La llegada del DeepSpeech

La tecnología de voz está en su punto más alto y parece haber alcanzado bastante popularidad entre los usuarios y a pesar de que en un principio el avance era lento y solo se usaba unas cuantas palabras, ahora el software de reconocimiento de voz es mucho más inteligente y con ello trajo a Siri y Alexa para cambiar el mundo.

Esto consiste en que se usa DeepSpeech 0.7.0 es una implementación de TensorFlow, el cual hace uso de la arquitectura de DeepSpeech de Baidu, que es la que  permite hacer reconocimiento automático de voz.

Código abierto

El navegador Mozilla es el que ha estado  trabajado en este proyecto, de código abierto, desde el año 2016, donde su versión más reciente fue en el  2017 y para diciembre del 2019 llegó con la versión 0.6.0 y que existía  pero esta tenia un problema ya que no era compatible hacia atrás, es decir, cada versión obligaba a los desarrolladores a dejar el trabajo hecho anteriormente y adecuarlo a las posibilidades tecnológicas.

Sin embargo, lo que se está buscando con DeepSpeech, es crear un motor de reconocimiento del habla que sea simple, abierto y ubícuo, de manera más sencilla de explicar se busca un motor que no use hardware de servidores para poderse ejecutar, como en el caso de otros desarrollos de redes neuronales.

Además de que busca ser abierto, usando para ello la Licencia Pública de Mozilla y, ser ubícuo, significa que el motor pueda ejecutarse en tantas plataformas e idiomas diferentes.

Todo esto se basó en la arquitectura del software la cual está basada originalmente en la desarrollada por Baidu. Por lo que hoy en día el motor de Mozilla contienen el  núcleo que usa una RNN (una red neuronal recurrente), la cual ha sido entrenada con espectrogramas y transcripciones de texto generadas en inglés.

Pero el DeepSpeech se compone de dos subsistemas principales: un modelo acústico y un decodificador, siendo que el primero es una red neuronal que recibe las características del audio como entras, y las probabilidades de los caracteres de salida.

En el caso del decodificador usa un algoritmo de búsqueda que transforma las probabilidades de los caracteres en transcripciones textuales que es lo que termina siendo el resultado final y lo que nosotros recibimos.