Amazon Echo marcó un hito gigante en la percepción de la tecnología. Si bien el reconocimiento de voz es algo presente en la investigación por mas de 60 años, la brecha entre el lenguaje natural hablado y el entendido por un ordenador se cerró abruptamente en la última década. Las búsquedas por voz de Google ya eran posibles desde hace algún tiempo, pero un dispositivo listo para usuario final con características de personalización e integración con dispositivos en el mercado causó gran impacto en la población estado unidense tanto que tan solo en 2017 se vendieron mas de 20 millones de dispositivos. Otras alternativas como Google Home, Apple HomePod, Sonos o Mycroft cerran la brecha mas y mas haciendo que el control domótico del hogar sea una labor trivial.
Pero no podemos creer que debemos usar una alternativa privada para realizar el control de nuestro hogar, pues alternativas de hardware libre y software libre combinadas nos permiten lograr los mismos resultados con un poco de esfuerzo y mucha mas satisfacción.
Con un Raspberry PI y un micrófono USB podremos lograr lo mismo e incluso más que las alternativas del mercado (aunque podremos lograr los mismos resultados con un BeagleBoard, un BananaPi o cualquier otra plataforma de bajo costo que nos permita ejecutar linux y nos deje algo de memoria RAM disponible, aunque recomiendo 1GB de RAM, si eres un auténtico ninja podrás reducir los servicios del sistema operativo y tener todo funcionando en configuraciones inpensables) claro, si aún no tienes tu dispositivo puedes hacerlo todo en tu computador personal sin ningún problema.
En este corto taller exploraremos un poco la teoría detrás de la magia del reconocimiento automático de la voz (Automatic Speech Recognition ASR), las metodologías tradicionales basadas en Modelos de Markov Ocultas y Modelos de Mixturas Gausianas (Hidden Markov Models - Gaussian Mixture Models HMM-GMM), aproximaciones hibridas utilizando Modelos de Markov Ocultos en Redes Neuronales Profundas Dependientes de Contexto (Context Dependent Deep Neural Networks Hidden Markov Models CD-DNN-HMM) y por qué no un poco de Redes Neuronales Profundas (Deep Neural Networks DNN).
Pero tranquilo, si aún no eres un ninja en aprendizaje profundo existen
herramientas listas para usar que nos darán las funcionalidades necesarias a
un apt de distancia.
Dejando la teoría y permitiendo que nuestro cerebro respire un poco, trabajaremos con pocketsphinx, rasaNLU y GPIO usando scripts para enviar señales a nuestros dispositivos físicos y hacer magia.
El taller propuesto es un taller divulgativo para el uso de python y sus aplicaciones prácticas.
Soy estudiante de Maestría en Ingeniería con énfasis en Ingeniería de Sistemas y Computación. En mi tesis de pregrado trabajé con CMU Sphinx y actualmente me encuentro implementando una suite de funciones útiles para usar algoritmos tradicionales reescritos en python y potenciados por GPU para el alineamiento forzoso de la voz.
Idealmente se requiere que el asistente tenga un Raspberry, un micrófono USB, una protoboard, un led y una resistencia de 330 ohm para realizar todo el proceso, pero la práctica se puede llevar a cabo con un computador portatil.
El espacio teórico es agotador y denso, no suele pasar de 20 minutos, pero lo prefiero pues regularmente entre la audiencia siempre hay personas con conocimientos técnicos avanzados los cuales están interesados en el porqué de las cosas.
La parte práctica para una persona con conocimientos en hardware y software es de cerca de 15 minutos, pero la configuración de paquetes tiende a ser lenta en personas sin conocimientos técnicos, por lo que para este espacio se destina una hora.
Finalizando muestro un ejemplo un poco mas aplicado usando SonOFF basic, un switch inteligente de bajo costo basado en el módulo ESP8266, donde se escribe un servidor en python que controla el dispositivo sin cables, esto tarda 5 minutos, dejando el taller de 1 hora y 30 minutos aproximadamente.