VERSO UNA BADANTE VIRTUALE : STUDIO E SVILUPPO DEL LIVELLO COMUNICATIVO TRAMITE TECNOLOGIA VOICEXML

Transcript

1 UNIVERSITA POLITECNICA DELLE MARCHE FACOLTA DI INGEGNERIA Corso di Laurea in Ingegneria Informatica e dell Automazione VERSO UNA BADANTE VIRTUALE : STUDIO E SVILUPPO DEL LIVELLO COMUNICATIVO TRAMITE TECNOLOGIA VOICEXML Relatore: Prof. Aldo Franco Dragoni Tesi di laurea di: Valerio Leo Anno Accademico 2010/2011

2 Ai miei genitori

3 Indice generale Introduzione Applicazioni vocali Riconoscimento del parlato Ambiti d uso Applicazioni command and control Applicazioni dictation Approccio della pattern recognition Prospettive Grammatiche di Chomsky e analisi del linguaggio naturale Modelli linguistici Sintesi del parlato Sintesi emozionale Tipi di unità del parlato Vantaggi Piattaforme vocali Sistemi IVR Voice portal Architettura di una piattaforma vocale VoiceXML gateway Interprete VoiceXML VoiceXML Storia del linguaggio Tag Prompt Form e menu Altri tag Grammatiche Built-in grammar Inline grammar External grammar Grammatiche DTFM Ambito di una grammatica III

4 3.4.Recupero delle risorse Principi di progettazione SSML & CCXML Strumenti di lavoro Prophecy Voxeo VoIP come evoluzione della rete PSTN Protocollo SIP User Agent phpMyAdmin Il Progetto BodyGateway Creazione database Diagramma di flusso Funzionamento Informazioni Storico Posizione Registrazione Simulazione chiamata Conclusioni Appendice A A.1 Index.vxml A.2 Info.vxml A.3 Action.vxml A.4 History.vxml A.5 Record.vxml A.6 Action.php A.7 Info.php A.8 History.php Bibliografia IV

5 Indice delle figure Fig. 1.1 Applicazione vocale nel contesto delle piattaforme vocali... 8 Fig. 1.2 Modalità di interpretazione del segnale acustico Fig. 1.3 Schema a blocchi del riconoscitore Fig. 1.4 Modalità di sintesi del parlato Fig. 1.5 Modello delle fasi di preparazione del motore di sintesi vocale Fig. 2.1 Esempio di applicazione vocale con IVR Fig. 2.2 Canali di comunicazione con l esterno dei sistemi IVR Fig. 2.3 Architettura di una piattaforma vocale Fig. 2.4 Algoritmi dell interprete VoiceXML Fig. 4.1 Architettura di un applicazione basata su Voxeo Prophecy Fig. 4.2 Log Viewer di Prophecy Fig. 4.3 Voxeo UA Fig. 5.1 Comunicazione BodyGateway Fig. 5.2 Diagramma E-R Fig. 5.3 Diagramma di flusso Fig. 5.4 Root Document V

6 Introduzione Con applicazione vocale ci si riferisce al codice che, se eseguito da una piattaforma vocale, produce un servizio automatico in voce, concepito principalmente per il canale telefonico. Le motivazioni che giustificano lo sviluppo delle applicazioni vocali nascono dalla considerazione che la tecnologia debba agevolare e semplificare le interazioni computeruomo, infatti sono ampiamente utilizzate in supporto a sistemi industriali e aziendali, 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 televoto o il pagamento elettronico. Il linguaggio VoiceXML si è dimostrato uno strumento vincente all interno di questo panorama, nel quale si andava incontro alla nascita di numerose tecniche proprietarie per la gestione di interfacce vocali. I punti di forza di questo linguaggio sono molteplici ma, quello più importante, è l assoluta indipendenza dai motori di sintesi e di riconoscimento i quali possono essere sviluppati indipendentemente dalle varie società attive nel campo delle tecnologie vocali. Questa caratteristica fa si che lo sviluppatore di applicazioni VoiceXML si possa concentrare solo sul progetto dell interfaccia senza curarsi di dettagli tecnici inerenti i problemi di sintesi e di riconoscimento vocale. E risultato interessante dunque,lo sviluppo di un sistema per comprendere meglio le potenzialità di questo linguaggio. L applicazione da realizzare fa parte di un progetto di interazione uomo-macchina, volto allo sviluppo di un sistema software (badante virtuale), per la fornitura di servizi e la promozione della tutela della salute delle persone anziane. In particolare, l obiettivo preposto riguarda la progettazione e lo sviluppo di un applicazione vocale in grado di fornire informazioni riguardanti la persona anziana, presupponendo che il sistema complessivo per la rilevazione e conseguente acquisizione dei dati fosse già implementato. 6

7 La prima parte di questa tesi è inerente allo studio delle applicazioni vocali e degli strumenti necessari alla sua realizzazione; la seconda parte riguarda più da vicino l implementazione dell applicazione. La stesura di questa tesi è stata articolata in diversi capitoli, nel primo capitolo sarà introdotto il concetto di applicazione vocale e dei suoi elementi costituenti quali il riconoscimento del parlato e la sintesi vocale, nel secondo capitolo si fa una breve trattazione delle piattaforme vocali il cui studio è stato fondamentale per capire e sviluppare il lavoro, nel terzo capitolo si è cercato di dare una linea guida generale sul linguaggio VoiceXML necessario per l implementazione del sistema, nel quarto capitolo saranno introdotti i software e i protocolli utilizzati per lo sviluppo e il testing dell applicazione e infine il quinto capitolo è stato dedicato al sistema sviluppato, in cui sarà descritta la sua architettura e le sue componenti, sia a livello progettuale che funzionale. 7

8 Applicazioni vocali Capitolo 1 1. Applicazioni vocali Sono 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. Tutte le piattaforme vocali, in qualche forma, contengono e implementano entrambe le tecnologie di ASR e TTS. La parte di codice che definisce l applicazione vocale deve essere scritta, naturalmente, nel linguaggio utilizzato dalla piattaforma. Figura 1.1-Applicazione vocale nel contesto delle piattaforme vocali 8

9 1.1. Riconoscimento del parlato Applicazioni vocali 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. 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. 9

10 Applicazioni vocali Figura 1.2- 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. 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. Ciò nonostante 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 10

11 Applicazioni vocali 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 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 stato 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. 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 11

12 Applicazioni vocali discreta e dall'obbligo di una procedura di addestramento, non si sono visti grandi salti qualitativi, ma solo miglioramenti negli ambiti dell usabilità e della diminuzione del tasso di errore. 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 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 quest 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 un interfaccia costruita con la metafora della scrivania, sono sicuramente 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 12

13 Applicazioni vocali 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 Applicazioni 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 ). 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. 13

14 Applicazioni vocali Nell'ambito del comando vocale stanno assumendo particolare valore i sistemi di supporto alla navigazione automobilistica. 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 in maniera crescente all interno degli impianti di controllo, nel settore che riguarda le nuove tecniche biometriche 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 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 Approccio della pattern recognition Il riconoscimento automatico del parlato (ASR) può essere visto come un compito di pattern recognition, applicando le tecniche sviluppate nel settore della robotica (identificazione di immagini) o comunicazioni di dati (conversione di segnali analogici in 14

15 Applicazioni vocali informazione digitale). In pratica, il riconoscimento del parlato richiede una mappatura tra il parlato e il testo, in modo che ogni possibile forma di onda in input è identificata con il suo testo corrispondente. In questo contesto, il termine testo viene usato per identificare le parole, le frasi o altre unità linguistiche che il parlante pensa e verbalizza. Tutti i compiti di pattern recognition, incluso l'asr, utilizzano due fasi: il training e il riconoscimento. La fase di training stabilisce una memoria di referenza o un dizionario di modelli del parlato, che sono assegnati alle etichette del testo. In sistemi indipendenti dal parlante, la fase di training è prodotta durante lo sviluppo del sistema e spesso combina metodi manuali e automatici. I sistemi di riconoscimento commerciali, dipendenti dal parlante, sono forniti dalle case produttrici. La fase di riconoscimento automatico tenta di assegnare un etichetta ai modelli di input sconosciuti. Per comprendere il testo, i software di riconoscimento vocale devono innanzitutto costruire una rappresentazione digitale delle parole pronunciate. La digitalizzazione della voce trasforma una grandezza fisica in un valore numerico. L'onda sonora prodotta mette in moto le molecole nell aria e nello spazio. Il microfono cattura questo movimento e lo converte in segnali elettrici. Questi segnali, che riproducono la voce, vengono sottoposti a due processi: il campionamento (sampling) e la quantizzazione. Il campionamento consiste nella misurazione del segnale a intervalli fissi, per ottenere un certo numero di segmenti che consentono di ricostruire la sua variazione nel tempo. Tanto più piccoli saranno gli intervalli di tempo, tanto più precisa sarà la ricostruzione e minore sarà la quantità di informazione persa. Il numero di intervalli di campionamento viene espresso in numero di rilevazioni per secondo e si definisce frequenza di campionamento, la cui unità di misura è l'hertz (1 Hz = una rilevazione al secondo). Lo standard della voce umana varia tra i 100 e Hz. Una volta campionato il suono, ci si trova di fronte a un secondo problema. Le variazioni possibili del segnale (e quindi i possibili valori dei campioni) sono teoricamente infinite ed è quindi impossibile assegnare a ciascuna un codice numerico. Con la quantizzazione si provvede a semplificare l'onda, eliminando l'intervallo di valori che si ritiene al di sotto della soglia percettiva umana. In questo modo si trasformano gli infiniti valori della grandezza fisica in una misurazione che può avere 15

16 Applicazioni vocali solo un determinato numero. Tanto più alto sarà il numero di intervalli, che si definiscono tecnicamente quanti, tanto più accurata sarà la rappresentazione del segnale e minore sarà l'informazione persa. Digitalizzata la frase, il software provvede a scandirla in modo da suddividere le singole parole. In passato occorreva separare ogni parola con una breve pausa: oggi si è giunti a riconoscere il parlato continuo, grazie a particolari tecniche di analisi che individuano le brevi inflessioni che si pronunciano involontariamente tra una parola e l'altra. Le parole, a loro volta, vengono suddivise in fonemi, cioè nell'unità minima del parlato. La durata di un fonema oscilla tra i 10 e i 40 millisecondi, per cui le parole vengono divise in intervelli minimi di 10 millisecondi l'uno; quest operazione è conosciuta come "modellazione/classificazione". Segue la fase di riconoscimento vero e proprio, chiamata "ricerca": i fonemi vengono confrontati con il modello acustico dell'utente (generato durante la fase di addestramento) e con il modello delle parole presenti nel vocabolario: si ricostruiscono in questo modo le parole. Per migliorare l'accuratezza, queste vengono confrontate con un modello lessicale e con un modello del linguaggio presenti nei dizionari dei programmi, in modo da estrapolare, in base alle regole grammaticali, le parole poco chiare. Il risultato di tutto il processo è la stringa di testo contenente la parola o la frase pronunciata dall'utente 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). 16

17 Applicazioni vocali In parte la stessa interfaccia bidimensionale degli attuali sistemi di computing rende 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 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 Grammatiche di Chomsky e analisi automatica del linguaggio naturale L elaborazione automatica del linguaggio naturale prende le mosse dalla teoria linguistica di Noam Chomsky. Secondo Chomsky la capacità che ogni essere umano ha di capire e produrre frasi e discorsi nella sua lingua è dovuta a un insieme di conoscenze presenti nella sua mente: definiamo questo insieme di conoscenze implicite competenza linguistica. Tale competenza è almeno in parte inconsapevole: infatti, la maggior parte delle persone è in grado di produrre e capire le frasi corrette, così come di individuare immediatamente gli usi scorretti della loro lingua, pur senza sapere il modo in cui questo avviene. Inoltre, essa deve essere innata: non si spiegherebbe altrimenti la velocità con cui un bambino in pochi anni riesca a parlare una lingua in modo sostanzialmente corretto semplicemente imitando chi lo circonda. La competenza linguistica, a sua volta, si suddivide in tre componenti: 17

18 Applicazioni vocali competenza fonologica: capacità di un parlante di produrre e capire i suoni della lingua parlata; competenza sintattica: capacità produrre o riconoscere frasi grammaticalmente corrette; competenza semantica: capacità di assegnare o di estrarre significato dalle frasi. Tutte queste capacità derivano dalla presenza nella mente di un insieme di regole ben precise, che sono simili alle regole di un sistema formale. Per vari motivi, nella loro teoria della lingua Chomsky e i suoi seguaci hanno assegnato un ruolo prioritario alla competenza sintattica. È grazie ad essa che ogni parlante è in grado di percepire immediatamente che «il gatto mangia il topo» è una frase grammaticalmente corretta, mentre «il gatto topo il mangia» non lo è. Questo riconoscimento è determinato dal fatto che nella formazione di una frase (o nel processo simmetrico di comprensione di una frase) vengono seguite delle regole formali che complessivamente costituiscono la grammatica di una lingua. Tali regole, che si articolano in diversi gruppi (o componenti), vengono applicate (non necessariamente in modo sequenziale) per arrivare alla costruzione di frasi corrette, o alla verifica di frasi pronunciate da altri parlanti. Il gruppo principale di regole (o componenti di base) della teoria chomskiana determina la struttura generale di una frase e dà conto del fatto che ognuno è in grado di raggruppare in modo intuitivo le parole che la compongono in gruppi funzionali detti sintagmi Modelli linguistici Il compito dell'asr è reso complesso quando il vocabolario o le grammatiche da riconoscere sono molto grandi, in particolare se si vuole permettere al parlatore di dire delle frasi, soprattutto se pronunciate in modo spontaneo. La combinatoria di ogni lingua permette milioni di formulazioni analoghe e le grammatiche dovrebbero coprirle. 18

19 Applicazioni vocali In questi casi, l uso di modelli del linguaggio o di grammatiche per restringere le combinazioni delle parole ammissibili può fornire grandi benefici, cioè maggiori limitazioni sulle pronunce possibili corrispondono a maggiori prestazioni di riconoscimento. In particolare, queste limitazioni vanno applicate in tempo reale durante l esecuzione del riconoscimento per ridurre lo spazio di ricerca, l uso a posteriori su reticoli di ipotesi di parole prodotti dal riconoscitore non dà gli stessi benefici. Anche gli umani usano le parole precedenti o successive per determinare quale parola è stata pronunciata. Una delle ragioni per cui i sistemi automatici non raggiungono l accuratezza umana è un inferiore capacità di predizione: l ASR può usare informazioni sintattiche e semantiche ma normalmente dispone di una vista limitata a una o due parole a sinistra e a destra della parola da riconoscere. Nella figura 1.3 è riportato uno schema a blocchi dei due contesti di utilizzo dell'asr. Sulla sinistra la parte Real-time, dove i blocchi illustrano i moduli di processing: partendo da un segnale vocale avviene una prima fase di front-end focalizzata a ridurre il segnale vocale in una sequenza di parametri numerici (detti parametri cepstrali). Figura 1.3-Schema a blocchi del riconoscitore 19

20 Applicazioni vocali Su questi parametri il primo modulo individua quando il parlatore inizia a parlare (Endpoint Detector), il successivo determina l'estrazione delle probabilità di attivazione delle unità acustiche della lingua, seguito dalla decodifica della sequenza di parole in grammatica (SRGS) o modello del linguaggio che soddisfa i vincoli linguistici. Un ultimo modulo cerca di ricavare dai risultati di riconoscimento i concetti associati alle parole riconosciute, utilizzando la parte semantica delle grammatiche (SISR). Il risultato è una sequenza di parole e una struttura semantica in genere a concetti. La parte destra invece descrive le azioni che possono essere effettuate fuori linea ( Off-line ), cioè il training dei modelli acustici ed un eventuale adattamento 1.2. 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 vocale, 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. 20