Seminário
O curso do Seminário é ministrado por doutores:
– Pedro Manuel dos Santos Quelhas Taumaturgo de Brito.
– João Carlos de Matos Paiva.
Para o curso seminário, entre outras coisas, devemos apresentar dois artigos científicos atentos aos nossos temas de pesquisa, além de realizar duas entrevistas non estruturadas com pessoas relevantes.
Como ponto de partida e de acordo com as recomendações dos relatores, meu primeiro (e posterior) processo consistiu na busca e classificação da documentação necessária para poder fazer uma primeira iteração do meu projeto.
Step 1: Define Topic
En una descomposicion basica podriamos reformular el proyecto de manera mas especiifica como.
Step 2: Formulate Research Questions.
Existe alguna relacion entre:
Quais são as técnicas mais eficazes para reconhecimento de voz?
É possível atribuir valores de emoção em um registro de áudio digital? Como?
Quais são as possibilidades da Realidade Estendida?
Existe um histórico de prática de reconhecimento de fala em ambientes virtuais?
Quais plataformas de computador são usadas para desenvolver essas tecnologias?
Existem alternativas de código aberto?
Para que a comunidade usa essas plataformas e recursos?
Qual é o pano de fundo dos ambientes virtuais e da criação artística?
É possível criar ambientes virtuais usando reconhecimento de voz?
Podemos programar usando comandos de voz?
Qual é a relação entre código e linguagem?
Existe uma ontologia própria das linguagens de programação?
Existe uma conexão entre o grau de emoção e a percepção do real?
Que ligação existe entre poesia e código?
A poesia pode criar realidades?
Existe alguma relação entre a poesia latino-americana e as raízes da tradição oral?
Existe uma poesia latino-americana? Existe um código latino-americano?
Qual é a relação entre código, hactivismo e código aberto?
Existe um código descolonial?
Step 4 Research.
Em minhas primeiras abordagens, obtive muitas informações relevantes sobre o assunto (talvez isso também seja um tanto opressor). Atualmente, existem vários algoritmos que são usados com maior ou menor existência para o reconhecimento automático de voz.
Entre el abundante contenido que encontr’e , despues de una larga angustia (que aun siento), pienso que es sensato ver algunos videos y buscar un libro como guia para la investigacion.
Como video, encontre este resumen publicado por microsoft el 2017, que tiene como autora a Preethi Jyothidel del IIT en Bombay.
En este mismo sentido, encontre un libro titulado Automatic Speech Recognition: A Deep Learning Approach de Li Deng, Dong Yu, que me ayudara a hilar los avances y tecnicas en la materia.
Un buen acercamiento es tambien este capitulo del libro Overview de
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/Book-Chap-HuangDeng2010.pdf
Chapters2and3provide you with a basic theoretic foundation on the conventionalGMM-HMM acoustic model. These chapters prepare you to understand the discrim-inative hierarchical models we will introduce in the rest of the book.Chapter2discusses Gaussian mixture models, the principle of maximumlikelihood, and the expectation-maximization [15] training algorithm. Chapter3introduces hidden Markov model, the most prominent technique used in modernspeech recognition systems. It explains how HMMs handle the variable-length signalproblem, and describe the forward-backward training algorithm and the Viterbidecoding algorithm. GMM-HMM forms the foundation of the modern speech recog-nition
Segun la clasificacion de, podriamos hablar de dos grandes momentos.
En un primer momento nos encontramos con los modelos acusticos convesionales como modelos mixtos Gaussianos y Cadenas de Markov ocultas.
Estos dos temas son un universo en si mismo, en conjunto y por separado…
Entre la extensa documentacion encontre este review para aplicaciones de cadenas de Markov ocualtas en el reconocimiento automatico de voz .
En esta primera aproximacion a estos temas , me llamaron la atencion algunos algoritmos
The expectation-maximization algorithm
T. K. Moon, “The expectation-maximization algorithm,” in IEEE Signal Processing Magazine, vol. 13, no. 6, pp. 47-60, Nov. 1996, doi: 10.1109/79.543975.
MFCC and Cepstrum Features
https://www.sciencedirect.com/science/article/pii/S1877050915031841
Speaker Emotion Recognition Based on Speech Features and Classification Techniques
https://www.researchgate.net/publication/270337602_Development_of_Intelligent_Virtual_Environment_by_Natural_Language_Processing
https://developer.ibm.com/patterns/create-a-virtual-reality-speech-sandbox/
Step 5:
Como primera cosa intentare explicar(me), alguna cosas pertinentes a mi investigacion.
Turning Sounds into Bits
Espacio Tiempo v/s espacio frecuencia
Recognizing Characters from Short Sounds
The algorithm (roughly) described here to deal with variable-length audio is called Connectionist Temporal Classification or CTC. You can read the original paper from 2006.
Hidden Markov model
Mel-frequency cepstral coefficients (MFCC) which have 39 features.
A/D conversion
A/D conversion samples the audio clips and digitizes the content, i.e. converting the analog signal into discrete space. A sampling frequency of 8 or 16 kHz is often used.
Pre-emphasis
Boosting the high-frequency energy makes information in higher formants more available to the acoustic model.This improves phone detection accuracy.
Windowing
Windowing involves the slicing of the audio waveform into sliding frames.
Let’s say w is the window applied to the original audio clip in the time domain.
A few alternatives for w are the Hamming window and the Hanning window.
Discrete Fourier Transform (DFT)
