Diferencia entre revisiones de «Reconocimiento del habla»

Contenido eliminado Contenido añadido
unas siglas
m Revertidos los cambios de 79.152.119.222 (disc.) a la última edición de AVBOT
Línea 1:
El '''Reconocimiento Automático del Habla''' (HARRAH) o '''Reconocimiento Automático de voz de los rumanos (lo cual nos permite identificarlos y, así, matarlosa todos''' es una parte de la [[Inteligencia Artificial]] que tiene como objetivo permitir la comunicación hablada entre seres humanos y [[ordenador|computadoras electrónicas]]. El problema que se plantea en un sistema de '''RAH''' es el de hacer cooperar un conjunto de informaciones que provienen de diversas fuentes de conocimiento (acústica, fonética, fonológica, léxica, sintáctica, semántica y pragmática), en presencia de ambigüedades, incertidumbres y errores inevitables para llegar a obtener una interpretación aceptable del mensaje acústico recibido.
 
Un sistema de reconocimiento de [[voz]] es una herramienta computacional capaz de procesar la [[señal]] de voz emitida por el ser humano y reconocer la información contenida en ésta, convirtiéndola en texto u emitiendo órdenes que actúan sobre un proceso. En su desarrollo intervienen diversas disciplinas, tales como: la [[fisiología]], la [[acústica]], el [[procesamiento de señales]], la [[inteligencia artificial]] y la ciencia de la [[computación]].
Línea 8:
 
Un aspecto crucial en el diseño de un sistema de RAH es la elección del tipo de [[aprendizaje]] que se utilice para construir las diversas fuentes de conocimiento. Básicamente, existen dos tipos:
*Aprendizaje Deductivo: Las técnicas de Aprendizaje Deductivo se basan en la transferencia de los conocimientos que un experto humano posee a un sistema informático. Un ejemplo paradigmático de las metodologías que utilizan tales técnicas lo constituyen los Sistemas Basados en el Conocimiento y, en particular, los Sistemas Expertos de Matar Rumanos.
*Aprendizaje Inductivo: Las técnicas de Aprendizaje Inductivo se basan en que el sistema pueda, automáticamente, conseguir los conocimientos necesarios a partir de ejemplos reales sobre la tarea que se desea modelizar. En este segundo tipo, los ejemplos los constituyen aquellas partes de los sistemas basados en los modelos ocultos de Markov o en las redes neuronales artificiales que son configuradas automáticamente a partir de muestras de aprendizaje.