Prosodia

A veces no es lo que dices, sino cómo lo dices. Esa es una obviedad con la que la mayoría de la gente puede identificarse, pero las computadoras no. Si bien el software de reconocimiento de voz se ha vuelto bastante bueno para comprender palabras, todavía no puede discernir la puntuación como puntos y comas, ni puede elegir entre oraciones ambiguas cuyos significados dependen de la emoción del hablante. Esto se debe a que dicho software todavía no puede entender las entonaciones, los énfasis y las pausas, conocidas colectivamente como prosodia, que la gente usa intuitivamente para hacer tales distinciones.

Pero con más de un centenar de grupos de investigación académicos y corporativos trabajando en el problema, los intentos de incorporar la prosodia en el software de voz gozan de un éxito creciente. Las herramientas basadas en prosodia ya se utilizan para la síntesis de voz, para mejorar la naturalidad de las voces de la computadora, como las que recitan el saldo bancario por teléfono. A medida que avanza la investigación de prosodia, estos sistemas automatizados sonarán cada vez más naturales incluso al pronunciar oraciones complejas.

Esta historia fue parte de nuestro número de julio de 2002

• Ver el resto del número
• Suscribir

Sin embargo, es en el reconocimiento de voz donde deberían venir los beneficios más importantes. Los avances recientes sugieren que dentro de cinco años, el software prosodia realizará tareas como decir cuándo un cliente que habla con un sistema telefónico automatizado se enoja y responderá en consecuencia, por ejemplo, transfiriendo la llamada a un humano. Esto es realmente algo de vanguardia, dice Michael Picheny, científico informático y gerente del grupo de algoritmos del habla y el lenguaje en IBM Research en Yorktown Heights, Nueva York. Hasta hace un par de años, la calidad del reconocimiento de voz era tan primitiva que ni siquiera valía la pena explorar cómo provocar diferentes comportamientos de las máquinas transmitiendo la intención emocional. Primero, solo quería que la máquina tuviera las palabras correctas.

Las ondas sonoras tienen tres componentes básicos con los que puede trabajar el software prosodia. El primero es el tiempo: la duración de las pausas entre palabras y oraciones. En segundo lugar viene el tono, más precisamente, el cambio relativo en el tono dentro de las palabras y oraciones. Por último, hay un cambio de volumen, un cambio de amplitud que indica énfasis.

Obtener el significado de estas características es mucho más difícil para una computadora que identificar palabras, dice Elizabeth Shriberg, una científica informática que dirige la investigación de prosodia en SRI International en Menlo Park, CA. Las palabras son una serie lineal de eventos fonéticos, como ee y th. Las características prosódicas, por el contrario, ocurren en palabras y oraciones. Peor aún, los diferentes tipos de patrones prosódicos a menudo se superponen entre sí; un conjunto podría revelar que una oración se pronunció con calma, un segundo que la oración era una pregunta. Pero los investigadores están comenzando a mapearlos. Por ejemplo, Shriberg y sus compañeros de trabajo han creado una plantilla de una oración enojada: es más lenta en general, tiene un énfasis exagerado en las palabras clave y termina con un giro hacia abajo en el tono (necesitaba esto Martes pasado pero no ha llegado). Shriberg ha generado modelos prosódicos de todo, desde diferentes estados emocionales hasta puntuación y disfluencias: cambios cuando las personas cambian de pensamiento a mitad de una oración o murmuran, eh.

Si bien las herramientas de SRI todavía son ejercicios de investigación, el uso a gran escala de la prosodia para el reconocimiento de voz podría estar en el horizonte. Ya se utilizan aplicaciones limitadas en el software de reconocimiento de voz chino. En China, dependiendo de la inflexión, la palabra Ma puede significar mamá o caballo, o indicar que la oración fue una maldición, explica Xuedong Huang, un científico informático que dirige un grupo de tecnología del habla en Microsoft Research en Redmond, WA. Eso es muy peligroso, bromea. Microsoft ya ha comenzado a incorporar prosodia simple en su software de reconocimiento de voz en chino y está trabajando para crear un software de próxima generación para los idiomas chino y japonés.

Los próximos cinco años deberían ver las herramientas prosódicas en inglés para el reconocimiento de voz hacer sus primeras incursiones en el mercado. Una aplicación: las empresas podrían buscar automáticamente en las bases de datos de teléfonos de servicio al cliente grabadas, encontrar las llamadas enojadas y estudiar qué salió mal. Otra posibilidad: identificar la puntuación, para que los médicos que utilizan sistemas de dictado no tengan que decir punto.

Pero se necesitarán al menos diez años, dice Shriberg de SRI, antes de que cualquier computadora pueda comenzar a hacer lo que la gente hace todos los días: decodificar completamente una conversación con toda su inflexión, mientras filtra los ruidos de fondo. Estamos tratando de cerrar un poco la brecha [hombre-máquina], de modo que cuando haya escasez de humanos, o en el espacio, o con soporte vital, la computadora sea lo más inteligente posible, dice Shriberg. Por ahora, de todos modos, no intentes explicarle esa ambición a una computadora. No entenderá tu emoción.

esconder