El reconocimiento de voz de Windows ( WSR ) es un reconocimiento de voz desarrollado por Microsoft para Windows Vista que permite comandos de voz para controlar la interfaz de usuario del escritorio , dictar texto en documentos electrónicos y correos electrónicos , navegar por sitios web , realizar atajos de teclado y operar el cursor del mouse . Admite macros personalizadas para realizar tareas adicionales o complementarias.
WSR es una plataforma de reconocimiento de voz procesada localmente; no depende de la computación en la nube para su precisión, dictado o reconocimiento, sino que se adapta en función de contextos, gramáticas, muestras de voz, sesiones de capacitación y vocabularios. Proporciona un diccionario personal que permite a los usuarios incluir o excluir palabras o expresiones del dictado y registrar pronunciaciones para aumentar la precisión del reconocimiento. También se admiten modelos de idioma personalizados.
Con Windows Vista, WSR se desarrolló para ser parte de Windows, ya que anteriormente el reconocimiento de voz era exclusivo de aplicaciones como Windows Media Player . Está presente en Windows 7 , Windows 8 , Windows 8.1 , Windows RT , Windows 10 y Windows 11 .
Microsoft estuvo involucrado en la investigación de reconocimiento y síntesis de voz durante muchos años antes de WSR. En 1993, Microsoft contrató a Xuedong Huang de la Universidad Carnegie Mellon para liderar sus esfuerzos de desarrollo del discurso; La investigación de la empresa condujo al desarrollo de Speech API (SAPI) introducido en 1994. [1] El reconocimiento de voz también se había utilizado en productos anteriores de Microsoft. Office XP y Office 2003 proporcionaron capacidades de reconocimiento de voz entre las aplicaciones de Internet Explorer y Microsoft Office ; [2] también habilitó una funcionalidad de voz limitada en Windows 98 , Windows Me , Windows NT 4.0 y Windows 2000 . [3] Windows XP Tablet PC Edition 2002 incluía capacidades de reconocimiento de voz con el panel de entrada de Tablet PC, [4] [5] y Microsoft Plus. para Windows XP habilitó comandos de voz para Windows Media Player. [6] Sin embargo, todos estos requirieron la instalación del reconocimiento de voz como un componente separado; Antes de Windows Vista, Windows no incluía reconocimiento de voz integrado o extenso. [5] Office 2007 y versiones posteriores dependen de WSR para los servicios de reconocimiento de voz. [7]
En WinHEC 2002, Microsoft anunció que Windows Vista (con nombre en código "Longhorn") incluiría avances en el reconocimiento de voz y en características tales como compatibilidad con conjuntos de micrófonos [8] como parte de un esfuerzo por "proporcionar una infraestructura de audio de calidad constante para el habla natural (continua)". reconocimiento y comando y control (discretos). [9] Bill Gates declaró durante el PDC 2003 que Microsoft "integraría capacidades de voz en el sistema - un gran avance para eso en 'Longhorn', tanto en reconocimiento como en síntesis, en tiempo real"; [10] [11] y las versiones preliminares durante el desarrollo de Windows Vista incluyeron un motor de voz con funciones de capacitación. [12] Una presentación para desarrolladores de PDC 2003 indicó que Windows Vista también incluiría una interfaz de usuario para retroalimentación y control del micrófono, y funciones de configuración y capacitación del usuario. [13] Microsoft aclaró hasta qué punto se integraría el reconocimiento de voz cuando declaró en un kit de desarrollo de software previo al lanzamiento que "los escenarios de voz comunes, como los menús y botones que habilitan la voz, se habilitarán en todo el sistema". [14]
Durante WinHEC 2004, Microsoft incluyó WSR como parte de una estrategia para mejorar la productividad en las PC móviles. [15] [16] Posteriormente, Microsoft enfatizó la accesibilidad , nuevos escenarios de movilidad, soporte para idiomas adicionales y mejoras en la experiencia del usuario de voz en WinHEC 2005. A diferencia del soporte de voz incluido en Windows XP, que se integró con el panel de entrada de Tablet PC y requería cambiar entre modos de comando y dictado separados, Windows Vista introduciría una interfaz dedicada para la entrada de voz en el escritorio y unificaría los modos de voz separados; [17] anteriormente, los usuarios no podían pronunciar un comando después de dictar o viceversa sin antes cambiar entre estos dos modos. [18] Windows Vista Beta 1 incluía reconocimiento de voz integrado. [19] Para incentivar a los empleados de la empresa a analizar WSR en busca de fallos de software y proporcionar comentarios, Microsoft ofreció a sus evaluadores la oportunidad de ganar un modelo Premium de Xbox 360 . [20]
Durante una demostración realizada por Microsoft el 27 de julio de 2006, antes del lanzamiento de Windows Vista a la fabricación (RTM), se produjo un incidente notable relacionado con WSR que resultó en una salida no deseada de "Querida tía, configuremos el doble de eliminación, seleccione todo" cuando varios los intentos de dictar condujeron a errores de salida consecutivos; [21] [22] el incidente fue objeto de importantes burlas entre los analistas y periodistas presentes en la audiencia, [23] [24] a pesar de que otra demostración de gestión de aplicaciones y navegación tuvo éxito. [21] Microsoft reveló que estos problemas se debían a un problema de ganancia de audio que causaba que el reconocedor distorsionara los comandos y dictados; el problema se solucionó antes del lanzamiento de Windows Vista. [25]
Los informes de principios de 2007 indicaron que WSR es vulnerable a los atacantes que utilizan el reconocimiento de voz para operaciones maliciosas al reproducir ciertos comandos de audio a través de los parlantes del objetivo; [26] [27] fue la primera vulnerabilidad descubierta después de la disponibilidad general de Windows Vista . [28] Microsoft declaró que aunque un ataque de este tipo es teóricamente posible, una serie de factores atenuantes y requisitos previos limitarían su eficacia o lo impedirían por completo: un objetivo necesitaría que el reconocedor estuviera activo y configurado para interpretar adecuadamente dichos comandos; tanto los micrófonos como los altavoces deberían estar habilitados y a niveles de volumen suficientes; y un ataque requeriría que la computadora realizara operaciones visibles y produjera comentarios audibles sin que los usuarios se dieran cuenta. El Control de cuentas de usuario también prohibiría la realización de operaciones privilegiadas. [29]
WSR se actualizó para usar Microsoft UI Automation y su motor ahora usa la pila de audio WASAPI , lo que mejora sustancialmente su rendimiento y permite la compatibilidad con la cancelación de eco , respectivamente. El recolector de documentos, que puede analizar y recopilar texto en correos electrónicos y documentos para contextualizar los términos del usuario, ha mejorado el rendimiento y ahora se ejecuta periódicamente en segundo plano en lugar de solo después del inicio del reconocedor. El modo de suspensión también ha experimentado mejoras de rendimiento y, para solucionar problemas de seguridad, el reconocedor se desactiva de forma predeterminada después de que los usuarios dicen "dejar de escuchar" en lugar de suspenderse. Windows 7 también introduce una opción para enviar datos de entrenamiento de voz a Microsoft para mejorar futuras versiones del reconocedor. [30]
Una nueva interfaz de bloc de notas de dictado funciona como un documento temporal en el que los usuarios pueden dictar o escribir texto para insertarlo en aplicaciones que no son compatibles con Text Services Framework . [30] Windows Vista proporcionaba anteriormente una "opción para habilitar el dictado en todas partes" para dichas aplicaciones. [31]
WSR se puede utilizar para controlar la interfaz de usuario de Metro en Windows 8, Windows 8.1 y Windows RT con comandos para abrir la barra de accesos ("Presione Windows C"); para dictar o mostrar comandos en aplicaciones estilo Metro ("Presione Windows Z"); para realizar tareas en aplicaciones (por ejemplo, "Cambiar a Celsius" en MSN Weather ); y para mostrar todas las aplicaciones instaladas enumeradas en la pantalla de Inicio ("Aplicaciones"). [32] [33]
WSR aparece en la aplicación Configuración a partir de la actualización de Windows 10 de abril de 2018 ( versión 1803 ); el cambio apareció por primera vez en Insider Preview Build 17083. [34] La actualización de abril de 2018 también introduce un nuevo método abreviado de teclado ⊞ Win+ + para activar WSR. [35]CtrlS
En Windows 11 versión 22H2, se agregó una segunda aplicación de Microsoft, Voice Access, además de WSR. [36] [37] En diciembre de 2023, Microsoft anunció que WSR está obsoleto en favor de Voice Access y puede eliminarse en una futura versión o versión de Windows. [38]
WSR permite al usuario controlar las aplicaciones y la interfaz de usuario del escritorio de Windows mediante comandos de voz. [39] Los usuarios pueden dictar texto dentro de documentos, correos electrónicos y formularios; controlar la interfaz de usuario del sistema operativo; realizar atajos de teclado ; y mueve el cursor del ratón . [40] La mayoría de las aplicaciones integradas en Windows Vista se pueden controlar; [39] las aplicaciones de terceros deben admitir el marco de servicios de texto para el dictado. [1] Los idiomas admitidos son inglés (EE. UU.) , inglés (Reino Unido) , francés , alemán , japonés , chino mandarín y español . [41]
Cuando se inicia por primera vez, WSR presenta un asistente de configuración del micrófono y un tutorial interactivo paso a paso opcional en el que los usuarios pueden comenzar a aprender comandos básicos mientras adaptan el reconocedor a sus características de voz específicas; [39] Se estima que el tutorial requerirá aproximadamente 10 minutos para completarse. [42] La precisión del reconocedor aumenta mediante el uso regular, que lo adapta a contextos, gramáticas, patrones y vocabularios. [41] [43] También se admiten modelos de lenguaje personalizados para contextos, fonética y terminologías específicos de usuarios en campos ocupacionales particulares, como el jurídico o el médico. [44] Con Windows Search , [45] el reconocedor también puede, opcionalmente, recopilar texto en documentos, correos electrónicos, así como entradas escritas a mano en una tableta para contextualizar y eliminar la ambigüedad de los términos y mejorar la precisión; no se envía ninguna información a Microsoft. [43]
WSR es una plataforma de reconocimiento de voz procesada localmente; no depende de la computación en la nube para su precisión, dictado o reconocimiento. [46] Los perfiles de voz que almacenan información sobre los usuarios se conservan localmente. [43] Las copias de seguridad y transferencias de perfiles se pueden realizar a través de Windows Easy Transfer . [47]
La interfaz WSR consta de un área de estado que muestra instrucciones, información sobre comandos (por ejemplo, si el reconocedor no escucha un comando) y el estado del reconocedor; un medidor de voz muestra información visual sobre los niveles de volumen. El área de estado representa el estado actual de WSR en un total de tres modos, que se enumeran a continuación con sus respectivos significados:
Los colores del botón de modo de escucha del reconocedor indican sus distintos modos de funcionamiento: azul cuando se escucha; gris azulado al dormir; gris cuando está apagado; y amarillo cuando el usuario cambia de contexto (por ejemplo, del escritorio a la barra de tareas) o cuando se malinterpreta un comando de voz. El área de estado también puede mostrar información de usuario personalizada como parte de las macros de reconocimiento de voz de Windows. [48] [49]
Una interfaz de desambiguación del panel alternativo enumera elementos interpretados como relevantes para las palabras habladas de un usuario; Si la palabra o frase que un usuario desea insertar en una aplicación aparece entre los resultados, un usuario puede decir el número correspondiente de la palabra o frase en los resultados y confirmar esta elección diciendo "OK" para insertarla en la aplicación. [50] El panel de alternativas también aparece al iniciar aplicaciones o pronunciar comandos que se refieren a más de un elemento (por ejemplo, al decir "Iniciar Internet Explorer" puede aparecer tanto el navegador web como una versión separada con complementos deshabilitados). Una entrada ExactMatchOverPartialMatch en el Registro de Windows puede limitar los comandos a elementos con nombres exactos si hay más de una instancia incluida en los resultados. [51]
A continuación se enumeran los comandos WSR comunes. Las palabras en cursiva indican una palabra que se puede sustituir por el elemento deseado (por ejemplo, "dirección" en " dirección de desplazamiento " se puede sustituir por la palabra " abajo "). [40] Un comando "comenzar a escribir" permite a WSR interpretar todos los comandos de dictado como atajos de teclado. [50]
MouseGrid permite a los usuarios controlar el cursor del mouse superponiendo números en nueve regiones de la pantalla; estas regiones se estrechan gradualmente a medida que el usuario dice el número de la región en la que centrarse hasta alcanzar el elemento de interfaz deseado. Luego, los usuarios pueden emitir comandos que incluyen "Haga clic en el número de región ", que mueve el cursor del mouse a la región deseada y luego hace clic en ella; y "Marcar número de región ", que permite seleccionar un elemento (como un icono de computadora ) en una región, en el que luego se puede hacer clic con el comando de clic anterior . Los usuarios también pueden interactuar con varias regiones a la vez. [40]
Las aplicaciones y los elementos de la interfaz que no presentan comandos identificables aún se pueden controlar pidiendo al sistema que superponga números encima de ellos mediante un comando Mostrar números . Una vez activo, al pronunciar el número superpuesto se selecciona ese elemento para que un usuario pueda abrirlo o realizar otras operaciones. [40] Show Numbers fue diseñado para que los usuarios pudieran interactuar con elementos que no son fácilmente identificables. [53]
WSR permite el dictado de texto en aplicaciones y Windows. Si se produce un error de dictado, se puede corregir diciendo " Palabra correcta " o "Corregir eso" y aparecerá el panel de alternativas y brindará sugerencias para la corrección; Estas sugerencias se pueden seleccionar diciendo el número correspondiente al número de la sugerencia y diciendo "OK". Si el elemento deseado no aparece entre las sugerencias, un usuario puede pronunciarlo para que aparezca. Alternativamente, los usuarios pueden decir "Deletréelo" o "Lo deletrearé yo mismo" para pronunciar la palabra deseada letra por letra; los usuarios pueden utilizar su alfabeto personal o el alfabeto fonético de la OTAN (por ejemplo, "N como en noviembre") al deletrear. [44]
Se pueden corregir varias palabras en una oración simultáneamente (por ejemplo, si un usuario habla "dictando" pero el reconocedor interpreta esta palabra como "la cosa", un usuario puede decir "corregir la cosa" para corregir ambas palabras a la vez). En el idioma inglés se reconocen por defecto más de 100.000 palabras. [44]
Un diccionario personal permite a los usuarios incluir o excluir determinadas palabras o expresiones del dictado. [44] Cuando un usuario agrega una palabra que comienza con una letra mayúscula al diccionario, puede especificar si siempre debe estar en mayúscula o si el uso de mayúsculas depende del contexto en el que se pronuncia la palabra. Los usuarios también pueden grabar pronunciaciones de palabras agregadas al diccionario para aumentar la precisión del reconocimiento; También se almacenan las palabras escritas con un lápiz óptico en una tableta para la función de reconocimiento de escritura a mano de Windows. La información almacenada en un diccionario se incluye como parte del perfil de voz de un usuario. [43] Los usuarios pueden abrir el diccionario de voz pronunciando el comando "mostrar diccionario de voz".
WSR admite macros personalizadas a través de una aplicación complementaria de Microsoft que permite comandos adicionales en lenguaje natural . [54] [55] Como ejemplo de esta funcionalidad, una macro de correo electrónico publicada por Microsoft permite un comando en lenguaje natural donde un usuario puede decir "enviar correo electrónico al contacto sobre el asunto ", lo que abre Microsoft Outlook para redactar un nuevo mensaje con el nombre designado. contacto y asunto insertados automáticamente. [56] Microsoft también ha lanzado macros de muestra para el diccionario de voz, [57] para Windows Media Player, [58] para Microsoft PowerPoint , [59] para síntesis de voz , [60] para cambiar entre varios micrófonos, [61] para personalizar varios aspectos de la configuración del dispositivo de audio, como niveles de volumen, [62] y para consultas generales en lenguaje natural como "¿Cuál es el pronóstico del tiempo?" [63] "¿Qué hora es?" [60] y "¿Cuál es la fecha?" [60] Las respuestas a estas consultas de los usuarios se responden al usuario mediante la voz activa de texto a voz de Microsoft instalada en la máquina.
Los usuarios y desarrolladores pueden crear sus propias macros basadas en la transcripción y sustitución de texto; ejecución de aplicaciones (con soporte para argumentos de línea de comandos ); atajos de teclado; emulación de comandos de voz existentes; o una combinación de estos elementos. Se admiten XML , JScript y VBScript . [50] Las macros se pueden limitar a aplicaciones específicas [64] y las reglas para las macros se pueden definir mediante programación. [56] Para que se cargue una macro, debe estar almacenada en una carpeta de Macros de voz dentro del directorio de Documentos del usuario activo . Todas las macros están firmadas digitalmente de forma predeterminada si hay un certificado de usuario disponible para garantizar que terceros no modifiquen ni carguen los comandos almacenados; Si no hay un certificado disponible, un administrador puede crear uno. [65] Los niveles de seguridad configurables pueden prohibir la carga de macros sin firmar; solicitar a los usuarios que firmen macros después de su creación; y para cargar macros sin firmar. [64]
A partir de 2017, [actualizar]WSR utiliza Microsoft Speech Recognizer 8.0, la versión introducida en Windows Vista. Para el dictado, Mark Hachman, editor senior de PC World, descubrió que tenía una precisión del 93,6% sin capacitación, una tasa que no es tan precisa como la del software de la competencia. Según Microsoft, la tasa de precisión cuando se entrena es del 99%. Hachman opinó que Microsoft no habla públicamente de esta característica debido al incidente de 2006 durante el desarrollo de Windows Vista, con el resultado de que pocos usuarios sabían que se podían dictar documentos dentro de Windows antes de la introducción de Cortana . [42]