Por qué 2017 fue el año de las interfaces de voz

En los últimos años, los avances en el reconocimiento automático de voz (ASR) han convertido a la voz de una novedad en una interfaz principal para innumerables dispositivos. IEEE Spectrum calificó a 2017 como el "año del reconocimiento de voz", y ZDNet informó en el CES que la voz es la próxima gran interfaz informática. Aquí presentamos una visión general del ecosistema de voz actual y las tecnologías que lo impulsan.

¿Cuántos de tus dispositivos conversan contigo?

La activación por voz es ahora ubicua. Todos los smartphones insignia —iPhone 7, Galaxy S7— incluyen asistentes de voz siempre activos, al igual que relojes inteligentes, wearables y hearables como los Apple AirPods y Samsung Gear IconX. Muchos dispositivos carecen de una interfaz de usuario tradicional, lo que hace de la voz la única forma práctica de interactuar. Nuevas cámaras (p. ej., GoPro Hero 5) aceptan comandos de voz para selfies manos libres, y los sistemas de infoentretenimiento del automóvil han hecho del control de audio por voz la norma para una conducción más segura.

El Amazon Echo desató el auge de los asistentes conversacionales. Alexa, el servicio de voz de Amazon, viene con docenas de skills integrados —chistes, resultados deportivos, curiosidades de cine— y numerosos easter eggs. Los desarrolladores pueden ampliar las capacidades de Alexa con el Alexa Skills Kit (ASK). Por ejemplo, un aficionado convirtió su aspiradora iRobot Roomba en un aspirador controlado por voz creando una skill personalizada. Alexa también impulsa servicios prácticos como pedir comida, llamar viajes y controlar dispositivos domésticos inteligentes de Whirlpool, GE y otros.

Amazon sigue liderando el mercado, pero los competidores se acercan. Facebook contrató a Morgan Freeman como voz de su asistente de IA, que Zuckerberg construyó en un año y llama "Jarvis". El sistema puede identificar usuarios por su voz, reconocer rostros y conceder acceso seguro al hogar. En Japón, Gatebox ofrece un asistente holográfico llamado Azuma Hikari, que combina altavoz, proyector, cámara y sensores de movimiento para crear una experiencia más inmersiva.

¿Cómo funciona la captación de voz en campo lejano?

Entender comandos hablados mientras suena música de fondo —o desde el otro lado de la habitación— requiere varias tecnologías avanzadas:

Aprendizaje profundo (Deep Learning)

Los modelos modernos de ASR se basan en aprendizaje profundo. Redes neuronales entrenadas con conjuntos de datos masivos ahora igualan o superan el rendimiento humano en reconocimiento de voz y visual. Una vez entrenados, los modelos se ejecutan en tiempo real en el hardware del dispositivo.

Formación de haz adaptativa (Adaptive Beamforming)

Mejora la fiabilidad enfocándose en la dirección del hablante. Dispositivos como el Echo usan un array hexagonal de micrófonos (siete micrófonos) para detectar tiempos de llegada de la señal, rastrear un hablante en movimiento y separar múltiples voces.

Cancelación de eco acústico (Acoustic Echo Cancellation)

Elimina el audio propio del dispositivo (música, respuestas habladas) para que pueda seguir escuchando comandos del usuario. El sistema modela el sonido que genera, ya sea analizando datos de salida o usando un micrófono dedicado, y lo resta de la señal entrante. Esto permite a los usuarios interrumpir (barge-in) incluso mientras suena música.

Técnicas adicionales de reducción de eco, como la dereverberación, filtran reflejos impredecibles de paredes y otras superficies, asegurando que el motor ASR reciba una muestra de voz limpia.

Las interfaces de voz de hoy siguen evolucionando

Aunque 2017 marca un hito significativo en la adopción de la voz, quedan muchos desafíos: latencia, conciencia del contexto, soporte multi-hablante y privacidad. Exploraré estas limitaciones en una futura publicación, así que manténganse atentos.

Eran Belaish es Product Marketing Manager para la cartera de audio y voz de CEVA, desarrollando soluciones desde el disparo por voz hasta audio inalámbrico. Cuando no está inmerso en tecnología de sonido, disfruta buceando en mundos submarinos silenciosos.