RECONOCEDOR DE PALABRAS DEL IDIOMA ESPAÑOL PRONUNCIADAS
POR UN ÚNICO HABLANTE USANDO MODELOS OCULTOS DE MARKOV
(HMM) IMPLEMENTADOS EN LABVIEW
Caicedo Zamora Dolly Patricia*, Martínez Quintero Juan Carlos**, Andrade Ramírez Jaime Eduardo ***
RESUMEN
La idea del presente artículo es mostrar
algunos avances y resultados obtenidos
particularmente en el uso de modelos
ocultos de Markov (HMM) aplicados al
reconocimiento de cinco palabras
aisladas del lenguaje español. Las
herramientas de software utilizadas para
este desarrollo fueron Matlab y labview
debido a la facilidad que estas ofrecen
para el tratamiento digital de señales. La
metodología seguida en este trabajo se
soporta en el análisis e implementación
de modelos matemáticos para el
tratamiento, extracción de
características y reconocimiento de la
señal de voz. Los algoritmos
implementados van desde la detección
de inicio y fin de palabra, hasta el
algoritmo “forward” para el cálculo de
la probabilidad del modelo, pasando por
el algoritmo de cuantificación vectorial
y obtención de parámetros cepstrum.
Por último se elaboran estadísticas de
reconocimiento, con las cuales se
comprobó la efectividad del método
utilizado para el reconocimiento. El
desarrollo e implementación de este
sistema consolida una herramienta que
puede ser usada en el control de
dispositivos a diferentes niveles entre
otras aplicaciones.
1. INTRODUCCIÓN
El reconocimiento automático del habla
es una potencial herramienta en los
sistemas de ayuda para discapacitados
*D.P. Caicedo, Ingeniero de sistemas. Docente Investigador Universidad Cooperativa de Colombia, (Teléfono: (+571)3323565 ext. 171;
e-mail: dolly.caicedo@campusucc.edu.co
**J.C. Martínez, Ingeniero Electrónico. Docente Investigador Universidad Cooperativa de Colombia, (Teléfono: (+571)3323565 ext. 171;
e-mail: juan.martinez@correoucc.edu.co.
***J.E. Andrade, Ingeniero Electrónico. Docente Investigador Universidad Cooperativa de Colombia, (Teléfono: (+571)3323565 ext.
171; e-mail: jaime.andrade@ campusucc.edu.co
dándoles la posibilidad de interactuar
con dispositivos mediante comandos de
voz, aumentando su autonomía personal
y la plena integración social, laboral y
educativa. Esto sumado a que desde el
principio se han desarrollado técnicas
de reconocimiento de voz teniendo
como finalidad el control de maquinas.
(Rabiner, 1994)
Dentro de las técnicas más usadas en el
reconocimiento de modelos sobresalen
las redes neuronales artificiales (RNA)
y los modelos ocultos de Markov
(HMM). Estos métodos se aplican no
solo en algoritmos de reconocimiento
de voz si no también en el
reconocimiento de otro tipo de patrones.
Ambos métodos necesitan un
entrenamiento previo con patrones
similares a los que se van reconocer,
con el fin de lograr un aprendizaje que
permita agrupar un patrón ingresado en
la etapa posterior al aprendizaje en una
categoría determinada. Las redes
neuronales artificiales se caracterizan
por su alta tolerancia a fallos, sin
embargo al aumentar la cantidad de
entradas de la red se requiere una mayor
capacidad computacional. Los modelos
ocultos de Markov permiten entregar
una probabilidad de que determinado
sonido ha sido pronunciado y la
limitación computacional de estos
modelos consiste en que con una gran
cantidad de sonidos diferentes se
requiere calcular igual cantidad de
probabilidades y se necesitan el mismo
número de modelos probabilísticos.
2. METODOLOGIA”PROPUESTA”
En este trabajo se utilizaron modelos La metodología seguida en el desarrollo
ocultos de Markov para el propuesto, se describirá de acuerdo a
reconocimiento de cinco palabras cada una de las etapas que intervienen
asiladas basados en los algoritmos en el proceso tal como se muestra en la
forward, backward y Baum Welch entre figura 1, por último se validará el
otros, los cuales fueron programados en modelo y se presentaran los resultados:
las herramientas labview y Matlab.
Además, se implementaron algoritmos
para la adecuación y obtención de
parámetros relevantes de la señal de voz
digitalizada.

Para el diseño del sistema se emplearon

cinco modelos ocultos de Markov uno
para cada palabra. Previo a la obtención
de la probabilidad de que un modelo
corresponda a un sonido especifico se
deben clasificar los parámetros
cepstrum generados por dicho sonido
mediante Cuantizacion vectorial, que a
Figura. 1 Diagrama General del sistema Fuente:
su vez es realizada usando el algoritmo
Grupo de Automatización Industrial UCC
k-means, donde se emplea la distancia
euclidea entre vectores de parámetros.
Captura de la voz: La voz es capturada
Una vez clasificados los vectores de
mediante el transductor de entrada
parámetros con relación a unos vectores
(micrófono electrec). Se configura la
característicos denominados
tarjeta de sonido del computador, de tal
(centroides), se calcula la probabilidad
manera que se ajustan los parámetros a
de que estos vectores (observaciones)
una frecuencia de muestreo de 8000
correspondan a un modelo o sonido de
muestras por segundo, con ocho bits por
palabra especifico.
muestra y un canal monofónico. La
tarjeta de sonido del computador realiza
La máxima probabilidad que se calcule
el filtrado y la conversión de análogo a
de todos los modelos determinará cual
digital de la señal de voz. Los datos que
es la palabra reconocida, esta palabra
se obtienen de la tarjeta de sonido son
será presentada por la interfaz gráfica
almacenados en un arreglo para su
desarrollada en labview.
posterior procesamiento. Figura 2.

PALABRAS CLAVE: Procesamiento

De Señales de Voz, Reconocimiento de
Voz, Modelos Ocultos de Markov.

Figura. 2 Diagrama en bloques de captura y
almacenamiento. Fuente: Grupo de
Automatización Industrial UCC
Detección de inicio y fin de la
palabra: Es necesario detectar el inicio
y fin de la palabra para realizar un
procesamiento efectivo sobre la señal de
voz relevante, sin considerar los
silencios que se encuentran antes y
después de la palabra como se muestra
en la figura 3. Además, la eliminación
de los silencios constituye una
disminución en la carga computacional
debido a que se evita su procesamiento.
Figura. 3 (a) Palabra sin eliminar silencios de
inicio y fin. (b) Palabra sin silencios. Fuente:
Grupo de Automatización Industrial UCC.
La detección del borde de inicio de la
palabra a reconocer se da cuando una de
las muestras supera en nivel un umbral
establecido, es allí donde comienza el
almacenamiento de las muestras para un
tiempo que se estableció en 0.6
segundos, debido a que
experimentalmente se observó que
ninguna de las palabras a reconocer
supera este tiempo para una
pronunciación en condiciones normales.
La cantidad de muestras tomadas para
este intervalo de tiempo están alrededor
de 5000 muestras.
Para detectar el borde final de la palabra
Se utilizó un algoritmo para detección
de máximos, de tal forma que si se
utiliza recursivamente se puede obtener
la envolvente de la palabra en el
dominio del tiempo, como se muestra
en la figura 4. Una vez obtenida la
envolvente, la magnitud de este
resultado permite identificar el fin de la
palabra por debajo de un umbral
establecido, con un segundo algoritmo
recursivo se recorta la palabra
eliminando los silencios del final.
Figura. 4 Detección de máximos de una palabra
Fuente: Grupo de Automatización Industrial
UCC.
Enventanado y extracción de
características LPC:
La señal recortada se divide en ventanas
de 160 muestras para su posterior
procesamiento utilizando coeficientes
de predicción lineal (LPC). A cada una
de estas ventanas se aplica la ventana
Hamming (figura 5) con el fin de
suavizar los extremos de la ventana
haciendo posible la determinación de la
combinación lineal de todos los
elementos de una señal transformada
(Santos García, 2001).
La ventana de Hamming se determina
mediante la siguiente ecuación:
Figura. 5 Ventana Hamming Fuente:
Grupo de Automatización Industrial UCC
Obtención de coeficientes cepstrales:
Una vez realizado el proceso de
enventanado se procede a extraer los
coeficientes LPC, técnica que se
fundamenta en la periodicidad por
tramos de la señal de voz (figura 6) y
que permite extraer características como
frecuencias formantes1, envolvente del
espectro y función del tracto vocal, es
ampliamente usada en sistemas de
reconocimiento de la señal de voz
(Rabiner & Schafer, Digital Processing
of speech signals, 1978)
Figura. 6 Periodicidad de la señal de voz
Fuente: Grupo de Automatización Industrial
UCC
Las principales ventajas de esta técnica
en relación a una transformada rápida
de Fourier, radica en la velocidad,
precisión de los cálculos, fácil
implementación y además permite
obtener una envolvente del espectro
como se observa en la figura 7.
Figura. 7 FFT y envolvente LPC de una
palabra. Fuente: Grupo de Automatización
Industrial UCC
Un proceso intermedio en la obtención
de los LPC por el método de auto
correlación es la obtención de los
1
Las formantes son frecuencias de resonancia
del tracto vocal (Santos García, 2001).
coeficientes de autocorrelación “Rn”.
 m−1 k  
La autocorrelación permite encontrar
am +∑mckam−k , 1≤m≤ p

periodicidad dentro de una señal a un Cm= mk−=11  
bajo costo computacional.
 ∑ k ckam−k , m> p 
N −1− k
 k=1m 
Rn ( k ) = ∑s
m=0
n ( m) s n ( m + k )

0≤k ≤ p
La principal característica de los
coeficientes cepstrales es que permiten
separar del espectro la señal de voz de
En la ecuación “Rn(k)” , N es la la estructura fina y los formantes
cantidad de muestras de la ventana para (Rabiner & Biing Hwang,
este caso 160, Sn las muestras (de la Fundamentals of speech recognition,
señal de voz) y P la cantidad de 1993).
coeficientes LPC deseados, de la
cantidad de coeficientes LPC elegidos Se obtienen en total 14 coeficientes
depende la exactitud espectral, el cepstrum por ventana procesada. Estos
tiempo de cómputo y los recursos de conformaran los vectores que serán
memoria utilizados (Pech Carmona, cuantizados en la siguiente etapa Figura
2006). El número de coeficientes a 7.
seleccionar puede variar entre 8 y 30,
para este caso se usaron 14. La ecuación
“a1, a2, a3…” permite encontrar los
coeficientes LPC “ak” a partir de los
coeficientes de autocorrelación, para la
solución de esta ecuación se emplea el
método recursivo de Durbin (Rabiner
& Biing Hwang, Fundamentals of
speech recognition, 1993).

−1
a1  R(0) R(1) ... R(p−1) R(1)
a    R(2)
 =
2 R(1) R(0) ... R(p−2)  
...  ... ... ... ...   ... 
     
ap R(p−1) R(p−2) ... R(0)  R(p)

A partir de la obtención de los

coeficientes LPC, se pueden obtener los
Figura. 7 Coeficientes Cepstrales Vs
coeficientes LPC cepstrum ó LPCC
número de vectores Fuente: Grupo de
como se muestra en la ecuación “Cm”. Automatización Industrial UCC
 Vector de Cuantizacion:
Técnica que permite agrupar vectores
con características similares alrededor de
una muestra representativa de un grupo
denominada centroide. La clasificación se
realiza mediante el algoritmo k-medias,
encargado de determinar las distancias
entre los vectores y los centroides
existentes, de acuerdo a estas distancias
los vectores se agrupan alrededor de los
centroides más cercanos y el algoritmo
calcula nuevamente los centroides para
encontrar los mejores grupos. Luego que
los vectores son clasificados pueden ser
identificados con el índice que
corresponde al centroide del grupo donde
fueron asignados como se observa en la
última columna de la figura 8.
Figura. 8 Clasificación de vectores según
k_means. Fuente: Grupo de
Automatización Industrial UCC
A partir de esto se puede decir que se
pasa de manejar un vector con
información distribuida a manejar un
codebook (libro de códigos), estos
códigos son representados mediante un
índice que corresponde al grupo donde
un vector fue clasificado. Esto da lugar a
manejar una cantidad pequeña de cifras
(índices) en relación con el tamaño de los
vectores (ESPITIA FLOREZ, MENDEZ
MEDINA, HIGUERA MARTINEZ, &
DIAZ SALCEDO, 2007). La Figura 9 es
un diagrama del procedimiento de
clasificación con el algoritmo de K-
means.
Figura 9. Diagrama de Flujo algoritmo
k_means (Teknomo, 2007)
Modelos ocultos de Markov (HMM):
Un modelo oculto de Markov es un
método estadístico ampliamente
utilizado en algoritmos de
reconocimiento de voz (Juang &
Rabiner, 1991) , este método permite
representar eventos acústicos de
tamaños variables y mediante el uso de
algoritmos existentes es posible calcular
la probabilidad de que un sonido
concuerde con una determinada palabra.
Existen dos tipos de modelos que se
caracterizan por las conexiones entre
sus estados, estos son el modelo Bakis y
el modelo Ergódico. El Ergódico
permite que cualquier estado pueda ser
alcanzado desde cualquier otro estado
del modelo como se observa en la figura
10. El modelo Bakis también es
denominado de izquierda a derecha, en
este modelo un estado solo puede
conectarse con estados siguientes con el
mismo y no con estados anteriores.
Figura 11. (Rabiner L. R., 1989)
Figura 10. Diagrama de estados modelo
Ergódico Fuente: Grupo de Automatización
Industrial UCC
Figura 11. Diagrama de estados modelo de
Bakis Fuente: Grupo de Automatización
Industrial UCC
Los estados “Si” en el modelo de una
palabra pueden representar silabas o
simplemente espacios de tiempo en el
que ocurren eventos a los cuales se
llaman observaciones, para este caso
esas observaciones serán la información
espectral entregada por los cepstrum y
clasificada mediante la Cuantizacion
vectorial.
Una forma abreviada de representar un
HMM es mediante la expresión:
=(A, B, )
Siendo A la matriz de probabilidad de
transición entre estados (A = {aij}) de n
x n, y es en esta donde se almacena la
información de las probabilidades de
cambio entre un estado n y otro ni. B
con dimensiones n x m (con M numero
de símbolos distintos de observación
por estado) se define como la matriz de
probabilidad de observación de
símbolos (B = {bj (k)}), la cual
proporciona la probabilidad de que en
un estado determinado se tenga una
observación determinad. π es un vector
1 x n que representa la probabilidad
inicial ( = { i}) y es quien determina
que estado tiene mayor probabilidad
para iniciar la secuencia. En la figura 12
se muestra la forma general de las
matrices para un modelo como el de la
figura 11 con diez posibles
observaciones o símbolos por estado
para el caso de la matriz B.
Figura 12. Matrices de cada modelo para
n=3 y 10 observaciones. Fuente: Grupo de
Automatización Industrial UCC.
Los valores en cada una de las matrices la resta de la probabilidad de la
representan: iteración anterior menos la probabilidad
de la iteración actual sea menor que el
 ; Es igual al número esperado de
 criterio de convergencia establecido por
transiciones desde el estado Si hasta el quien entrena el modelo, según las
estado Sj dividido entre el numero expresiones (CAMEJO MEDINA, 2008):
esperado de transiciones desde el estado
Si.


; Es el numero esperado de veces

en el estado Sj y símbolo Vk dividido
entre el numero esperado de veces en el
estado Sj.

Como se observó en la figura 1, la

salida del proceso de Cuantizacion
vectorial es un conjunto de
observaciones “O(k) = {O1, O2 ,O3 ,…, OT}”
referentes a los índices en los cuales
fueron agrupados los vectores de
cepstrum. En la etapa de
reconocimiento cada palabra tendrá un
modelo, por tanto, para la palabra
“prender” corresponde el modelo “0“, Donde
para la palabra “apagar” el modelo “1“ y
así sucesivamente hasta el modelo “4” γt (i) corresponde a P ( qt=Si | O, )
correspondiente a la palabra “salir”.
Y
Para la obtención de cada uno de los
modelos se utilizó el método de
entrenamiento de reestimación de
ξt (i, j ) = P ( qt=Si , qt+1=Sj | O, )
Baumwelch por medio del cual se
calcularon las matrices características
mencionadas anteriormente. El De esta forma al pronunciar una palabra
algoritmo cuenta con los siguientes esta generara unas observaciones con el
pasos: procedimiento antes mencionado y con
la ayuda del algoritmo Forward se
1. Inicialización: Generar un encontrara la probabilidad de que esa
modelo con valores aleatorios para cada palabra pertenezca a uno de los modelos
uno de los elementos de : entrenados, la mayor probabilidad
calculada tendrá asociado un índice
=(A, B, ). correspondiente al modelo del cual
proviene. Ver ultima parte del diagrama
2 Recursión: Calcular los valores de bloques de la Figura 1.
de {a'ij}, {b’j (k)} y { 
i} hasta que
Descripción interfaz gráfica
La interfaz desarrollada en labview
muestra el resultado final del sistema.
Se presenta la palabra reconocida, los
valores de probabilidad calculados para
cada uno de los modelos, el conjunto de
observaciones por cada palabra
mencionada y la gráfica de la señal de
voz en el tiempo. Figura 13.
Figura 13. Interfaz Grafica Labview. Fuente:
Grupo de Automatización Industrial UCC
Resultados
Se muestran los resultados
experimentales obtenidos sobre el
sistema reconocedor de voz descrito
usando modelos ocultos de Markov
implementados sobre labview. El punto
de partida es el de un total de 100
muestras por cada palabra pronunciada
por un único hablante en condiciones
normales, obteniendo como resultado
un 94,6% de acierto en general para la
identificación de las cinco palabras. En
la tabla1 se muestran los resultados
específicos de cada palabra.
Tabla. 1 Resultados por palabra. Fuente: Grupo
de Automatización Industrial UCC.
Figura 14. Palabras a reconocer, aciertos Vs
fallos. Fuente: Grupo de Automatización
Industrial UCC
En general se encuentra un error del
5,4%, el cual puede deberse a ruido
externo, problemas de vocalización,
cansancio del locutor, entre otras.
Conclusiones
Se ha comprobado que construir el
sistema de reconocimiento de voz para
identificar palabras, basado en modelos
ocultos de Markov es una técnica que
proporciona una elevada flexibilidad y
robustez en sus algoritmos, lo cual
permite modelar palabras del idioma
español e inclusive frases.
El reconocedor de palabras
implementado en labview funciona en
forma adecuada, con un bajo nivel de
error. Valor que se puede disminuir al
implementar más modelos ocultos por
cada una de las palabras que presentan
el mayor porcentaje de fallo, además, se
deben considerar efectos de ruido,
vocalización y cansancio del locutor a
la hora de pronunciar cada una de las
100 palabras de prueba.
La selección de la cantidad de
coeficientes LPC en el análisis de la
señal de entrada es muy importante
para incrementar hasta cierto punto el
porcentaje de aciertos, además,
cantidades como el número de estados y
el número de símbolos de cada modelo
afectan considerablemente el tiempo de
reconocimiento y los recursos
computacionales.

Se logro establecer un modelo de

reconocimiento de voz funcional con un
buen nivel de certeza y aplicabilidad
sustentado en los resultados obtenidos
en la fase de reconocimiento.

A partir del sistema desarrollado es

posible realizar una implementación en
hardware, con el fin de hacer
implementaciones que no dependan de
un entorno sobre un PC.
Referencias http://people.revoledu.com/kardi/tutorial/k
mean/ejemplonumerico.htm
Camejo medina, m. A. (2008).
Reconocimiento automatico del habla
mediante un modelo hibrido basado en
modelos ocultos de markov y rna. Merida
venezuela.

Espitia florez, h. Y., mendez medina, d. F.,

higuera martinez, o. I., & diaz salcedo, l. N.
(2007). Diseño e implementación de un
prototipo de reconocimiento de voz basado
en modelos ocultos de markov para
comandar el movimiento de una silla de
ruedas en un ambiente controlado. Bogota.

Juang, b., & rabiner, l. (1991). Hidden

markov model for speech recognition.
Technometrics , 33 (3), 251-272.

Pech carmona, j. H. (2006). Desarrollo de

un sistema de reconocimiento de voz para
el control de dispositivos utilizando
mixturas gaussianas. Mexico d.f.: instituto
politécnico nacional.

Rabiner, l. R. (1989). A tutorial on hidden

markov models and selected aplicattions in
speech recognition. Ieee , 77 (2), 257-286.

Rabiner, l. R. (1994). Applications of voice

processing to telecommunications. Ieee , 82
(2), 199-228.

Rabiner, l., & biing hwang, j. (1993).

Fundamentals of speech recognition.
Prentice hall international, inc.

Rabiner, l., & schafer, r. (1978). Digital

processing of speech signals. New jersey:
prentice-hall.

Santos garcía, g. (2001). Inteligencia

artificial y matematica aplicada:
reconocimiento automatico del habla.
Valladolid: universidad de valladolid.

Teknomo, k. (2007). Kardi teknomo´s page.

Recuperado el 30 de septiembre de 2011, de
ejemplo numerico de agrupamiento k-
medias: