Desarrollo y evaluación de un sistema de reconocimiento de voz robusto para entornos industriales
El reconocimiento automático del habla (ASR) ha demostrado ser una tecnología efectiva y ampliamente adoptada en múltiples aplicaciones, especialmente en entornos controlados o domésticos. Sin embargo, su implementación para el reconocimiento de instrucciones en entornos industriales presenta desafí...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad Nacional de Educación a Distancia |
| Repositorio: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | español |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/29342 |
| Acceso en línea: | https://hdl.handle.net/20.500.14468/29342 |
| Access Level: | acceso abierto |
| Palabra clave: | 1203.04 Inteligencia artificial ASR SNR Wav2Vec2 Whisper dataset sintético anotado reconocimiento de instrucciones nnotated synthetic dataset nstruction recognition |
| Sumario: | El reconocimiento automático del habla (ASR) ha demostrado ser una tecnología efectiva y ampliamente adoptada en múltiples aplicaciones, especialmente en entornos controlados o domésticos. Sin embargo, su implementación para el reconocimiento de instrucciones en entornos industriales presenta desafíos significativos debido a la severa degradación de la señal acústica y la escasez de conjuntos de datos específicos. El objetivo principal de este Trabajo de Fin de Máster es identificar y validar el motor ASR de código abierto más robusto y eficiente para un futuro sistema de reconocimiento de instrucciones. Para ello, se ha desarrollado una metodología que incluyó, en primer lugar, la creación de un dataset sintético anotado. Este dataset se generó combinando locuciones limpias con cuatro tipos de ruido (dos estacionarios y dos variables) a once niveles de Relación Señal- Ruido (SNR) distintos, desde 0 dB hasta 100 dB, resultando en 22 horas de audio ruidoso. Posteriormente, se realizó una evaluación comparativa exhaustiva de cuatro modelos ASR de código abierto (Wav2Vec2, Whisper, Faster Whisper y WhisperX), considerando dos tamaños representativos para cada uno. El análisis abarcó la eficiencia computacional, el rendimiento cuantitativo y un análisis cualitativo de errores. Los resultados experimentales demostraron la superioridad general de la familia de modelos Whisper sobre Wav2Vec2 en presencia de ruido, observándose además que el ruido de tipo variable resultó ser más perjudicial que el estacionario para la mayoría de los modelos. Las implementaciones optimizadas, Faster Whisper y WhisperX, mostraron mejoras sustanciales en eficiencia (velocidad y uso de memoria) respecto al modelo Whisper original. Aunque WhisperX ofreció un rendimiento cuantitativo comparable a Faster Whisper, el análisis cualitativo reveló en el primero una tendencia a la omisión de segmentos en ruido extremo, posiblemente atribuible a su componente VAD. Se concluye que el modelo Faster Whisper, en su configuración large, representa la opción más robusta, eficiente y equilibrada entre las evaluadas, constituyendo el candidato idóneo para el motor ASR del sistema de reconocimiento de instrucciones propuesto. Este trabajo no solo valida un modelo específico, sino que también aporta una metodología y un dataset para la evaluación de ASR en entornos industriales simulados, sentando una base sólida para futuros desarrollos en este ámbito. |
|---|