Experimentos Introducción

Transcripción

1 Capítulo 5 Experimentos 5.1. Introducción En este capítulo se describirán los desarrollos y resultados de los experimentos realizados con el sistema de reconocimiento de voz presentado en este proyecto. Las pruebas se han realizado con un ordenador portátil de gama media. Este ordenador consta de un microprocesador mobile AMD Athlon XP2500+ a 1.86 GHz. y con 512 Mb de memoria RAM (64 de ellos compartidos con la tarjeta gráfica). La tarjeta de sonido es una tarjeta integrada en la placa base Conexant AC-Link Audio y se ha empleado para la captura de audio un micrófono corriente de uso doméstico. Para mostrar el entrenamiento y el reconocimiento mediante modelos ocultos de Markov se han elegido las cinco vocales empleadas en el habla del español. Se han elegido estos fonemas porque se pueden pronunciar de forma aislada para su entrenamiento en solitario. Como ya se ha comentado en el capítulo anterior, para trabajar con un número suficiente de fonemas como para entrenar y reconocer términos específicos se requiere una extensa base de datos de pronunciaciones con su correspondiente segmentación fonética. Al no disponer de dicha base de datos se ha optado por esta solución para poder demostrar la teoría expuesta mediante ejercicios prácticos. En el desarrollo del experimento se realizan mil grabaciones de cada fonema. Se analizará la distribución espacial de cada una de ellas en el espacio de los coeficientes cepstrales y su clasificación dentro de este espacio. Además se estudiará la evolución de los niveles de acierto en función del volumen de entrenamiento y las características de los modelos. 115

2 116 CAPÍTULO 5. EXPERIMENTOS 5.2. Distribución espacial de los vectores de coeficientes cepstrales De cada pronunciación de cada fonema (de la señal muestreada de cada una para ser exacto) se extrae una secuencia de vectores de coeficientes cepstrales y se clasifica cada uno de esos vectores de modo que se obtiene una secuencia de entrada para los modelos de Markov. El hecho de que los vectores de coeficientes cepstrales caractericen la pronunciación de un fonema queda demostrado en este experimento si se representan los valores de estos. En las figuras que se incluyen a continuación (Figuras 5.1, 5.2, y 5.3) se han representado por parejas (una en abscisas y otra en ordenadas) algunas de las componentes de estos vectores. Cada uno de los puntos representa a un vector y su color indica a que vocal pertenece (véase la leyenda de las figuras). De las trece componentes de cada vector, siendo las tres últimas la energía y sus derivadas primera y segunda, algunas son mas significativas en la diferenciación entre vocales y otras apenas permiten su distinción. Se observa en las figuras que los vectores de cada vocal, aun coexistiendo en los límites, se encuentran localizados en zonas específicas para cada una de ellas. Esto es el motivo por el que se aplica el proceso de agrupación explicado en el Apartado y cuyos resultados se exponen en el siguiente apartado. Figura 5.1: Distribución de los coeficientes cepstrales de cada vocal en algunas de sus coordenadas.

3 5.3. PROCESO DE AGRUPAMIENTO Ó CLUSTERING 117 Figura 5.2: Distribución de los coeficientes cepstrales de cada vocal en algunas de sus coordenadas. Figura 5.3: Distribución de los coeficientes cepstrales de cada vocal en algunas de sus coordenadas Proceso de agrupamiento ó clustering Como ya se ha dicho en el Capítulo 4, para la obtención de los distintos conjuntos del espacio o clusters se ha empleado la función fcm del programa Matlab. Esta función recibe como entrada los vectores representativos del espacio que se quiere subdividir y devuelve los centros que determinan dicha subdivisión. Al estar basada la pertenencia a los clusters de cada punto del espacio en la distancia

4 118 CAPÍTULO 5. EXPERIMENTOS euclídea entre unos y otros, antes de la obtención de los centros se deben reducir las coordenadas de los vectores de entrada a rangos similares. Un primer intento se hizo normalizando los valores de cada coordenada de los vectores. La normalización produjo un resultado inadecuado al encontrarse los centros concentrados en una zona determinada del espacio en lugar de distribuirse homogéneamente entre los vectores introducidos. Se optó entonces por escalar y trasladar cada coordenada hasta que cada una se situara en un rango entre -1 y 1. Así se obtuvieron unos centros adecuados para caracterizar las zonas entre las que se reparten los vectores de coeficientes cepstrales. Obviamente para clasificar cada nuevo vector entre estos clusters habrá que someterlos a la misma transformación realizada para obtener los centros. Figura 5.4: Representación de los centros de los clusters sobre los vectores de las pronunciaciones de las vocales. Estos centros se han obtenido a partir de la posición de los vectores de doscientas pronunciaciones de cada vocal. Los vectores de coeficientes cepstrales de las cinco mil pronunciaciones se clasifican en los conjuntos en los que se ha dividido el espacio. En la Figura 5.5 y en la Tabla 5.1 se representa la ocurrencia de cada vocal dentro de cada grupo para la clasificación de 16 clusters Entrenamiento Las secuencias de vectores de coeficientes cepstrales se han transformado en secuencias de índices de observación, cada índice perteneciente al conjunto donde se encuentra el vector.

5 5.4. ENTRENAMIENTO 119 Figura 5.5: Representación gráfica de la ocurrencia de los vectores de cada vocal en cada cluster a e i o u a e i o u Cuadro 5.1: Tabla de ocurrencia de los vectores de cada vocal en cada cluster. Con las secuencias obtenidas de la pronunciación de las vocales se han entrenado Modelos Ocultos de Markov de 3, 4 y 5 estados. Se ha escogido como conjunto de entrenamiento quinientas de las mil grabaciones realizadas para cada vocal. Con este conjunto de entre-

6 120 CAPÍTULO 5. EXPERIMENTOS namiento se han entrenado modelos con un volumen de entrenamiento desde cinco hasta quinientas unidades en incrementos de cinco unidades. Como ya se ha visto, un modelo con más estados tiene más parámetros que adaptar así como con 32 índices de observación se requieren más parámetros que con Reconocimiento Para estudiar la capacidad de reconocimiento de los modelos entrenados en el apartado anterior se escoge como conjunto de evaluación las quinientas grabaciones de cada vocal que no se han incluido en el conjunto de entrenamiento. Cada una de las pronunciaciones se evalúa con el modelo de cada vocal y se asigna a aquel que devuelva una mayor probabilidad de ocurrencia. En las Tablas 5.2, 5.3, 5.4 se representan las asignaciones realizadas a cada observación de cada vocal del conjunto de evaluación (500 por vocal) cuando se ha aplicado todo el conjunto de entrenamiento (500 observaciones por vocal) para la construcción de los modelos. Estas tablas corresponden a los modelos de 3, 4 y 5 estados respectivamente. Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.2: Tabla de asignación para el modelo de tres estados. NA: no asignadas. Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.3: Tabla de asignación para el modelo de cuatro estados. NA: no asignadas. En la Figura 5.6 se observa la influencia del volumen de entrenamiento en el nivel de acierto en el reconocimiento para cada vocal. Aunque la tendencia es una eficacia creciente con el volumen se observan altibajos. Estos están provocados probablemente por la entrada

7 5.5. RECONOCIMIENTO 121 Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.4: Tabla de asignación para el modelo de cinco estados. NA: no asignadas. en el conjunto de entrenamiento de observaciones que incitan al modelo a acercarse al de otras vocales. Después de introducirse nuevas observaciones el porcentaje de acierto sigue creciendo. Figura 5.6: Porcentaje de acierto de cada vocal frente al volumen de entrenamiento para el modelo de cuatro estados. En la Figura 5.7 se representa el porcentaje de acierto acumulado para las cinco vocales también frente al volumen de entrenamiento (también para el modelo de cuatro estados). En principio un modelo se adapta mejor a los sucesos que representa cuanto mayor es el número de parámetros que contiene. Por contra, cuantos más parámetros formen un modelo mayor es el volumen de entrenamiento necesario para adaptarlos e incluso aparece redundancia en la información que contienen. En estos experimentos se han entrenado modelos ocultos de Markov de tres, cuatro y cinco estados. En la Figura 5.8 se representa conjuntamente el porcentaje de acierto total de cada modelo frente al volumen de entre-

8 122 CAPÍTULO 5. EXPERIMENTOS Figura 5.7: Porcentaje de acierto frente al volumen de entrenamiento para los modelos de cuatro estados. namiento. El modelo de tres estados es demasiado simple para modelar correctamente la ocurrencia de coeficientes cepstrales y obtiene tras su entrenamiento un menor porcentaje de acierto que el modelo de cuatro estados. Por otra parte, el modelo de cinco estados es demasiado complejo frente al de cuatro y con el entrenamiento aportado no alcanza el porcentaje de acierto en el reconocimiento que alcanza aquel. También es interesante observar el reconocimiento del conjunto de entrenamiento comparado con el conjunto de validación. En principio el conjunto de entrenamiento al haber sido usado para la obtención de los parámetros del modelo debe ser reconocido con un mayor porcentaje de acierto pero su evolución con el volumen de entrenamiento debe ser muy distinta. Véase lo expuesto al respecto al explicar el entrenamiento de las redes neuronales en el Apartado , y la representación de este hecho en la Figura 3.7. En la Figura 5.9 se representa el porcentaje de acierto del conjunto de validación junto al de entrenamiento para el modelo de cuatro estados. Se observa que el porcentaje de acierto del conjunto de entrenamiento, como era de esperar, es claramente superior al del conjunto de evaluación. También se observa la tendencia al alza del segundo, mientras el primero desciende levemente.

9 5.5. RECONOCIMIENTO 123 Figura 5.8: Porcentaje de acierto frente al volumen de entrenamiento para cada grupo de modelos entrenados. Figura 5.9: Porcentaje de acierto frente al volumen de entrenamiento para cada grupo de modelos entrenados Robustez frente al Cambio de Hablante El entrenamiento de los modelos de cada fonema se ha realizado para un único hablante. El sujeto con el que se ha realizado dicho entrenamiento es un hombre de veintinueve años. En este apartado se presentan los resultados de reconocimiento del sistema al ser empleado

10 124 CAPÍTULO 5. EXPERIMENTOS por otro hablantes distintos a aquel con que se entrenó. En primer lugar se presenta la tabla de resultados (Tabla 5.6) para una mujer de treinta años. En esta prueba se han realizado 20 grabaciones de cada vocal, que aun siendo pocas frente a los experimentos anteriores, son suficientes para hacer una apreciación del funcionamiento de los modelos en este caso. Se aprecia un alto índice de acierto de las vocales a, e, i, y o y el resultado llamativo de que las pronunciaciones de la u son confundidas en un 95 % con pronunciaciones de la vocal o. Se pone así de manifiesto las grandes diferencias existentes entre dos hablantes de distinto sexo y como en este sistema se confunden las características de la pronunciación de una vocal con las de otra al encontrarse diferencias de género. Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.5: Tabla de asignación de observaciones para la pronunciación de una mujer de 30 años. Por último se presentan los resultados con otro hablante diferente del que ha realizado el entrenamiento; se trata de un hombre de 27 años y de procedencia geográfica distinta. Al igual que en el caso anterior se han realizado 20 grabaciones de cada vocal. Se aprecia que aunque los aciertos son altos se da una mayor dispersión en las identificaciones. Con estas pruebas el sistema demuestra ser robusto ante un cambio de hablante. Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.6: Tabla de asignación de observaciones para la pronunciación de un hombre de 27 años.