Reconocer un nombre antes de transcribir una conversación.
01 — LA DECISIÓN CAMBIA DE LUGAR
Esquema del cambio propuesto, sin escala temporal. Las dimensiones de los bloques no representan latencia ni consumo medidos.
El problema observado: el transcriptor dedica dos o tres segundos de GPU a sonidos del cuarto para descubrir si alguien dijo un nombre. Ese costo procede del reporte del proyecto; aquí todavía no hay una medición reproducible que lo acompañe.
Queremos un portero: un detector pequeño que escuche en CPU y abra la puerta al reconocer Eleven, Lilith, Luna o Maniac. Su pregunta es de clasificación: un segundo y medio de sonido entra; salen cinco probabilidades, una por nombre y otra para «nada».
Ya existe una primera CNN entrenada con 123 clips. Todavía falta evaluar sus despertares equivocados durante horas de cuarto e integrarla delante del transcriptor.
Qué tenés que mirar
La decisión sobre el nombre pasa a ocurrir antes de la transcripción.
«Nada» es una clase que hay que enseñar, tanto como los cuatro nombres.
El detector decide si abrir; no responde a la pregunta que viene después.
01 / Datos · el material
El modelo aprende de la voz que grabás y del cuarto que la rodea.
02 — DOS FAMILIAS DE EJEMPLOS
Clasificación prevista según el brief. Esta figura organiza las etiquetas; no muestra grabaciones ni resultados de un modelo.
La primera tanda reportada reúne 123 clips: 20 de cada nombre y 43 negativos. El siguiente paso es ampliar ese material cambiando distancia, orientación y entonación. Repetir la misma tanda no sustituye la variedad.
Los negativos enseñan al modelo cuándo callarse. Por eso no alcanza con comprobar que reconoce las tomas más claras: los despertares equivocados se estudiarán sobre horas de sonido del cuarto.
Duración de toma
1.5 s
Frecuencia
16 kHz
Canales
1 mono
Resolución
16 bits
Estos parámetros corresponden al código de captura que se muestra abajo. Su duración puede configurarse; cambiarla requiere revisar también la ventana de features.
FIGURA DE UNA TOMA / PENDIENTE
Aquí irá una toma elegida para publicación, con su duración y nivel. Las grabaciones propias existen; todavía no se ha seleccionado una para esta página.
El archivo que graba los ejemplos
Fuente: record.py, revisión e2b0a31. Archivo completo con sustituciones públicas declaradas: el nombre de la máquina se expresa por su función, el servicio se llama Medium en los mensajes y los identificadores de micrófono/servicio se reciben por MIC y EAR_SERVICE. Esos dos valores de entorno son obligatorios en esta edición. El original se conserva en el proyecto.