Chisme 67 del lince: IA reconocimiento de voz, el oído del Lince

Esa noche, en Sierra Bermeja, el Lince de la Noche estaba plantado ante la puerta de la Cámara de la Verdad, con los brazos llenos de cables.

—Quiero una puerta que se abra con la voz —anunció—. Yo digo «sí» y ella se abre. ¡Voy a montar la mejor IA reconocimiento de voz de toda la sierra!

—¿Y si dices «no»? —preguntó la Gata Montesa, sin moverse del sitio.

—Pues no se abre, claro.

—Entonces lo importante no es que se abra cuando dices «sí». Lo importante es que nunca se abra cuando dices «no». Un no es un no, aunque lo digas bajito, con ruido o con la voz tomada.

El Lince se rascó una oreja.

—Vale. ¿Y cómo sabe una máquina la diferencia entre «sí» y «no»?

—No lo sabe. Solo compara sonidos. Vamos a ver qué entiende y cuántos ejemplos necesita.

Introducción

En este chisme construimos un «oído» para entender cómo funciona una IA reconocimiento de voz sencilla. Distingue solo dos palabras, «sí» y «no», aprendiendo de ejemplos de sonido. Viene con voces sintéticas ya cargadas, y puedes probarlo con tu propia voz y enseñarle cómo hablas. El audio no sale de tu navegador.

Prueba la IA reconocimiento de voz del Lince

Escucha los sonidos de partida, entrena con 10, 50, 100 o todos los ejemplos y di «sí» o «no» al micrófono. Puedes jugar aquí mismo o abrir la IA de reconocimiento de voz a pantalla completa.

Cómo oye una máquina

Para la máquina, un sonido es una lista enorme de números, miles por cada segundo. Así no se puede comparar. La solución es la que ya usamos con la FFT del taller de sonido: cortar el sonido en trocitos y medir cuánta energía hay en los graves y en los agudos. El resultado es una cuadrícula, como una foto del sonido: 10 momentos por 12 franjas de frecuencia, 120 números en total.

Un «sí» tiene un siseo agudo al principio, la «s», y luego una «i» clara. Un «no» empieza con un murmullo grave y sigue con una «o». En la cuadrícula, esa diferencia se ve a simple vista (pulsa «Lo que ve el oído»).

Para decidir, el oído usa los vecinos más cercanos: busca los tres ejemplos que más se parecen al sonido nuevo y hace lo que hace la mayoría. Si te suena, es la idea del chisme del gesto. Para saber más sobre cómo se estudia esto en serio, mira el reconocimiento del habla en Wikipedia.

Voces sintéticas: de dónde salen los ejemplos

El oído viene con 120 voces ya cargadas, 60 «sí» y 60 «no», para que nadie tenga que grabar horas de audio. No son voces reales: las fabrica el programa con fórmulas (una fuente de sonido y unos filtros que imitan las vocales). Cada voz cambia en tono, rapidez y ruido. Esto tiene una consecuencia importante que verás al probar con tu voz.

Cuántos ejemplos hacen falta

Con 30 repartos distintos, el acierto medio en un examen con 60 sonidos que el oído no ha usado para aprender fue:

• con 10 ejemplos: 77 % (lanzar una moneda daría 50 %);
• con 50 ejemplos: 91 %;
• con 120 ejemplos: 97 %.

Sube rápido al principio y luego cada vez más despacio: pasar del 91 % al 97 % cuesta muchos más ejemplos que pasar del 50 % al 77 %. Pero ojo: con voces sintéticas el problema es fácil. Con voces reales, con ruido y con distintos micrófonos, la cosa se complica.

El sesgo: solo sabe lo que se le enseña

Prueba con tu voz sin enseñarle nada. Es probable que acierte menos que en el examen con voces sintéticas. No es que tu voz sea rara: es que el oído solo conoce las voces con las que se entrenó. Eso se llama sesgo de los datos. Activa «Guardar lo que grabo como ejemplo», di cinco «sí» y cinco «no», y comprueba cuánto mejora. Y luego pídele a un compañero que lo pruebe: ¿acierta igual con otra voz?

El error que más importa

La página cuenta dos tipos de error: entender «no» cuando dijiste «sí», y entender «sí» cuando dijiste «no». El segundo es el serio. Si una puerta o una aplicación hiciera algo al oír «sí», ese error significaría actuar sin permiso. Por eso, cualquier sistema real que dependa de una voz necesita más seguridad que una máquina que adivina. Es la misma idea del chisme de la IA y el acoso escolar: una máquina puede ayudar, pero nunca debe decidir sola sobre las personas.

Qué no sabe hacer

• No entiende palabras: solo compara formas de sonido.
• Se despista con ruido, con otro micrófono o con otro acento.
• No distingue una orden de una frase: «no sé» puede sonarle a «no» o a «sí».
• Solo conoce dos palabras: con veinte sería mucho más difícil.

Para el aula

• Antes de pulsar, escribe una predicción: ¿cuántos ejemplos hacen falta para llegar al 90 %?
• Pulsa «Curva de aprendizaje», descarga el CSV y represéntalo en una hoja de cálculo.
• Prueba el oído con tu voz antes y después de enseñarle. ¿Qué cambia?
• Compara el acierto con voces distintas dentro de la clase. ¿De qué depende?
• Prueba susurrando, gritando o con ruido de fondo. ¿Qué le cuesta más?
• Debate: ¿qué es peor, que entienda «sí» donde dijiste «no» o al revés? ¿Depende de para qué se use?
• Pensad en el sesgo: ¿qué datos habría que añadir para que funcione bien con todo el mundo?

Retos

• Reto 1: consigue que acierte tus diez intentos seguidos, dos «sí» y dos «no» por cada diez.
• Reto 2: comprueba cuántas grabaciones tuyas hacen falta para que te entienda siempre.
• Reto 3: en el código, cambia el número de vecinos de 3 a 1 o a 7. ¿Mejora?
• Reto 4: descarga tus grabaciones, cárgalas en otro ordenador y comprueba si funcionan allí.
• Reto 5: convierte esto en una investigación: pregunta, hipótesis, experimento y conclusión.

Qué hemos aprendido

Una IA reconocimiento de voz no oye ni entiende: convierte el sonido en números, los compara con ejemplos y decide por mayoría. Mejora con más ejemplos, pero solo sabe lo que se le ha enseñado, y por eso con tu voz acierta menos que con las voces con las que se entrenó. Y la lección más importante: cuando una máquina falla, el error que más nos importa es el que ignora un «no». Si te ha gustado el simulador de datos, mira también el simulador de bulos y el depredador y la presa.

La puerta de la Cámara de la Verdad se abrió con el «sí» del Lince a la tercera. Con el «no» de la Gata, ni a la primera ni a la milésima.