Voz a texto mediante circuitos electrónicos: Canal de hardware de reconocimiento de voz

Convirtiendo voz a texto con circuitos electrónicos

El reconocimiento de voz moderno es **pesado en software**, pero el **canal de hardware frontal** es pura electrónica. Aquí está la cadena de señal:

1. Frente acústico

• Micrófono MEMS — salida de voltaje analógico (PDM o I²S digital).
• Preamplificador + Filtro antialiasing — paso de banda 20‑20 kHz.

2. Conversión analógica a digital (ADC)

• ADC Sigma‑Delta (por ejemplo, 24 bits, 48/96/192 kHz).
• Salida de flujo **PCM** o **PDM** a DSP/SoC.

3. Procesador de señal digital (DSP) / NPU

• Bloqueo de marcos: marcos de 20‑30 ms, 10 ms de solapamiento.
• Ventaneado: Hamming/Hann.
• Extracción de características: **MFCC** (Coeficientes Cepstrales de Frecuencia Mel) — 13‑40 coeficientes/marco. O **Bancos de filtros**, **PLP**, **Espectrogramas** (para redes neuronales de extremo a extremo).
• VAD (Detección de actividad de voz): Energía + flujo espectral → puerta de marcos.

4. Modelo acústico (red neuronal)

• Entrada: Vectores de características (MFCC / log‑mel).
• Arquitectura: TDNN, LSTM, Transformer, Conformer, QuartzNet.
• Salida: **Posteriores de Senono / Fonema / Grafema** (probabilidades por paso de tiempo).
• Hardware: CPU (ARM Cortex‑A), DSP (Hexagon, Cadence), **NPU / Acelerador de IA** (Google Edge TPU, Apple Neural Engine, NVIDIA DLA).

5. Modelo de lenguaje

• N-grama (WFST) o **LM neuronal** (decodificador Transformer).
• Restringe la salida acústica a palabras/secuencias válidas.
• Puede ser **en el dispositivo** (pequeño) o en la **nube** (grande).

6. Decodificador (búsqueda)

• Viterbi / Búsqueda por haz sobre gráfico **HMM / WFST**.
• Produce **secuencia de palabras de mejor ruta** + puntuaciones de confianza.

7. Procesamiento posterior

• Normalización inversa de texto (números, fechas, puntuación).
• Diarización del hablante, filtro de groserías, aumento de vocabulario personalizado.

Chips integrados (ejemplos)

Resumen

Los circuitos electrónicos manejan **adquisición → ADC → extracción de características**. El **trabajo pesado (modelos acústico y de lenguaje + decodificación)** se ejecuta en **procesadores programables / NPUs** — no en lógica fija. El "circuito" moderno = **SoC + firmware + pesos del modelo**.