em português pode ser adquirido em duas versões,
Standard e Pro ambas para plataforma Windows.

SPEECH
Aplicações
‣ A tecnologia ViaVoice para além de reconhecer ditados e comandos
de voz faz a conversão de texto em fala.
‣ Home Page Reader, da IBM que faz a leitura de páginas Web,
funcionando em nove idiomas de entre os quais se encontra o
português.
‣ O sistema Telephony, da IBM é acoplado a centrais telefónicas, para
atendimento automatizado, estando previstas as situações vulgares
enfrentadas por uma telefonista.

SPEECH
Restrições
‣ Para síntese de voz em português, as soluções disponíveis
apresentam qualidade equivalente, isto é, todas emitem resultados
inteligíveis, porém não muito agradáveis para os ouvidos.
‣ Programas ainda pecam pela sua monotonia.
‣ Programas com falta de expressividade.
‣ Incapacidade de imprimir entoação.
‣ Incapacidade da detecção e leitura de palavras em outra língua.
‣ Ex: “franchising” é lida com a pronúncia da nossa língua.

SPEECH
Restrições
‣ Para reconhecimento da fala contínua, os sistemas podem ser
treinados para compreenderem a maneira de falar de cada utilizador.
Com uma sessão inicial em que o utilizador lê alguns parágrafos
predeterminados, o programa cria um dicionário auxiliar com base
na voz e padrões da fala.
‣ Para comandos de voz, o sistema pode ou não solicitar um treino
individual, sendo sempre a capacidade de reconhecimento alta, uma
vez que o vocabulário para comandos é restrito à quantidade de
funções previstas pelo programa.
‣ Limitações ao nível do processamento de voz impostas pelos
transístores.

SPEECH
Restrições
‣ Os processadores quânticos serão o futuro da computação.
‣ O brutal poder de processamento que pode ser atingido pelos
processadores quânticos tem seria a solução oportuna à
complexidade exigida pelos sistemas de processamento de voz.
‣ Um computador quântico poderia controlar em tempo real centenas
de programas baseados em processamento de voz.

SPEECH
Considerações finais
‣ O sonho de comandar um computador através de voz hoje torna-se
possível.
‣ A tecnologia necessária é muito exigente mas o futuro caminha
muito rapidamente para colmatar estas carências.
‣ A grande área de aplicação desta tecnologia justifica o alto
investimento.
‣ Este tipo de tecnologia tem um alvo fundamental, acessibilidade.

SPEECH
Considerações finais
‣ Controle de um “ambiente” somente com a voz, abre novas
fronteiras a indivíduos com deficiências físicas/mentais.
‣ O resultados obtidos ainda não são os ideais.
‣ Com o desenvolvimento de processadores mais velozes, melhores
soluções serão obtidas, tornando popular e trivial os sistemas
baseados em processamento de voz .

SPEECH
FIM
Questões, dúvidas…