Progetto e realizzazione di un framework per applicazioni vocali in formato VXML

Transcript

1 Progetto e realizzazione di un framework per applicazioni vocali in formato VXML

2 Sommario 1 INTRODUZIONE IL CONTESTO PROGETTUALE OBIETTIVI DEL FRAMEWORK ATTIVITÀ E STATO DI AVANZAMENTO ORGANIZZAZIONE DEL DOCUMENTO Prima Parte Seconda Parte Altri capitoli... 7 PRIMA PARTE LE APPLICAZIONI VOCALI INTRODUZIONE RICONOSCIMENTO DEL PARLATO Cenni storici Ambiti d'uso Command and control Le applicazioni Dictation Prospettive SINTESI DEL PARLATO LE PIATTAFORME VOCALI INTRODUZIONE I sistemi IVR I Voice Portal PIATTAFORME VOCALI VOICEXML Architettura fisica Architettura logica Il VoiceXML LE SOLUZIONI DI MERCATO Gli standard I protagonisti GLI OBIETTIVI DEL FRAMEWORK INTRODUZIONE OBIETTIVI DEI FINANZIATORI OBIETTIVI DEI COMMERCIALI OBIETTIVI DEGLI SVILUPPATORI OBIETTIVI DEGLI UTILIZZATORI ESEMPI DI RIFERIMENTO... 36

3 4.6.1 Servizio notte Rubrica Aziendale VISION DELLA SOLUZIONE LOGICA DI BUSINESS I Ruoli Il Processo TECNOLOGIA Web Application Model View Control J2EE ARCHITETTURA FISICA Runtime Designer ARCHITETTURA LOGICA ORGANIZZAZIONE DELL INFORMAZIONE PER IL VOCALE Introduzione Caso Servizio Notte Caso Rubrica Aziendale MODELLO PER LA RAPPRESENTAZIONE INTERNA Applicazioni Vocali Nodi Variabili Grammatiche Servizi APPLICAZIONE DEL MODELLO Caso Servizio Notte SECONDA PARTE REQUISITI INTRODUZIONE MODULO DESIGNER MODULO RUNTIME CASI D USO Attori Designer Runtime PROGETTAZIONE INTRODUZIONE ARCHITETTURA DEL SOFTWARE Designer Runtime DESIGN MODEL Nodi Schemi VXML TIPI DI NODO Nodo: Leggi Testo Nodo: Esegui Servizio

4 7.4.3 Nodo: Link Nodo: Menu Nodo: Acquisisci Dato Nodo: Cambia Applicazione Nodo: Imposta Variabili Nodo: Trasferimento di Chiamata REALIZZAZIONE DEI CASI D USO Caso d Uso: Crea Applicazione Caso d Uso: Crea Nodo Caso d Uso: Specifica Nodo di Inizio SINTESI DELLE FASI DI SVILUPPO CONCLUSIONI OBIETTIVI RAGGIUNTI I LIMITI DEL PROGETTO SVILUPPI FUTURI FONTI APPENDICI LA TECNOLOGIA DI RICONOSCIMENTO VOCALE APPROCCIO DELLA PATTERN RECOGNITION IL MODELLO ACUSTICO DI LOQUENDO LA TECNOLOGIA DI SINTESI DEL PARLATO TIPI DI UNITÀ DEL PARLATO ESTRATTO DELLE W3C RECOMMENDATION PER IL VOICEXML OVERVIEW Introduction Background Concepts VoiceXML Elements Document Structure and Execution

5 1 Introduzione Il contesto progettuale Obiettivi del framework Attività e stato di avanzamento Organizzazione del documento L oggetto di questa tesi è il progetto e la realizzazione di un framework per applicazioni vocali in formato VXML. 1.1 Il contesto progettuale Per applicazione vocale si intende l insieme di codice che, se eseguito da una piattaforma vocale, realizza un servizio automatico in voce, tipicamente per il canale telefonico. Oggi le applicazioni vocali sono ampiamente utilizzate in supporto a sistemi industriali e aziendali di una certa dimensione, come ad esempio per i servizi di Customer Relationship Management - CRM (call center, help desk, operatori telefonici automatici) o in altri settori, come il marketing e le vendite (telemarketing, teleselling e indagini di mercato), nella lettura vocale di posta elettronica o altre informazioni, nella logistica, nella gestione di ordini, negli impieghi finanziari e informativi (quotazioni, brokeraggio e home banking) e infine nei servizi pubblici come il tele-voto o il pagamento elettronico. Il linguaggio VXML (o VoiceXML), utilizzato per la definizione delle applicazioni vocali, è stato sviluppato soltanto negli ultimi anni ( la specifica della versione 1.0 risale al marzo 2000 ), quando le tecnologie di test to speech e di speech recognition, su cui si fondano i sistemi a cui è destinato, sono diventate tanto affidabili da suscitare l interesse delle più importanti aziende d informatica e di telecomunicazione.

6 1 - INTRODUZIONE 4 Di fatto è stato proprio questo interesse a stimolare la nascita del VoiceXML Forum, ossia di un organizzazione industriale appositamente fondata per creare e promuovere la diffusione del VoiceXML. Oggi il VoiceXML è uno standard internazionalmente riconosciuto per la definizione dell accessibilità, con la voce ed il telefono, ai contenuti ed ai servizi basati su Internet. È in questo panorama che risulta interessante lo sviluppo di un framework che, in modo più semplice e veloce, permetta la definizione e la messa in esercizio di applicazioni vocali secondo il linguaggio VXML. 1.2 Obiettivi del framework Per framework si intende, con l accezione informatica, un ambiente software fatto su misura per i bisogni di uno specifico ambito. Un framework raccoglie l insieme di componenti software, concetti e tecnologie tali da ridurre il livello di conoscenza richiesto allo sviluppatore che deve risolvere una specifica tipologia di problema. Il framework in oggetto, che successivamente indicheremo col nome di VocAppBuilder, costituisce una soluzione pensata per la costruzione di servizi telefonici automatici per le piattaforme vocali di ultima generazione, con la specifica finalità di rendere la programmazione accessibile anche a personale non specializzato. Il primo obiettivo, quindi, deve essere quello di ridurre al minimo, ed al limite annullare, la necessità di conoscere il linguaggio VXML, perché, se da una parte formalizza in modo efficiente una descrizione adatta all interpretazione da parte di una macchina, dall altra risulta spesso difficilmente comprensibile agli occhi di un uomo. Normalmente i produttori di piattaforme vocali forniscono degli ambienti di sviluppo che aiutano nella scrittura del codice VXML. Tipicamente, questi ambienti di sviluppo sono, tuttavia, di supporto alla pura stesura del codice che realizza l applicazione e non esulano chi li utilizza dal dover di fatto conoscere il linguaggio in tutta la sua complessità. La qualità fondamentale di questa soluzione è quella di occultare completamente la complessità della stesura del codice VXML. Il framework VocAppBuilder fornisce, pertanto, un modello di rappresentazione dell informazione e dell interazione vocale più adatto all interpretazione e, di conseguenza, all elaborazione da parte del pensiero umano. Questo risultato è ottenuto definendo un framework software che implementa un suo specifico modello della conversazione (ossia dell applicazione vocale), e fornisce, inoltre, i metodi per la sua gestione ed il suo utilizzo. La definizione e la gestione del modello è affidata ad un componente del framework che chiameremo Designer, mentre il motore che utilizza il modello è racchiuso in un secondo componente che chiameremo Runtime. Il modello interno gestito dal modulo Designer, è assimilabile alla definizione di un grafo diretto e tipizzato. Sintetizzando molto, possiamo dire che la definizione della struttura di

7 1 - INTRODUZIONE 5 questo grafo rappresenta la determinazione della logica della conversazione, mentre la sua tipizzazione, determina la definizione delle singole frasi scambiate tra uomo e macchina. Il modulo di Runtime si occupa dell interpretazione di questo modello nella fase di esecuzione. In altre parole questo modulo si occupa di generare e fornire dinamicamente i contenuti VXML per la piattaforma vocale che sta sostenendo la conversazione con l utente. VocAppBuilder si pone, inoltre, l obiettivo di ridurre i costi di tutto il ciclo di vita di un applicazione vocale. Non solo, quindi, nella fase di progetto e sviluppo, ma anche nella gestione delle modifiche e nell aggiornamento dei contenuti. Questo obiettivo sarà perseguito integrando nel framework i comportamenti ed i processi tipici dei sistemi di publishing. Infatti framework con obiettivi in qualche modo analoghi sono contenuti nei sistemi di web-publishing, pensati per la realizzazione e gestione dei siti web. Il framework stesso, in quanto prodotto software, deve realizzare diversi obiettivi, quali: massimizzare la portabilità, utilizzare tecnologie standard, essere fortemente scalabile e non ultimo minimizzare il costo della sua manutenzione. In questo caso il risultato è frutto delle scelte architetturali e dell integrazione di alcuni altri framework e design pattern molto accreditati sul mercato. Un ulteriore importante obiettivo del framework è quello di semplificare l integrazione delle funzioni di business-logic realizzate da sistemi esterni. Anche in questo caso la soluzione è ottenuta con la particolare definizione del modello interno e con l utilizzo di una architettura basata sulle tecnologie del mondo internet. 1.3 Attività e stato di avanzamento Il framework VocAppBuilder, è stato realizzato dall autore in qualità di responsabile tecnico per la società Tidysoft, azienda specializzata in soluzioni software multicanale e nella system integration, nell ambito di un progetto per il quale ha coordinato e partecipato alle attività di analisi, progettazione e sviluppo. Il framework è stato adottato ed implementato all interno del sistema Tidytalk Vocal Interface System, che rappresenta attualmente il prodotto software di eccellenza commercializzato da Tidysoft. Il marchio Tidytalk è stato registrato nel giugno 2004 ed il prodotto Tidytalk, in commercio dall estate 2004, è già stato acquistato da ItalgasPiù per il servizio di stato bolletta e dal Ministero degli Affari Esteri Italiano per il servizio viaggiare sicuri. Molti sono inoltre i potenziali clienti attualmente in trattativa, che per motivi di privacy non possono essere citati.

8 1 - INTRODUZIONE Organizzazione del documento Il documento è organizzato in due parti corrispondenti rispettivamente alla fase di progettazione ed a quella si sviluppo del framework Prima Parte. I titoli dei capitoli relativi alla fase di progettazione sono: CAPITOLO 2 - LE APPLICAZIONI VOCALI. Cenni sulle tecnologie di riconoscimento e sintesi del parlato, che costituiscono gli elementi di base per la comprensione e determinazione del concetto di applicazione vocale. CAPITOLO 3 - LE PIATTAFORME VOCALI. Valutazione delle soluzioni di mercato. In particolare viene osservata l architettura della piattaforma Voxnauta di Loquendo, che sarà utilizzata come piattaforma di riferimento. CAPITOLO 4 - GLI OBIETTIVI DEL FRAMEWORK. Determinazione degli obbiettivi del progetto e relative osservazioni. CAPITOLO 5 - VISION DELLA SOLUZIONE. E il capitolo principale, dedicato alla descrizione della soluzione. Questo capitolo raccoglie sostanzialmente la descrizione del comportamento e l organizzazione del sistema in cui si colloca il framework. Per cominciare viene descritto il processo di produzione che si vuole ottenere con l uso del framework; si prosegue poi con la descrizione dell architettura del software e della logica di business che si intende realizzare per ottenerlo Seconda Parte. I titoli della seconda parte del documento, dedicata alle fasi di sviluppo, sono: CAPITOLO 6 - REQUISITI. Raccoglie i requisiti, ossia una definizione più formale degli obiettivi del framework. Questi requisiti sono stati formalizzati con la definizione dei Casi d Uso del sistema. CAPITOLO 7 - PROGETTAZIONE. Descrive gli elementi principali dell implementazione del framework realizzata per Tidysoft e che costituisce parte integrante del suo sistema Tidytalk. CAPITOLO 8 - CONCLUSIONI. Osservazioni a conclusione di questo progetto.

9 1 - INTRODUZIONE Altri capitoli. Il documento prosegue con alcuni capitoli di supporto. In particolare viene presentato un esempio di utilizzo pratico dell implementazione del framework. In appendice, inoltre, è stato riportato un estratto delle W3C Recommendation per il VoiceXML 2.0, che ha costituito il riferimento fondamentale per lo sviluppo dei concetti e delle idee raccolte in questa tesi.

10 PRIMA PARTE Progettazione

11 2 Le Applicazioni Vocali Introduzione Riconoscimento del parlato Sintesi del parlato 2.1 Introduzione Prima di affrontare i dettagli della soluzione proposta è bene inquadrare gli elementi che contribuiscono a definire il problema che si intende risolvere. Innanzitutto è necessario approfondire il concetto di applicazione vocale. In generale vengono indicate come applicazioni vocali tutte quelle soluzioni che in qualche misura utilizzano una o entrambe le tecnologie di Automatic Speech Recognition (ASR) e di Text To Speech (TTS), rispettivamente riconoscimento e sintesi del parlato. Come già indicato nell introduzione, in questa tesi il significato di applicazione vocale è in realtà più ristretto e si limita ad indicare la componente di codice che può essere eseguita da una piattaforma vocale. Le piattaforme vocali sono quei sistemi di hardware e di software in grado di sostenere un interazione vocale con le persone. Si parla di piattaforme, in particolare, nel caso di sistemi destinati all automazione di servizi telefonici. Tutte le piattaforme vocali, in qualche forma, contengono e implementano entrambe le tecnologie di ASR e TTS. La componente di codice che definisce l applicazione vocale deve essere scritta, naturalmente, nel linguaggio utilizzato dalla piattaforma. Attualmente, lo standard al quale, tutte le piattaforme si sono o si stanno adeguando è il linguaggio VXML.

12 2 LE APPLICAZIONI VOCALI 10 Il framework VocAppBuilder prevede la disponibilità di una piattaforma vocale che utilizza il linguaggio VXML. ASR TTS Piattaforma Vocale Applicazione Vocale VXML Figura 1 - Applicazione vocale nel contesto delle piattaforme vocali Nei successivi paragrafi di questo capitolo vengono descritte brevemente le due tecnologie, ASR e TTS, che costituiscono il cuore delle piattaforme vocali e che danno significato e valore a questo progetto. 2.2 Riconoscimento del parlato I sistemi di riconoscimento vocale (in inglese Speech Recognition) costituiscono una delle modalità più innovative per gestire l'interazione tra attori umani e sistemi informativi. Si definisce sistema di speech recognition ogni sistema in grado di convertire un input vocale in una stringa digitale di parole corrispondenti. Visto da un'altra prospettiva, un sistema di questo genere consente di fornire un input a una macchina con il semplice uso della voce, anziché con una periferica quale potrebbe essere una tastiera, un mouse, una penna ottica o altro. Per realizzare un processo di riconoscimento vocale è necessario un software chiamato Speech recognition engine, vale a dire un motore di riconoscimento vocale. La funzione primaria dell engine è tradurre gli input vocali in formati testuali o in altri formati comprensibili alla macchina.

13 2 LE APPLICAZIONI VOCALI 11 Il meccanismo che permette di effettuare la traduzione prevede in forma estremamente schematica, tre passaggi: la scomposizione dell'input vocale in sequenze rilevanti; l'attivazione di un modello di linguaggio (contenente tutte le parole e combinazioni di parole riconosciute dal sistema) e infine il Matching, cioè il confronto fra i risultati. Durante questo processo il motore si avvale di una (o più) grammatiche di supporto. Con il termine grammatica si intendono tutte le parole e sequenze di parole riconosciute come valide dal sistema. La grammatica prevede una sintassi, che costituisce in un certo senso il contesto dell'interazione con lo strumento di speech recognition. La grammatica può essere rigida (predefinita quindi e non modificabile) o, nella maggior parte dei casi, ampliabile sulla base delle scelte dell'utente. Riconoscimento Vocale Parole Comprensione Significato Segnale Acustico Riconoscimento della Lingua Lingua Riconoscimento del Parlatore Parlatore Figura 2 - Modalità di interpretazione del segnale acustico Le tecnologie di riconoscimento vocale operano in un ambito non semplice. Sulla trasposizione in digitale delle parole umane influiscono diversi fattori, tra i quali i più significativi sono le caratteristiche del parlante (come il sesso, l'età, le caratteristiche di pronuncia, lo stato emotivo e la modalità di eloquio), le caratteristiche dell'ambiente (come la presenza o l'assenza di rumore, riverberi ed eco) e infine le caratteristiche del canale audio (cioè la qualità della trasmissione o della registrazione). I problemi iniziali dovuti alla scarsa potenza di calcolo si possono dire ormai ampiamente superati, anche se a fronte di un transfer rate estremamente modesto come quello richiesto dal parlato (di soli 50 bit/s circa) è comunque necessario un notevole apporto di Cpu e memoria per l'elaborazione dei dati. Alcuni limiti iniziali, come la necessità di effettuare un training dei singoli utenti per l'uso degli strumenti di riconoscimento vocale, sono sul punto di scomparire.

14 2 LE APPLICAZIONI VOCALI 12 Nonostante la crescita della potenza di calcolo e la maturità tecnologica, le applicazioni di Speech recognition hanno conquistato un certo mercato ma stentano a decollare Cenni storici Si racconta, che il primo successo nella storia del riconoscimento vocale ha avuto luogo in una fabbrica di giocattoli. Radio Rex era un cane di peluche elettromeccanico, capace di rispondere se chiamato con il suo nome. Il funzionamento era elettromagnetico e non ci sono notizie del successo commerciale. Ciononostante la sua immagine si è fissata come quella del pioniere di una nuova tecnologia. Alla fine degli anni quaranta il governo statunitense finanziò il settore di ricerca per motivi bellici, con l intento di intercettare messaggi sovietici e costruire un traduttore automatico. Il primo passo di questa complessa sfida fu proprio la costruzione di un motore capace di riconoscere il parlato. I risultati furono fallimentari, ma la ricerca continuò con la fondazione del programma Speech Understanding Research (Sur) presso la Carnegie Mellon University (Usa). Il primo sistema di Speech recognition è stato sviluppato nel 1952 dai laboratori Bell: era in grado di riconoscere le cifre da 0 a 9, dettate al telefono, con una accuratezza del 98%, ma si trattava ancora di un sistema analogico. Pochi anni dopo, venne sviluppato un apparato analogo in grado di riconoscere vocali e consonanti. All inizio degli anni Settanta il programma Sur ottenne i primi risultati digitali; Harpy, un sistema complesso che impiegava una potenza di calcolo incredibile per l'epoca (un cluster di una cinquantina di computer sempre alla Camegie Mellon University) fu in grado di riconoscere frasi complete all'interno di un set predeterminato di strutture grammaticali. Giunti a questo punto della ricerca, sono stati essenzialmente tre gli ostacoli per la realizzazione dei primi sistemi commerciali: la potenza di calcolo, la difficoltà di riconoscere il parlato di qualunque persona e non di una voce particolare e la possibilità di riconoscere un discorso tenuto con linguaggio naturale, senza obbligare l interlocutore a una parlata artefatta. Alcune di queste limitazioni rimangono tuttora, nondimeno, i successi raggiunti dalla ricerca hanno stimolato le prime realizzazioni commerciali. Le due società protagoniste della prima commercializzazione di sistemi di riconoscimento vocale sono state Speechworks e Dragon Systems. Il primo risultato ottenuto nelle applicazioni commerciali è stata la costruzione di software capaci di funzionare con la potenza di calcolo disponibile nei normali sistemi informatici. L'evoluzione tecnologica e la legge di Moore hanno favorito gli sviluppi successivi fino a sorpassare, oggi, la potenza necessaria per far funzionare un sistema di riconoscimento vocale.

15 2 LE APPLICAZIONI VOCALI 13 Nel 1996 Chades Schwab, uno dei più noti broker statunitensi, ha implementato il primo sistema di riconoscimento vocale come interfaccia per il suo sistema, Voice Broker. Le innovazioni tecnologiche sono continuate nel 1997, con l'arrivo di Naturally Speaking da parte di Dragon Systems, il primo software di dettatura per parlato continuo. Agli inizi del 2000, TellMe ( ha presentato un portale globale comandabile con la voce, mentre molte aziende si sono focalizzate sulla ricerca di modalità di accesso a Internet e al Web che richiedono la sola voce. Dal 1997 a oggi, dopo l eliminazione della dettatura discreta e dall'obbligo di una procedura di addestramento, non si sono visti grandi salti qualitativi, ma solo miglioramenti negli ambiti della usabilità e della diminuzione del tasso di errore. Figura 3 - Evoluzione dei modelli matematici per la tecnologia ASR In Italia i primi esperimenti sono di Luigi Stringa, dell ELSAG. Mentre le principali attività di ricerca e sviluppo in ambito industriale sono state svolte da: Olivetti (laboratorio di Torino, chiuso nel 1990) per sistemi di dettatura per PC e Sintesi da testo (VoxPC); IRST (laboratorio di Trento, dell Istituto Trentino di Cultura) su sistemi di dettatura e sistemi di dialogo; CSELT, ora TILAB (a Torino, dal 1975 al 2000, poi confluito in Loquendo) su riconoscimento della voce e sintesi da testo.

16 2 LE APPLICAZIONI VOCALI Ambiti d'uso La tecnologia di riconoscimento vocale fornisce supporto per due tipi di attività: l interpretazione dell input vocale oppure la sua trascrizione. La prima è utilizzata nelle applicazioni Command and control, dove l'utente fornisce un input (del tipo "Apri browser") per istruire la macchina a compiere determinate azioni. La seconda riguarda la semplice trasformazione della voce in testo; le applicazioni che usano questa attività sono chiamate Dictation. Le applicazioni di tipo Command and control presentano potenzialità di sviluppo in moltissimi campi, anche se i sistemi operativi in uso nel mondo del personal computing, tutti basati su una interfaccia costruita con la metafora della scrivania, sono decisamente poco utilizzabili con un sistema di comando vocale. Da questo punto di vista il freno all espansione di sistemi di Command and control nell uso quotidiano sembrerebbe essere proprio l intrinseca natura del personal computer come oggi lo conosciamo: solo un drastico cambiamento nei sistemi operativi potrebbe dare impulso a nuovi utilizzi della tecnologia. Per questo motivo, le applicazioni Command and control hanno fortuna, come si è detto, soprattutto nell integrazione con sistemi industriali e aziendali più ampi, come succede ormai diffusamente per i servizi di CRM (call center, help desk, operatori telefonici automatici) o in altri ambiti, come il marketing e le vendite (per servizi di telemarketing, teleselling e sondaggi di mercato), nella gestione ordini, nella lettura vocale di posta elettronica e allegati, nella logistica, negli impieghi finanziari e informativi (quotazioni, brokeraggio e home banking) e infine negli ambiti di e-government, come il televoto o il pagamento elettronico. Lo studio e la parziale realizzazione di uno standard unico, come il Voice Xml (Voice Extensible Markup Language) o il Salt (Speech Application Language Tags) potrebbe espandere le possibilità di utilizzo del riconoscimento vocale, ampliando le possibilità di integrazione anche con sistemi preesistenti Command and control Date le difficoltà di integrazione del comando vocale in un sistema di personal computing che non è orientato al linguaggio, le applicazioni più tipiche dello Speech recognition in modalità Command and control sono i Voice Portal, servizi telefonici in cui gli utenti usano il telefono per ottenere informazioni di vario genere, come quotazioni, risultati sportivi e previsioni del tempo. I Voice Portal, più veloci e flessibili, stanno lentamente sostituendo la generazione di sistemi precedenti, chiamati IVR (Interactive Voice Response) il cui funzionamento prevedeva voci registrate limitando l interazione all uso dei toni telefonici (ad esempio: digitare 1 per l'assistenza clienti, 2 per le vendite e così via ). Appartengono alla categoria dei Voice Portal le diverse tipologie di portale prodotte da Loquendo e Waycom come Loquendo Virtual Operator: un operatore virtuale di centralino,

17 2 LE APPLICAZIONI VOCALI 15 che risponde alle chiamate e interagisce con l interlocutore. Per collegarsi a un interno specifico, è sufficiente pronunciare il nome della persona o dell'ufficio desiderato, eliminando così il problema di conoscere il numero telefonico interno. Per l utilizzo dei Voice Portal esistono ovvi vantaggi legati alla produttività, primo tra tutti l ampliamento dei servizi di accoglienza e di centralino a tutto l'arco delle ventiquattro ore e dei giorni festivi. Per il futuro, si prevede una grande espansione di servizi costruiti su questo concetto, anche in contesti diversi rispetto al telefono, per esempio sul fronte delle intranet attivabili a voce o dei servizi di notificazione. Altre applicazioni di questo genere, destinate a indubbia fortuna nei contesti più diversi, sono gli Reader, software che consentono di interrogare la propria casella di posta elettronica attraverso la voce o il telefono, per verificare quante e quali nuove comunicazioni sono arrivate e, mediante la sintesi vocale permettono di farsi leggere quelle di proprio interesse, ricevere la notifica di nuove e rispondere o inviare messaggi. Nell'ambito del comando vocale stanno assumendo particolare valore i sistemi di supporto alla navigazione automobilistica. Lo Speech recognition funge da sub-sistema all'interno di un'architettura più ampia, attraverso la quale il guidatore dialoga con il sistema di navigazione automatizzato per pianificare il viaggio. La statunitense CU-Move (cslr.colorado.edu) porta avanti un progetto che punta a sviluppare algoritmi e tecnologie per un accesso affidabile all informazione in contesti diversi, per ridurre i problemi legati al rumore di fondo, classificare e distinguere le diverse tipologie di ambienti sonori presentati dall'automobile e per connettere l'automobile a un sistema basato sul Web per reperire suggerimenti per la navigazione automobilistica. La maggior parte dei produttori di sistemi di riconoscimento vocale si sta muovendo in questo campo. Anche l'e-learning potrebbe trarre vantaggio da questa tecnologia, come in parte già avviene, ma in maniera piuttosto pionieristica, soprattutto per lo studio delle lingue e l'analisi della pronuncia dello studente. Un progetto italiano, il Munst (Muitilingual Natural Speech Technology, munst.itc.it), portato avanti dall istituto Trentino di Cultura (Itc) tra gli altri obiettivi punta alla realizzazione di sistemi di traduzione automatica. Da segnalare infine i progetti che prevedono l utilizzo del riconoscimento vocale in ambito di Data-mining per estrarre informazioni da archivi audio e video. Alcune importanti aziende si sono cimentate nella realizzazione di motori di ricerca di questo genere ma considerazioni commerciali hanno reso noto che il mercato non è ancora maturo. L implementazione di un sistema di ricerca di questo genere, qualora i progetti fossero portati a termine, permetterebbe di indicizzare e trovare con facilità, anche in strutture di rete, ogni sorta di filmato e registrazione digitale. Non mancano le applicazioni per i sistemi di sicurezza: le versioni più evolute dei sistemi di Speech recognition integrano il tracking della voce con la raccolta di dati visivi e sono usati

18 2 LE APPLICAZIONI VOCALI 16 in maniera crescente all interno degli impianti di controllo, nel settore che riguarda le nuove tecniche biometriche Le applicazioni Dictation Le applicazioni di tipo Dictation sono il secondo grande campo di battaglia del riconoscimento vocale. Esistono in commercio sistemi di dettatura come Ibrn Via-voice e Scansoft Dragon Naturally Speaking, anche ottimizzati per figure professionali specifiche, come i medici e gli avvocati, il cui lavoro presuppone la stesura di lunghi memoriali e cartelle. In generale, l'uso di questi programmi migliora la velocità di scrittura, dove questi software superano una media di 250 battute al minuto anche al primo utilizzo, senza cioè un periodo di training che può migliorare i risultati complessivi. Al momento, il limite principale delle applicazioni di Dictation è dato proprio dal parlante, poiché l utilizzo del software prevede una capacità non sempre intrinseca di esprimere linearmente il proprio pensiero. Non mancano i vincoli tecnologici: difficoltà del riconoscimento in ambienti rumorosi o in movimento e la necessità di un addestramento, sia per il software sia per l'utente. I sistemi di digitalizzazione automatica del parlato, possibili in futuro, troverebbero applicazioni pratiche nella produzione televisiva (si pensi a notiziari immediatamente disponibili in forma cartacea) e in ambienti come tribunali, assemblee parlamentari o aule di lezione. dove è fondamentale la trascrizione fedele e immediata dei dibattiti in corso Prospettive I progressi presentati dalle ultime generazioni di software di riconoscimento vocale sono positivi: l integrazione con input sensoriali di natura diversa, l'ampliamento e la maggiore flessibilità dei vocabolari di riferimento, l impiego di tecnologie per abbattere i rumori d ambiente migliorano in modo critico l efficienza dei sistemi. Malgrado ciò, la tecnologia non è prosperata come ci si poteva aspettare a metà degli anni Novanta. La responsabilità di questo ritardo si può trovare in parte nella necessità di alcuni miglioramenti: un'integrazione più stretta con le tecnologie per il riconoscimento del linguaggio naturale, maggiore semplicità nella gestione di parole che non si trovano all'interno del vocabolario e l indifferenza alla pronuncia dei parlanti (la cosiddetta "Speaker's indifference" che è sostanzialmente ancora da acquisire). In parte la stessa interfaccia bidimensionale degli attuali sistemi di computing rendono la voce una modalità di input valida in determinate circostanze (essenzialmente quando non è possibile o comodo usare le mani) ma non più efficiente della tastiera o di altri sistemi di immissione dati. Le applicazioni di Command and control o Dictation hanno quindi futuro in ambiti ancora limitati e perlopiù legati alla telefonia. Per lo sviluppo di sistemi rivoluzionari di Speech

19 2 LE APPLICAZIONI VOCALI 17 recognition, occorre guardare alla frontiera di nuovi progetti complessivi, come il Web semantico (cioè il tentativo di strutturare le informazioni presenti sul Web per un'interrogazione più semplice e vicina al linguaggio naturale, ). Infine è necessario ancora un raffinamento del feedback: i sistemi tradizionali, di fronte a una frase o parola incomprensibile, rispondono con l alternativa Ho capito/non ho capito e non consentono di perfezionare la domanda in caso di problemi. Per questa ragione sono allo studio anche le innovazioni dei sistemi di risposta, che prevedono tra l'altro l'evoluzione di una tecnologia parallela: la sintesi vocale. 2.3 Sintesi del parlato Significato Generazione Testo Sintesi Vocale Segnale Acustico Figura 4 - Modalità di sintesi del parlato La sintesi del parlato (in inglese Text To Speech) è la generazione automatizzata delle forme d onda che costituiscono una voce. Prima che la ricerca tecnologica mettesse a punto dei "chips" specializzati per la produzione di linguaggio sintetico (nel 1978), il parlato sintetico era generato da computer interfacciati alle volte con un modello analogico del tratto vocale. Oggi, strumenti per la sintesi del parlato, sono disponibili anche come software a basso costo per i Personal Computer. Questa recente diffusione è dovuta, in parte, al progresso tecnologico dei circuiti integrati, ma anche al miglioramento nella metodologia per la produzione del parlato sintetico. La sintesi del parlato realizzata dagli "speech synthesizer" è un processo che converte un testo in ingresso, che consiste di parole o di frasi, in una forma d onda, usando algoritmi specializzati e blocchi di forma d onda vocali, precedentemente preparati. I sintetizzatori del parlato possono essere caratterizzati a seconda delle unità del parlato che essi mettono insieme in uscita (output), oppure a seconda dei metodi utilizzati per la codifica, la catalogazione, e la sintesi del parlato. Utilizzando un buon numero di unità di parlato, come successioni di parole o frasi, si può avere in uscita un parlato sintetico di buona qualità, ma questo processo richiede che il sistema possieda una grande quantità di memoria. Metodi efficienti di codifica riducono il bisogno di memoria, ma molto spesso, degradano la qualità del parlato.

20 2 LE APPLICAZIONI VOCALI 18 I sintetizzatori del parlato in commercio, sono di due tipi: sistemi cosidetti "Voice Response" e sistemi "Text-to Speech". I sistemi "Voice Response" maneggiano, in input, testi con vocabolario e sintassi limitati, riproducendo messaggi vocali direttamente dal parlato precedentemente codificato, e utilizzando principalmente tecniche di processo di segnali. Questi sistemi sono fondamentalmente codificatori del parlato che raccolgono i loro campioni nella memoria del computer per utilizzarli attraverso un decoder, quando è necessario il parlato sintetico. I sitemi "Text-to Speech", accettano invece tutti i tipi di testo. Questi ultimi sistemi costruiscono il parlato dal testo, si basano su piccole unità di parlato in memoria e un intenso processo linguistico.