Redes profundas en el reconocimiento del habla
Etapa 3 · Del auge experto al giro estadístico (1980–2011) › Redes neuronales
- Linaje
- Neuronas y redes
- Tipo
- Aplicación
Quién
Microsoft Research
Qué ocurrió
Frank Seide, Gang Li y Dong Yu, de Microsoft Research, presentan en el congreso Interspeech de 2011 una red profunda que transcribe conversaciones telefónicas con un tercio menos de errores que los mejores sistemas anteriores.
Qué aportó
Primer gran éxito industrial del aprendizaje profundo, un año antes de AlexNet. En pocos años todos los grandes reconocedores del habla pasan a usar redes profundas.
Desarrollo
Durante dos décadas, los reconocedores del habla combinaron modelos ocultos de Markov, que siguen la secuencia de sonidos, con mezclas de distribuciones gaussianas, que estiman qué sonido corresponde a cada fragmento de audio. Las mejoras llegaban año a año en pasos pequeños.
En 2009 Hinton y sus estudiantes en Toronto mostraron que una red profunda, preentrenada capa a capa como las redes de creencia de 2006, reconocía fonemas mejor que esas mezclas. Li Deng y Dong Yu, de Microsoft Research, se interesaron por el resultado, y con George Dahl, estudiante de Hinton, llevaron la idea al reconocimiento de vocabulario amplio.
El sistema de Seide, Li y Yu sustituyó las mezclas gaussianas por una red de hasta nueve capas ocultas entrenada con más de 300 horas de conversaciones. En la prueba de referencia de conversaciones telefónicas, el error por palabra bajó del 27,4 % al 18,5 %: un tercio menos de un solo golpe, cuando el campo llevaba años avanzando a pasos de un punto.
En 2012 los grupos de Toronto, Microsoft, Google e IBM publicaron juntos una síntesis que confirmaba el resultado en sus propios sistemas. En los años siguientes las redes profundas entraron en los reconocedores comerciales, y el habla fue el primer terreno en el que el aprendizaje profundo cambió un producto de uso masivo.
Viene de
Modelos ocultos de Markov en el habla (febrero de 1989)
Influencia directa documentada
La red profunda sustituye a las mezclas gaussianas dentro de un reconocedor basado en modelos ocultos de Markov
Redes de creencia profundas (julio de 2006)
Influencia directa documentada
Las redes del reconocedor se preentrenan capa a capa como redes de creencia profundas
Bibliografía
Fuente original
- Conversational speech transcription using context-dependent deep neural networks. Interspeech 2011, pp. 437-440 (se abre en una pestaña nueva). Frank Seide, Gang Li y Dong Yu, 2011
- Context-Dependent Pre-Trained Deep Neural Networks for Large-Vocabulary Speech Recognition. IEEE Transactions on Audio, Speech, and Language Processing, 20(1), pp. 30-42 (se abre en una pestaña nueva). George Dahl, Dong Yu, Li Deng y Alex Acero, 2012
Estudios y contexto
- Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups. IEEE Signal Processing Magazine, 29(6), pp. 82-97 (se abre en una pestaña nueva). Geoffrey Hinton, Li Deng, Dong Yu, George Dahl, Abdel-rahman Mohamed y otros, 2012
Cómo citar
«Redes profundas en el reconocimiento del habla». En La historia de la IA, revisión del 13 de noviembre de 2026. https://thehistoryofai.com/es/hito/habla-redes-profundas
Última revisión de esta ficha: 13 de noviembre de 2026.