https://doi.org/10.37815/rt=
e.v33n2.840
Artículos originales
Evaluation of voice recognition between Google and Amazon services
applied to the ECU 911 Integrated Security System
Juan =
José
Peralta Vásconez1, Carlos Andrés Narváez Ortiz1,
Marcos Patricio Orellana Cordero1 https://orcid.org/0000-0002-3671-9362, Paúl Andrés Patiño Le=
ón1 https://orcid.org/0000-0001-9504-6=
498, Priscila
Cedillo Orellana
1Universidad
del Azuay, Cuenca, Ecuador
jjperalta@es.uazuay.edu.ec, =
carlos.05.narvaez@es.uazuay.edu.ec=
, =
marore@uazuay.edu.ec, =
andpatino@uazuay.edu.ec, =
icedillo@uazuay.edu.ec
2Universidad
de Cuenca, Cuenca, Ecuador
priscila.cedillo@ucuenca.edu.ec
Enviado: 2021/07/09
Aceptado: 2021/09/28
Publicado: 2021/11/30
Resumen
El reconocimiento automático de voz (ASR) es una de las ramas de la
inteligencia artificial que hace posible la comunicación entre el humano y =
la
máquina, logrando que el usuario pueda interactuar con las máquinas de mane=
ra
natural. En los últimos años, los
sistemas ASR se han incrementado hasta el punto de lograr transcripciones c=
asi
perfectas, en la actualidad son muchas las empresas que desarrollan sistemas
ASR tales como Google, Amazon, IBM, Microsoft. El objetivo de este trabajo =
es evaluar
los sistemas de reconocimiento de voz de Google Speech to Text y Amazon
Transcribe con el fin de determinar cuál de ellas ofrece una mayor precisió=
n al
momento de convertir el audio en texto. La precisión de las transcripciones=
se
evalúa a través de la tasa de error por palabra (WER) la cual analiza las
palabras eliminadas, sustituidas e insertadas con respecto a un texto de
referencia de transcripción humana. Después de someter estos sistemas a dif=
erentes
ambientes de ruido se observa que el sistema con mayor rendimiento en el
proceso de transcripción es el de Amazon Transcribe; por tal razón, se conc=
luye
que el servicio de Amazon muestra un mayor desempeño con respecto al servic=
io de
Google tanto con audios con un nivel de ruido de fondo más alto y con audios
con un nivel de ruido de fondo más bajo.
Palabras clave: Amazon Transcribe, ASR, Google Speech to Tex=
t,
transcripción, WER.
Abstract
Automatic Speech Recognition (ASR) is one of the branches of artific=
ial
intelligence that makes communication between humans and machines possible,
making it the closest thing to the interaction between humans. In recent ye=
ars,
ASR systems have increased to the point of achieving near-perfect
transcriptions; today, many companies develop ASR systems, such as Google,
Amazon, IBM, and Microsoft. This study aims to evaluate the voice recogniti=
on
systems of Google Speech to Text and Amazon Transcribe to determine which of
them offers greater precision when converting audio into text. The accuracy=
of
transcripts was evaluated through the Word Error Rate (WER), which analyzes=
the
deleted, substituted, and inserted words concerning a human transcription
reference text. After subjecting the systems to different noise environment=
s,
it was observed that the system with the highest performance in transcripts=
was
Amazon Transcribe; therefore, it was concluded that Amazon services showed a
higher performance compared to Google services both with audios with a high=
er
background noise level and with audios with a lower background noise level<=
/span>.
Introducción<=
/span>
Dentro del =
dominio
de la inteligencia artificial, el reconocimiento automático de voz (ASR)
permite la comunicación entre el humano y la máquina, tratando de asemejar =
al
máximo, la forma en que los humanos interactúan entre sí (Këpu=
ska,
2017). Anteriormente, el lenguaje humano no=
se
consideraba una variante importante entre la comunicación humano - máquina,
debido a que no existía una tecnología que cumpliera con los parámetros
necesarios para el desarrollo y la implementación en casos de la vida real =
(Yu D=
ong,
2015). Los parámetros importantes que se de=
ben
tener en cuenta en el proceso de reconocimiento de voz son el retraso y la
precisión, ya que afectan a la calidad de la experiencia del usuario de dic=
hos
servicios (Asse=
fi et
al., 2015). Los sistemas de reconocimiento de vo=
z van
avanzando y mejorando con el tiempo, de tal forma que estos sistemas realiz=
an
tareas de transcripción con una precisión que bordea el 90% (Mash=
ao et
al., 2010). En la actualidad, son muchas las emp=
resas
que optan por implementar el reconocimiento de voz en sus servicios, ya sea=
por
la comodidad que ofrecen al momento de realizar ciertas tareas o porque cada
año la tasa de error va descendiendo, lo que provoca que estos servicios se=
an
mucho más eficaces y confiables.
Empresas como Microsoft, IBM, Google y Amazon desarrollan plataformas
que ofrecen servicios en la nube y=
que
utilizan algoritmos ASR (IANCU, 2019). Microsoft utiliza
Azure Cloud Service, el cual brinda la posibilidad de transcribir a texto l=
os
datos de audio en tiempo real, o por otro lado, permite subir archivos
almacenados en el dispositivo del cliente para transcribirlos (Microsoft, 2011). La empresa IBM cue=
nta
con el servicio llamado IBM Cloud Speech to Text, el cual ofrece a l=
os
clientes la posibilidad de transcribir archivos de audio de una forma conti=
nua
y con baja latencia; la empresa ofrece servicios estándar y premium =
(Service et al., 2019), finalmente está Go=
ogle
con el servicio denominado Google Cloud Speech-to-Text.
El presente trabajo tiene como objetivo la comparación entre las dos
grandes empresas que se posicionan en el mercado del reconocimiento de voz,=
es
el caso de Google y Amazon. Google con el servicio de Google Cloud
Speech-to-Text trabaja en la Web y permite cargar archivos de audio o
procesar sonidos en tiempo real. El servicio de Google proporciona a los
usuarios la posibilidad de escoger el idioma y permite la detección de
contenido inadecuado o vulgar mediante filtros (Morbini et al., 2013). Google Speech-to-T=
ext
también ofrece otras características como la detección automática de idioma=
s o
el reconocimiento automático de puntuación (IANCU, 2019). El servicio
Amazon Transcribe, de la empresa Amazon, es una herramienta que ofrece a los
consumidores la capacidad de agregar funciones de transformación de voz a t=
exto
en sus aplicaciones. Amazon Transcribe también utiliza el reconocimi=
ento
automático de voz (ASR) para generar transcripciones rápidas y de gran cali=
dad (Amazon, n.d.).
Por
otra parte, la necesidad de realizar tareas de transcripción automática var=
ía
de acuerdo al dominio que es usado. Un caso puntual son los centros de coma=
ndo
y control (C2s), conocidos comúnmente como centros de operaciones, las cual=
es
son entidades de orden público que tienen la función de recopilar los datos
provenientes de sensores o cámaras de monitoreo, que se encuentran distribu=
idos
por todo el territorio nacional, toda la información que se recolecta se
almacena para ser procesada y analizada a través de un conjunto de platafor=
mas
que ayudan en la toma de decisiones (Muse
et al., 2020). En complemento a estas t=
areas,
los C2 reciben constantemente llamadas de la comunidad en busca de despachos
para emergencias o de soporte policial.
Este
estudio realiza una comparativa, que permite evaluar las características de=
los
productos existentes al sistema integrado de seguridad ECU 911, que es la
entidad encargada de organizar y dar respuesta ante las situaciones de
emergencia que se puedan presentar en el territorio nacional, coordinando la
atención con los diferentes organismos en caso de siniestros o desastres. E=
sta
entidad proporciona las grabaciones relacionadas con las alertas emitidas, =
las
cuales se analizan para su registro y codificación considerando las
particularidades de cada región. Además, una vez concluidas las configuraci=
ones
y entrenamientos necesarios, se determina que producto ofrece una mayor
precisión al momento de convertir el audio a texto. También, se evalúa la
calidad de las transcripciones de las herramientas utilizadas con relación =
a las
transcripciones realizadas por humanos.
Este estudio se organiz=
a de
la siguiente manera: En la Sección 2 se presentan los trabajos relacionados=
, en
la Sección 3 se explica la metodología que se usó para realizar las pruebas=
, en
la Sección 4 se muestran los resultados obtenidos y en la Sección 5 se expo=
nen
las conclusiones.
Trabajos relacionados
En el campo =
de la
conversión de voz a texto, existen varios aportes, mismos que abordan la
evaluación de ciertos factores clave, que influyen en la calidad del result=
ado
ofrecido. Sin embargo, estos sistemas trabajan con idiomas como el rumano,
inglés o japonés. Dichos estudios consideran factores como el nivel de ruid=
o o
la tasa de error de las palabras convertidas. Los trabajos que se presentan=
a continuación
se relacionan directamente con los métodos de evaluación y las tareas de
transcripción.
En Këpuska (=
2017),
se diseña una herramienta que permite comparar varios sistemas de
reconocimiento automático de voz (ASR) como Microsoft Speech Api, Google Sp=
eech
Api y Sphinx-4, que son ASR de código abierto. Para ello, se utilizan
grabaciones de diferentes fuentes, en idioma inglés, para calcular la tasa =
de
error de palabras (WER) y la exactitud de las mismas. Allí, se determina qu=
e la
API de Google fue superior.
En el trabaj=
o que
realiza Kimura et al. (2018) se utiliza la métrica WER para comparar el
rendimiento entre los ASR de Kaldi y la API de Google. Para el estudio se
emplean audios de habla japonesa en tiempo real, lo que permite concluir qu=
e el
ASR de Kaldi muestra una alta precisión de reconocimiento cuando los datos =
se
encuentran en un dominio cerrado y el nivel de ruido en los audios no es al=
to.
En su lugar, el API de Google presenta una gran precisión y estabilidad en
varios entornos y dominios, así como un tiempo de respuesta mucho menor. En
Filippidou y Moussiades (2020), se compara la precisión de Google respecto a
IBM Watson y Wit, utilizando WER junto con los cálculos de la tasa de error=
de
palabras independiente de la posición de hipótesis (Hper) y la tasa de erro=
r de
palabras independiente de la posición de referencia (Rper). Concluyen que el
ASR de Google es más eficaz que los otros sistemas evaluados.
En (IANCU, 2=
019), se
evalúa la API de Google Cloud Speech-to-Text, utilizando vídeos disponibles=
de
YouTube en rumano. Los datos que se
obtienen se indexan para transformarse en material para búsquedas. El autor utiliza WER para medir la prec=
isión
del contenido multimedia y concluye que los resultados para la indexación de
estos recursos son satisfactorios. En el trabajo de Kodish-Wachs et al,
(Kodish-Wachs et al., 2018) los autores desarrollan una comparación sistemá=
tica
de ASR aplicada al lenguaje clínico convencional. En el estudio se usan aud=
ios
grabados de escenarios clínicos y se evalúan ocho motores de ASR usando la =
tasa
de error de palabra (WER). Como resultado se encuentra que los motores de A=
SR
generan una amplia gama de errores de palabras.
Por otro lad=
o, en
Assefi, Liu, et al. (2015), comparan dos sistemas basados en la nube, Apple
Siri y Google Speech Recognition (GSR), evaluando los sistemas de acuerdo a=
los
parámetros de retraso y precisión de las transcripciones de cada herramient=
a.
Se llega a la conclusión de que los sistemas que están basados en la nube s=
on
afectados por la pérdida de paquetes o por la fluctuación que se da comúnme=
nte
en sistemas conectados a la red inalámbrica y celular. En Assefi, Wittie, et
al., (2015), se estudian los mismos sistemas de reconocimiento de voz basad=
os
en la nube, y se evalúa el rendimiento ante varias situaciones de red, en
parámetros de precisión de reconocimiento de comandos y retardo de ida y
vuelta. Los resultados obtenidos son similares a los detallados anteriormen=
te
(Assefi, Liu, et al., 2015); sin embargo, se propone una solución de transp=
orte
de codificación de red para aumentar la calidad de las transmisiones de voz=
.
En Wang (201=
9), se
realiza un estudio sobre el reconocimiento de emociones basado en un modelo=
de
red neuronal convolucional y recurrente (ARCNN), que es aplicado a diálogos
telefónicos de atención al cliente. El modelo se entrena con el texto
convertido de la voz del teléfono del cliente mediante la API de transcripc=
ión
de Amazon. Así también, en Munot y Nenkova, (2019), se analiza cómo las
emociones en los diálogos influyen en el desempeño de los sistemas. Se conc=
luye
que el rendimiento de los sistemas de reconocimiento depende de factores co=
mo
el contenido léxico, la identidad del hablante y el dialecto. Se evalúan va=
rias
aplicaciones comerciales de compañías como Amazon, IBM y Google.
En Mashao et=
al.,
(2010), se realiza una investigación para la implementación del reconocimie=
nto
de voz aplicado a dispositivos móviles, bien sea en red o con reconocimient=
o de
voz distribuido. Se llega a la conclusión de que el reconocimiento distribu=
ido
obtiene una mayor precisión.
Como se anal=
iza,
existen múltiples estudios de evaluación y comparación de sistemas de
reconocimiento automático de voz (ASR); sin embargo, no se precisan estudio=
s de
comparación de dos grandes empresas como Google y Amazon. Tampoco se encuentran trabajos relacion=
ados
al reconocimiento de voz aplicado a los centros de comando y control, ni
soluciones dirigidas al idioma español. Por ello, el presente estudio se ce=
ntra
en evaluar los sistemas de reconocimiento automático de voz de las empresas
Google y Amazon, mediante grabaciones de audio en situaciones de emergencia,
determinando su calidad con respecto a transcripciones realizadas por human=
os.
Metodología
La meto=
dología
empleada durante el proceso de comparación estuvo conformada por cuatro
actividades detalladas en la Figura
1. Estas actividades utilizaron como
entrada los datos provenientes de la recopilación de llamadas de emergencia
realizadas al Servicio Integrado de Seguridad ECU 911, los registros de
llamadas incluían tanto el audio como su transcripción manual.
Figura <=
/span>1<=
/span>
Actividades relacionadas a la met= odología de evaluación de los sistemas ASR
![3D"Diagrama
Descripción](3D"840-FINAL-GALERADA_archivos/image003.jpg")
Planificación de Trabajo
En esta actividad se detallan los pasos para configura= r el entorno de trabajo, como se puede observar en la Figura 2.
Figura <=
/span>2<=
/span>
Esquema de Planificación de Traba= jo
![3D"Imagen](3D"840-FINAL-GALERADA_archivos/image005.jpg")
Se creó una cuenta en Google Cloud para tener acceso al servicio de Google Speech to Text. Debido a que la mayoría de audios tenían una duración superior a un minuto, se generó un storage en donde se almacenaron estos datos. Por otra parte, se creó una cuenta en l= os servicios Web de Amazon para poder tener acceso a los servicios de Amazon Transcribe, se precisó un espacio de almacenamiento para los audios (bucket= ) y se generó un espacio de trabajo para realizar las transcripciones (transcri= ption job).
Finalmente, se creó un entorno de trabajo en Google Collaboratory, se trata de un documento compartido al cual se puede acceder desde cualquier dispositivo y que permite trabajar con el lenguaje de programación Python sin la necesidad de descargar ningún programa. En este documento se implementó tanto l= a API de Google Speech to Text como la API de Amazon Transcribe.
Preparación y Preprocesamiento de Dato= s
En la Figura 3, se detallan los pasos para la preparación y el preprocesamiento de los dato= s.
Figura <=
/span>3<=
/span>
Esquema de Preparación y Preproce= samiento de Datos
![3D"Imagen](3D"840-FINAL-GALERADA_archivos/image007.jpg")
Se analizó el Dataset proporcionado por el ECU 911, el= mismo que contaba con diversos campos tales como: nombre del archivo de los audio= s, la dirección y las transcripciones, tanto del operador como del alertante.<= /p>
Las distintas herramientas analizadas requerían que el archivo de audio fuera de 16 bits y que el canal del audio fuera estéreo (2 canales). Como parte de ajuste del requerimiento se pudo utilizar el software Fassoft Video Converter para modificar la codificación de las llamadas según las características deseada= s.
Para continuar, se dividieron los archivos de audio en= dos categorías. En la primera categorí= a se agruparon los audios que no contenían un alto nivel de ruido de fondo y en = la segunda categoría se agruparon los audios que tenían un mayor nivel de ruid= o de fondo.
En la actividad que se presenta en la Figura 4, se detalla la creación de los Scripts para la transcripción tanto para Goog= le como para Amazon.
Figura <=
/span>4<=
/span>
Esquema de Configuración del Ambi= ente
![3D"Diagrama
Descripción](3D"840-FINAL-GALERADA_archivos/image009.jpg")
Se creó el Script para la codificación e implementació= n de la API de Google, el cual permitió realizar las transcripciones de los audi= os. Para que la comparación esté dentro de los mismos parámetros fue necesario configurar la transcripción resultante, para lo cual se eliminaron todos los signos de puntuación, así como se utilizó un método lowercase el cual retornó todas las palabras en minúsculas.
Por otra parte, Amazon permitió realizar las transcrip= ciones desde sus servicios Web (AWS), esta proporcionó un archivo de formato JSON = con la transcripción del audio. Para el análisis del mismo se creó un Script que permitió configurar la transcripción resultante para igualar a los parámetr= os anteriormente señalados, donde se utilizó un método replace para reemplazar los signos de puntuación por espacios en blanco y el método lowercase que permitió dejar el texto en minúsculas.
Definición del modelo de calificación<= /span>
Para medir la efectividad de las transcripciones a tex= to de los dos servicios antes mencionados se utilizó el cálculo de la tasa de err= or por palabras (WER). El cual, en pr= imera instancia, tomó un texto de referencia que contenía la transcripción del au= dio sin ningún error. Posteriormente, = se consideró un texto de análisis el cual fue generado a partir de las transcripciones realizadas por los servicios de Google y Amazon. Se compararon los dos textos tomando en cuenta las palabras que fueron eliminadas, cambiadas y añadidas. Este cálculo dio como resultado el porc= entaje de error de las transcripciones respecto al texto de referencia. El cálculo= del WER se dio bajo la siguiente fórmula:
![](3D"840-FINAL-GALERADA_archivos/image011.png")
=
Donde (I) son las palabras insertadas, (D) son las pal= abras eliminadas, (S) son las palabras que se sustituyeron y (N) es el total de palabras del texto de referencia.
Resultados
La Tabla = 1muestra los resultados que se obtienen para la tasa de error por palabra (WER) de 10 audios proporcionados por el sistema ECU911, los cuales no contienen ruido = de fondo. El índice de WER que logra la API de Amazon Transcribe es menor que = el índice que alcanza la API de Google Speech to Text, es decir la API de Amaz= on es más efectiva al momento de realizar las transcripciones en comparación a= la API de Google.
Tabla 1<=
/span>
Resultados de las Transcripciones= (Sin Ruido de Fondo)
| Nom=
bre del
archivo |
Goo=
gle
Speech to Text |
Ama=
zon
Transcribe |
| WER=
(%) |
||
|
f58a547c-b=
84b-4d46-b2cfd2d5f21f8d2b |
0,57 |
0,48 |
|
f2a3ae7f-aa13-4742-8030-82a274be4405 |
0,28 |
0,21 |
|
dddd5d0c-4453-4389-b960-fed73caa2bf7 |
0,38 |
0,34 |
|
d0fa229f-a710-46=
5d-ac3f-d701a05ab071 |
0,52 |
0,51 |
|
cd82b677-0732-424e-a432-cc039c1eb520 |
0,48 |
0,41 |
|
9544243b-fc6a-4c1c-b622-c6812828d519 |
0,49 |
0,48 |
|
91ddd3ad-1=
ebf-43ca-b628-9f425c83d65b |
0,47 |
0,48 |
|
56d63c4d-d64c-4022-bd4e-688c1f3a45b4 |
0,39 |
0,36 |
|
49bbd185-9b67-4355-b504-600a064f1049 |
0,49 |
0,34 |
|
45a51110-078a-4e5b-9366-196f4f12c3ce |
0,43 |
0,43 |
|
Med=
ia |
0,4=
5 |
0,40 |
Figura 5![](3D"840-FINAL-GALERADA_archivos/image013.png")
La Figura 6, presenta un histograma de los resultados que se obtienen de la API de Google Speech to Text de los audios que no presentan ruido de fondo. Se puede observar que existe una frecue= ncia mayor para los resultados que oscilan entre el 41 y 54 por ciento de WER.
Figura <=
/span>6<=
/span>
Histograma de las Transcripciones= de Google (Sin Ruido de Fondo)
![3D"Gráfico,](3D"840-FINAL-GALERADA_archivos/image015.png")
En la Figura 7, se observa el histograma con los resultados que se obtienen de la API de Am= azon Transcribe de los audios que no presentan ruido de fondo, donde se puede observar que la mayor frecuencia se encuentra entre el 36 y 51 por ciento de WER.
Figura <=
/span>7<=
/span>
Histograma de las Transcripciones= de Amazon (Sin Ruido de Fondo)
![3D"Gráfico,](3D"840-FINAL-GALERADA_archivos/image017.png")
La Tabla = 2 muestra los resultados que se obtiene para la tasa de error por palabra (WE= R) de cada uno de los audios del estudio. Se consideran elementos con un ruido= de fondo más intenso para observar el comportamiento de las API en diferentes escenarios. El índice WER que se logra por la API de Amazon Transcribe es m= enor que el índice WER que se obtiene por la API de Google Speech to Text, es de= cir, la API de Amazon una vez más tiene mayor efectividad al momento de realizar= las transcripciones en comparación a la API de Google.
Tabla 2<=
/span>
Resultados de las Transcripciones= (Con Ruido de Fondo)
| Nombre del archivo<= o:p> |
Google Speech to Te=
xt |
Amazon Transcribe |
| WER (%) |
||
|
c4095c6e-e4d1-44c2-a03d-6b007269da15 |
0,66 |
0,65 |
|
cdf112ec-4be5-4aa0-9a8e-b5da95320660 |
0,52 |
0,50 |
|
ce0685b3-1c76-4e19-ae50-1e59c64d4f98 |
0,63 |
0,54 |
|
d3d7d6b5-8b04-4778-96d6-98f638fa05c1 |
0,68 |
0,52 |
|
e185a546-a73f-4dbf-90b7-64c32edf=
cb74 |
0,54 |
0,64 |
|
edb78b82-e5af-4892-b429-be2fe23af8be |
0,65 |
0,55 |
|
f42dbd3a-890b-4df0-836d-21a6d021=
6255 |
0,62 |
0,68 |
|
fa66d704-aacb-4333-a847-03badd6f08f7 |
0,68 |
0,54 |
|
fa9148cf-5020-4992-b1ab-c59806508da8 |
0,64 |
0,62 |
|
fcb4f4eb-4c21-45d9-ba71-321b0a1b=
3aab |
0,59 |
0,43 |
|
Media |
0,62 |
0,58 |
Figura 8![](3D"840-FINAL-GALERADA_archivos/image019.png")
En la Figura 9. Se muestra el histograma de los resultados de la API de Google Speech to Te= xt con audios que contienen ruidos de fondo, donde se puede observar que existe una mayor frecuencia en los resultados del WER que varían entre el 61 y 70 = por ciento.
Figura <=
/span>9<=
/span>
Histograma de las Transcripciones= de Google (Con Ruido de Fondo)
![3D"Gráfico,](3D"840-FINAL-GALERADA_archivos/image021.png")
En la Figura 10, se muestra el histograma de los resultados de la API de Amazon Transcribe c= on audios que contienen ruidos de fondo, donde se puede observar que existe una mayor frecuencia en los resultados del WER que varían entre el 43 y 56 por ciento.
Figura <=
/span>10=
Histograma de las Transcripciones= de Amazon (Con Ruido de Fondo)
![3D"Gráfico,](3D"840-FINAL-GALERADA_archivos/image023.png")
Conclusiones
Como parte de las conclusiones se pu=
ede
identificar consideraciones a tener en cuenta para el procesamiento de los
audios, tales como la separación de los canales, problemas de interferencia
entre los dos interlocutores y en la codificación de los bits de los audios.
Estos aspectos deben ser mejorados para elevar la calidad de los sistemas A=
SR
en tareas de transcripción.
Con base en los resultados del estudio, los servicios = de Amazon alcanzan una media de error del 40%, mientras que los servicios de Google alcanzan un 45% de media de error en aquellos audios que no contienen ruido de fondo. En audios con mayor ruido de fondo, los servicios de Amazon= vuelven a tener un valor menor de tasa de error con un 58%, en comparación al 62% de los servicios de Google.
Se puede concluir que los servicios de Amazon muestran= una mayor eficiencia respecto a los servicios de Google tanto con audios con un nivel de ruido de fondo más alto como en audios con un nivel de ruido de fo= ndo más bajo. El método de evaluación como los resultados que logra este estudio pueden ser considerados por otros trabajos que se enfoquen a realizar tarea= s de transcripción automática. Como trabajo futuro se propone buscar técnicas que mejoren la calidad de los audios, que permitan eliminar el ruido y elevar la claridad de la voz para una óptima transcripción.
Se planifica realizar, como próximos pasos, la compara=
ción
con otras herramientas tales como Microsoft e IBM. Además, se espera realiz=
ar
una medición de otros aspectos como los modelos internos de cada uno de los
servicios que se estudian, el tipo de redes neuronales que utilizan, anális=
is
de corpus, arquitectura; además, características de calidad tales como:
precisión, confiabilidad, eficiencia, entre otros.
Agradecimientos
Los autores desean agradecer al Vicerrectorado de Investigaciones de la Universidad del Azuay por el apoyo financiero y académico, así como a todo el personal de la escuela de Ingeniería de Siste= mas y Telemática, y el Laboratorio de Investigación y Desarrollo en Informática (LIDI).
Referencias
Amazon. (n.d.). Amazon Trans=
cribe
Guía para desarrolladores. 1–334. https://docs.aws.amazon.com/es_es/tra=
nscribe/latest/dg/transcribe-dg.pdf
Assefi,
M., Liu, G., Wittie, M. P., & Izurieta, C. (2015). An experimental
evaluation of Apple Siri and Google Speech Recognition. 24th Internation=
al
Conference on Software Engineering and Data Engineering, SEDE 2015.
Assefi,
M., Wittie, M., & Knight, A. (2015). Impact of network performance on c=
loud
speech recognition. Proceedings - International Conference on Computer
Communications and Networks, ICCCN, 2015-Octob. https://d=
oi.org/10.1109/ICCCN.2015.7288417
Filippidou,
F., & Moussiades, L. (2020). A Benchmarking of IBM, Google and Wit.
https://doi.org/10.1007/978-3-030-49161-1
IANCU,
B. (2019). Evaluating Google Speech-to-Text API’s Performance for Romanian
e-Learning Resources. Informatica Economica, 23(1/2019), 17–2=
5.
https://doi.org/10.12948/issn14531305/23.1.2019.02
Këpuska,
V. (2017). Comparing Speech Recognition Systems (Microsoft API, Google API =
And
CMU Sphinx). International Journal of Engineering Research and Applicati=
ons.
https://doi.org/10.9790/9622-0703022024
Kodish-Wachs,
J., Agassi, E., Kenny III, P., & Overhage., J. M. (2018). A systemat=
ic
comparison of contemprary automatic speech recognition.pdf.
Mashao,
Daniel J, Isaacs, D. (2010). A Comparison of the Network Speech Recognit=
ion
and Distributed Speech Recognition Systems and their eect on Speech Enabling
Mobile Devices. February, 1–94.
https://open.uct.ac.za/handle/11427/11232
Microsoft.
(2011). What is the Speech service.
Morbini,
F., Audhkhasi, K., Sagae, K., Artstein, R., Can, D., Georgiou, P., Narayana=
n,
S., Leuski, A., & Traum, D. (2013). Which ASR should i choose for my
dialogue system? SIGDIAL 2013 - 14th Annual Meeting of the Special Inter=
est
Group on Discourse and Dialogue, Proceedings of the Conference, Augu=
st,
394–403.
Munot, R., & Nenkova, A. (2019). Emotion impacts speech recognition performanc= e. NAACL HLT 2019 - 2019 Conference of the North American Chapter of the Association= for Computational Linguistics: Human Language Technologies - Proceedings of the Student Research Workshop, 16–21. https://doi.org/10.18653/v1/n19-3003<= o:p>
Muse,
L. P., Martins, P. R., Hojda, A., Abreu, P. A. De, & Almeida, P. C. De.=
(2020).
The role of Urban Control and Command Centers in the face of COVID-19: The =
case
of COR in Rio de Janeiro, Brazil. 2020 IEEE International Smart Cities
Conference, ISC2 2020. https://doi.org/10.1109/ISC251055.2020.9239068
Service,
C., Sheets, P. D., Levels, S., & Support, T. (2019). IBM Cloud
Additional Service Description IBM Watson Speech to Text Service Levels and
Technical Support. 09, 3–5.
https://www-03.ibm.com/software/sla/sladb.nsf/8bd55c6b9fa8039c86256c6800578=
854/78a62403a2752f7f862583b3006435bd/$FILE/i126-6945-09_03-2019_en_US.pdf
Takashi
Kimura, Takashi Nose, Shinji Hirooka, Yuya Chiba, A. I. (2018). Comparis=
on
of Speech Recognition Performance Between Kaldi and Google Cloud Speech API=
(Vol. 2).
Wang,
Y. (2019). Sentiment Analysis of Customer Support Phone Dialogues using
Fusion-based Emotion Recognition Techniques.
https://repository.library.northeastern.edu/files/neu:m044wq01p/fulltext.pd=
f
Yu
Dong, L. D. (2015). Automatic Speech Recognition. In Lecture Notes in
Electrical Engineering (Vol. 686). https://doi.org/10.1007/978-981-15-7=
031-5_63
<=
!--[if supportFields]>