Reconocimiento de emociones mediante el análisis de señales de voz

Abstract

La comunicación humana está profundamente condicionada por las emociones, que desempeñan un papel fundamental a la hora de determinar cómo se transmiten y perciben los mensajes. El habla, junto con otros elementos como las expresiones faciales o el lenguaje corporal, juegan un papel fundamental en la expresión emocional. En los últimos años, el reconocimiento automático de las emociones en el habla (SER, por sus siglas en inglés “Speech Emotion Recognition”) se ha convertido en un campo de investigación crucial para mejorar la interacción humano-computadora, permitiendo intercambios más naturales e intuitivos entre personas y máquinas. En este estudio se presenta el diseño y desarrollo desde cero de un sistema de reconocimiento de emociones por voz. Se empieza por un enfoque teórico, describiendo todas y cada una de las fases que interfieren en este proceso y ofreciendo una revisión crítica del estado del arte con el fin de identificar los desafíos actuales y abrir camino a futuras vías de investigación. Posteriormente, se realiza la conformación técnica del sistema, siguiendo un anásis experimental para construir un modelo capaz de alcanzar resultados competitivos. Un aspecto central de este apartado ha sido la elección y exploración de las bases de datos, así como la selección de las características a identificar. Se han valorado factores como la calidad, variedad, equilibrio y condiciones de grabación. Estos elementos han determinado la forma de extraer y adaptar posteriormente los rasgos, lo que ha permitido captar matices emocionales adaptados a dicha base de datos (RAVDESS). Desde el punto de vista experimental, el trabajo explora una variabilidad de escenarios en base a distintas técnicas y herramientas, con el fin de establecer un camino hacia un modelo óptimo. Se han realizado análisis en el número de características extraídas, las emociones detectadas, los clasificadores utilizados, etc. El desarrollo de arquitecturas basadas en redes neuronales profundas, junto al uso de modelos preentrenados, han marcado un punto de inflexión en esta área. Por ello, también se ha incluido su estudio y análisis, con el objetivo de establecer una comparación de rendimientos que permita ubicar nuestro sistema dentro del contexto actual. Con vistas a investigaciones futuras, los esfuerzos podrían centrarse en ampliar esta investigación a bases de datos con emociones más naturales y espontáneas, abriendo la puerta a aplicaciones que funcionen de forma fiable en entornos cotidianos.