De forma simplificada al HTK tu le pasas tres cosas: los ficheros WAV, una trascripción de lo que se dice en el WAV y un diccionario de cada palabra por qué triphones está formado. Si miras los ficheros en concreto verás que hay “algunos” ficheros más.

El busca los diferentes sonidos en orden, y con la aparición repetida del mismo sonido se asegura que el phonema es el correcto.

Voy a intentar explicarlo de forma muy simplificada lo que sería un triphone, para que entiendas mejor el proceso.

Un fonema es un sonido diferente, por ejemplo la palabra cinco, tiene 5 fonemas (5 sonidos), la pronunciación de la c, la de la i, la de la n, el de la c de co (que es un fonema diferente al de la c de ci, este sería más bien una ko) y el de la o

Un triphone es la unión de tres sonidos seguidos, es decir, la palabra “cinco” tendría los siguientes triphones:

silencio – c – i
c – i – n
i – n -k
n – k – o
k -o – silencio

En los trifones se mira no solo el sonido que hace un fonema, sino cómo varia ese sonido dependiendo de qué tenga delante o detrás. Al final los sistemas basados en reconocimiento de triphones funcionan mucho mejor que los basados en fonemas simples, por los que son los que se utilizan hoy en día.

Imaginate que quieres decir “voy para allá”, si lo dices pensando y vocalizando dirás todos los sonidos tal cual, pero si hablas normal y un poco rápido, el “para” seguramente suene casi a un “paa”, con una r que casi no se olle. Un triphone tiene en cuenta eso…

Ahora imaginate cuantas combinaciones de triphones hay (en alguno de los ficheros dejé una estadística de cuales eran los más utilizados, pero no recuerdo donde).

Qué se necesita entonces para tener un sistema de reconocimiento decente…. horas y horas de audio con su transcripción. Yo en su día me puse en contacto con una biblioteca que había preparado audiolibros para sordos, y les pedí que me los dejaran para esto, pero no se molestaron ni en contestar… enfín.

Se pueden definir en lugar de triphones, pentaphones… (5 sonidos) pero como es tan complejo el training de forma práctica no se usan (a día de hoy)…

Espero haberte ayudado.

Gracias (y no te molesto mas).

Con los Wavs se genera información estadística de qué es cada sonido.

Yo seleccioné los phones y triphones haciendo estadísticas de qué triphones se usaban más (cogí un diccionario que baje de algún lugar y comprobé qué triphones aparecen más en las palabras españolas, sin contar cuanto se usa cada palabra).

Al final mi conclusión es que hay tantos triphones que no vas a acertar con todos (sería necesario coger lecturas de unos cuantos libros para acertar con los más habituales de verdad), con lo que cada vez que quería reconocer una nueva palabra tenía que incluirla…. En base a eso si quieres que tu robot te reconozca 4 comandos, introduce en el training esos 4 comandos y ya está.

Esta iniciando todavia, pero en unos dias va a estar la interfaz visual para grabar en línea y creo que habra un paquete diario o semanal donde estarán las voces de todas las personas que graben

La duda que tengo, es como obtengo las grabaciones de todas las personas que han donado para que julius reconozca mas facilmente la voz de cualquier persona? descargo los .zip del ftp de voxforge y luego ejecuto algun comando que genera las estadisticas? o hay algun paquete ya hecho que contenga lo necesario ya listo?

Gracias de nuevo