escuela politécnica superior de linarestauja.ujaen.es/bitstream/10953.1/3742/1/tfg_valcarcel... ·...
TRANSCRIPT
Esc
uela
Pol
itécn
ica
Sup
erio
r de
Lina
res
Universidad de Jaén
Escuela Politécnica Superior de Linares
Trabajo Fin de Grado
Alumno: Ildefonso Valcárcel Momblant
Tutor: Prof. D. Ildefonso Ruano Ruano Depto.: Ingeniería de Telecomunicación
Septiembre, 2016
DISEÑO DE UN ENTORNO
VOIP PARA CONSULTA VOCAL POR VÍA TELEFÓNICA
UNIVERSIDAD DE JAÉN
ESCUELA POLITÉCNICA SUPERIOR DE LINARES
Departamento de Ingeniería de Telecomunicación
CURSO ACADÉMICO 2015-2016
TRABAJO FIN DE GRADO
TÍTULO DEL TRABAJO
DISEÑO DE UN ENTORNO VOIP PARA CONSULTA VOCAL POR VÍA TELEFÓNICA
Grado en Ingeniería Telemática
AUTOR: Ildefonso Valcárcel Momblant
TUTOR: D. Ildefonso Ruano Ruano
Agradecimientos
A mi mujer Cortecita, por animarme y motivarme para acometer este proyecto personal
para adaptar mis estudios a los planes de grado actuales.
A mi amigo del alma por su gran ayuda en los momentos difíciles y por su apoyo
incondicional.
A mi familia, por su amor y su esfuerzo.
1
Índice
1. RESUMEN ..................................................................................................................... 4
2. INTRODUCCIÓN ........................................................................................................... 7
2.1.1 Voz Sobre IP ........................................................................................................ 9
2.1.2 Codificadores de audio........................................................................................10
2.1.3 Protocolos de Señalización .................................................................................12
2.2 Asterisk ..................................................................................................................12
2.2.1 Arquitectura .........................................................................................................13
2.3. Reconocimiento vocal ...........................................................................................21
2.3.1. Características acústicas ...................................................................................21
2.3.1.1. Fono y fonema ................................................................................................22
2.3.1.2. Clasificación de los fonemas ...........................................................................22
2.3.2. Elementos de un reconocedor de voz ................................................................23
2.3.2.1. Preprocesamiento ...........................................................................................23
2.3.2.2. Reconocimiento ..............................................................................................25
2.3.3. Enfoques del reconocimiento de voz ..................................................................25
2.3.3.1. Enfoque Acústico-Fonético..............................................................................25
2.3.3.2. Enfoque de Patrones.......................................................................................27
2.3.4. Aplicaciones del reconocimiento de voz .............................................................28
2.3.5 Reconocimiento Automático de Voz (RAV) .........................................................29
2.3.5.1. Arquitectura .....................................................................................................30
2.3.6. Resumen............................................................................................................30
2.4. Síntesis de voz ......................................................................................................32
2.4.1 Síntesis concatenativa ........................................................................................34
2.4.2 Síntesis por formantes ........................................................................................35
3. OBJETIVOS ................................................................................................................. 37
2
4. MATERIALES Y MÉTODOS ........................................................................................ 38
4.1 Instalación de la centralita Asterisk ........................................................................43
4.2 Instalación y configuración del motor de base de datos .........................................52
4.2.1 Configuración del conector odbc en asterisk ...................................................53
4.2.2 Diseño de la base de datos .............................................................................58
4.3 Estudio de alternativas de reconocimiento vocal con asterisk ................................62
4.3.1 Proceso de reconocimiento mediante servidor externo ...................................63
4.3.2 Proceso de reconocimiento mediante servidor interno ....................................66
4.4 Alternativas para síntesis de voz en Asterisk .........................................................67
4.5 Implementación del reconocimiento vocal en asterisk ............................................68
4.6 Síntesis de voz en Asterisk ....................................................................................80
4.7 Registro de terminales SIP en asterisk ...................................................................84
4.8 Proceso de conexión a un proveedor SIP ..............................................................87
4.9 Creación de ficheros de audio personalizados .......................................................91
4.10 Configuración del dialplan de la centralita asterisk ...............................................94
5. RESULTADOS Y DISCUSIÓN................................................................................... 100
6. CONCLUSIONES ...................................................................................................... 110
7. ACRÓNIMOS ............................................................................................................. 112
8. REFERENCIAS BIBLIOGRÁFICAS ........................................................................... 113
ANEXO 1: ASTERISK .................................................................................................... 115
Registro de terminales ............................................................................................... 118
Dialplan ...................................................................................................................... 119
Contextos................................................................................................................... 120
Extensiones ............................................................................................................... 120
Prioridades ................................................................................................................. 122
Aplicaciones ............................................................................................................... 123
Variables .................................................................................................................... 123
Variables globales ...................................................................................................... 123
Variables de canal ..................................................................................................... 124
3
Variables de entorno .................................................................................................. 124
Búsqueda por expresiones ........................................................................................ 124
Integración de base de datos con asterisk ................................................................. 125
Asterisk Gateway Interface ........................................................................................ 128
ANEXO 2: DESCRIPCIÓN DE PROTOCOLOS SIP Y RTP ........................................... 130
El protocolo SIP ......................................................................................................... 130
El protocolo RTP ........................................................................................................ 135
ANEXO 3: MOTOR DE RECONOCIMIENTO Y TTS VERBIO ....................................... 137
Reconocimiento del habla .......................................................................................... 137
Gramáticas ABNF ...................................................................................................... 139
Verbio para asterisk ................................................................................................... 143
ANEXO 4: MANUAL DE INCORPORACIÓN DE EXTENSIONES SIP ........................... 160
ANEXO 5: MANUAL DE CREACIÓN DE CONSULTAS EN BASE DE DATOS ............. 162
4
1. RESUMEN El presente Trabajo Fin de grado (TFG), se centra en el diseño de una solución
VoIP que realice reconocimiento vocal y sirva como plataforma para ofrecer un servicio
de consulta de calificaciones por vía vocal.
Actualmente los sistemas VoIP, especialmente los basados en tecnología Open
Source, se encuentran en auge ya que aportan una serie de beneficios que resultan muy
interesantes. Dentro estas características podemos citar las siguientes:
- Posibilitan una configuración flexible y adaptable en soluciones de voz.
- Permiten tener menos costes ya que se basan en tecnología de código
abierto, la cual no incurre en costes de licenciamiento. Posibilitan el uso de
proveedores IP cuyas tarifas son mucho más económicas que las de los
proveedores telefónicos habituales, especialmente en llamadas
internacionales.
- Permiten soluciones de voz que incluyen servicios de valor añadido, por
ejemplo acceso a base de datos, reconocimiento vocal, síntesis de voz,
servicios de IVR, Grupos ACD, etc.
- Permiten una fácil interconexión entre sistemas de diferentes localizaciones,
que en la telefonía convencional requerían de una fuerte inversión de
equipamiento para conseguir unas funcionalidades muy limitadas
- Se basan en protocolos VoIP que están estandarizados. Especialmente el
protocolo SIP, que es el más utilizado. Este protocolo lo implementan la gran
mayoría de centralitas y teléfonos IP.
- Permiten utilizar código en otros lenguajes de programación como perl,
Pyton, java, C, etc, para realizar tareas en este lenguaje y ofrecer los
resultados a la centralita IP.
La solución VoIP para ofrecer el servicio de consulta de calificaciones ha sido la siguiente:
- Se ha montado en un equipo del laboratorio de telemática el sistema
operativo Ubuntu 14.04. En dicho equipo se han realizado todas las
instalaciones y configuraciones necesarias para ofrecer el servicio de
consulta de calificaciones.
- Se ha instalado el software asterisk, como herramienta para el
procesamiento del tráfico VoIP a través de los protocolos SIP y RTP.
- Se ha configurado asterisk para que se pueda conectar un teléfono IP para
realizar pruebas desde la red interna donde reside el PC. También se ha
5
creado y configurado una cuenta sip de un proveedor IP para poder realizar
pruebas desde cualquier teléfono de la RTC.
- Se ha creado una base de datos Mysql con la información de alumnos de la
universidad de Jaén y de las notas de las asignaturas en las que están
matriculados.
- Se ha configurado asterisk para tener acceso a la información almacenada
en la base de datos.
- Se han estudiado diferentes alternativas para implementar el reconocimiento
vocal a través de asterisk, eligiendo dos alternativas diferentes para realizar
el reconocimiento. Por una parte se ha realizado el reconocimiento vocal a
través de un script AGI que solicita a un servidor externo realizar el
reconocimiento vocal. En este caso se ha usado la API de reconocimiento
vocal de Google. Por otra parte se ha realizado el reconocimiento vocal a
través de un servidor de reconocimiento interno basado en el fabricante
Verbio. En este caso la solicitud de reconocimiento vocal se envía a un
servidor interno que realiza la transcripción a texto del valor reconocido
haciendo uso de gramáticas ABNF (Augmented Backus-Naur Form).
- También se ha realizado la implementación de síntesis de voz para que sea
posible confirmar el valor reconocido del nombre de las asignaturas y del
DNI de los llamantes. La síntesis de voz también se ha realizado con dos
diferentes alternativas. Por una parte a través de un script AGI que hace uso
del servicio de google translate y por otra parte a través del motor de Text to
Speech del fabricante Verbio.
- También se ha implementado el reconocimiento a través de tonos DTMF
para realizar confirmaciones sobre el reconocimiento y para poder introducir
el DNI en caso que el reconocimiento vocal no se efectúe de forma correcta.
- Se ha realizado el desarrollo necesario del dialplan de asterisk para ofrecer
el servicio de consulta de calificaciones y poder consultar los datos
obtenidos por lo los sistemas de reconocimiento vocal y Text to speech
indicados anteriormente y de los valores almacenados en la base de datos.
- Se han creado todas las locuciones necesarias para realizar el proceso de
consulta de calificaciones a través de la herramienta Loquendo TTS director.
El resultado de la implementación es un servicio telefónico guiado en el que se
solicita la información del DNI para realizar la validación de usuario, el nombre de la
asignatura y la convocatoria de la que se desea consultar la calificación. Una vez
reconocidos estos datos se realiza la consulta a la base de datos que devuelve el
6
resultado que es ofrecido al llamante por vía telefónica. Los nombres de asignatura
configurados se corresponden con las asignaturas troncales y obligatorias de la titulación
Ingeniería Telemática.
Un esquema que muestra los componentes usados para la implementación del
servicio de consulta de calificaciones y los protocolos y puertos que intervienen es el
siguiente. En este esquema se muestran los componentes usados para los dos tipos de
reconocimiento vocal y síntesis de voz utilizados, como diferentes alternativas de
reconocimiento. Por una parte a través de un reconocimiento vocal y síntesis de voz a
través de un servicio externo ofrecido por Google. Por otra parte a través de un sistema
de reconocimiento vocal y síntesis de voz montado localmente en el propio servidor
donde reside tanto el servidor asterisk como la base de datos Mysql. El software usado
para implementar el reconocimiento vocal y síntesis de voz de forma local ha sido a
través del servidor VoxServer del proveedor Verbio
Figura 1: Esquema general de la implementación del servicio vocal de consulta de calificaciones
Posteriormente en el punto 4, se detallará el flujo de comunicación para cada una de las alternativas de reconocimiento.
7
2. INTRODUCCIÓN De manera cada vez más frecuente, se producen avances tecnológicos que
obligan a las empresas a ofrecer sus servicios por diferentes canales (Web, Telefónico,
chat, redes sociales, aplicaciones de smartphones…) demandados por los clientes.
Las empresas requieren hoy en día de soluciones flexibles y económicas con las
que puedan ir ofreciendo la excelencia en el servicio a sus clientes.
Actualmente, diversas tecnologías (ordenadores, software, teléfonos móviles,
Internet…) son usadas de forma combinada para ofrecer soluciones globales en los
entornos empresariales
En el ámbito de las soluciones de voz en los últimos años se ha producido una
revolución tecnológica desde la llegada del software asterisk de libre distribución. Este
software ha posibilitado la creación de una centralita telefónica adaptable y configurable,
la cual puede combinarse con otros servicios, como acceso a base de datos, para ofrecer
un servicio de voz inteligente.
Es por este motivo, por el que hemos decidido realizar la implementación del
sistema VoIP de consulta de calificaciones mediante el uso del sistema asterisk.
Las centralitas Asterisk tienen la capacidad de implementar diversos protocolos
VoIP de señalización para realizar la comunicación, entre los cuales están IAX2, SIP y
H323 entre otros. El uso más habitual del software Asterisk es a través del protocolo SIP.
La centralita Asterisk contiene diferentes elementos que permiten combinarla
con otras soluciones de otros fabricantes especializadas en un área determinada. En el
ámbito del reconocimiento vocal existen diversas alternativas que pueden integrarse con
asterisk para ofrecer un servicio de reconocimiento vocal. Por una parte herramientas de
uso libre con ciertas restricciones como puede ser la Google speech API y por otra parte
herramientas proporcionadas por fabricantes especializados en reconocimiento vocal
(Verbio, Lumenvox, Nuance, Omilia…) cuyas soluciones de reconocimiento vocal están
homologadas para su uso con la centralita asterisk.
Después de estudiar las diferentes alternativas para implementar reconocimiento
vocal en la centralita asterisk, hemos decidido realizar el reconocimiento usando dos
diferentes alternativas. Por una parte a través del uso de la API de reconocimiento vocal
de Google y por otra parte a través del uso de la solución de reconocimiento del
proveedor Verbio.
8
El proceso de síntesis de voz, también conocido como Text To Speech (TTS) se
basa en la conversión de un texto escrito a su respectivo audio, este caso la síntesis de
voz la hemos utilizado para la confirmación del valor reconocido mediante el
reconocimiento vocal.
Tras estudiar diferentes alternativas para implementar la síntesis de voz en la
centralita asterisk, también hemos optado por utilizar dos diferentes alternativas. Por una
parte usar el servicio de google translate para obtener un fichero con el audio de un
determinado texto. Por otra parte usar el motor de síntesis del proveedor verbio. Estas
dos alternativas son independientes y ambas sirven para realizar la síntesis de voz.
En la actualidad se genera muchísima información en cada instante, esta
información generalmente requiere ser almacenada en bases de datos para su posterior
consulta o análisis. La información almacenada en base de datos puede ser explotada
por otros sistemas para ofrecer un determinado servicio.
La evolución de la VoIP y, en especial la aparición de la centralita asterisk, han
posibilitado ofrecer servicios telefónicos de valor añadido. Por ejemplo es posible ofrecer
un servicio telefónico capaz de realizar reconocimiento vocal, que tenga acceso a bases
de datos para consultar la información solicitada por vía vocal y que la información
consultada pueda indicarse por medio de síntesis de voz o Text To Speech.
Los objetivos del presente proyecto son integrar la centralita asterisk con
servicios externos de acceso a base de datos, reconocimiento vocal y text to Speech de
valor añadido para ofrecer un servicio de consulta por vía vocal de las calificaciones
obtenidas por los alumnos.
El sistema solicitara al llamante que indique por vía vocal su número de DNI, una
vez reconocido, se solicitará indicar el nombre de la asignatura a consultar, una vez
reconocida, se solicitará indicar la convocatoria. Una vez reconocidos todos los datos, se
indicará la puntuación numérica obtenida y la calificación de la asignatura (aprobado,
suspenso, notable, sobresaliente o matrícula de honor) obtenida por el correspondiente
alumno en la asignatura y convocatoria indicadas.
Los datos de los alumnos y las notas de las respectivas asignaturas, se
introducirán en una base de datos para que la centralita asterisk realice el reconocimiento
vocal e indique el resultado una vez realizada la consulta a la base de datos y el
procesamiento necesario.
9
2.1. Voz Sobre IP
2.1.1 Introducción
Para la transmisión de voz sobre una red IP, el estándar define cuatro elementos
fundamentales en su estructura:
- Terminales: son los puntos finales de la comunicación y pueden ser
implementados como:
o Hardware: un teléfono IP es un terminal que tiene soporte VoIP nativo
y puede conectarse directamente a una red IP
o Software: un softphone es una aplicación ejecutable desde un PC que
se comunica con la PBX a través de la LAN. Para interactuar con el
usuario se basa en la utilización de un micrófono y altavoz.
- Servidor: Provee el manejo y funciones administrativas para soportar el
enrutamiento de llamadas a través de la red. Este servidor puede adoptar
diferentes nombres dependiendo del protocolo de señalización utilizado. Así
en un sistema basado en el protocolo H.323, el servidor es conocido como
Gatekeeper, en un sistema SIP, servidor SIP; y en un sistema basado en
MGCP o MEGACO, call Agent.
- Gateways: proporciona el enlace de la red VoIP con la red telefónica
analógica o ISDN. Se encarga de adaptar las señales de estas redes a VoIP
y viceversa, actuando de forma transparente para el usuario. El Gateway
posee además de puertos LAN, interfaces de conexión a estas redes: FXO,
FXS, BRI, PRI, SS7, etc.
- Red IP: provee conectividad entre todos los terminales. La red IP puede ser
una red IP privada, una intranet o Internet.
Los distintos elementos pueden residir en plataformas físicas separadas o bien
pueden convivir varios elementos en la misma plataforma. De este modo es bastante
frecuente encontrar juntos el servidor y el Gateway.
10
Figura 2: Estructura de una red VoIP
Fuente: Rosario Villareal M.A, Herrera Vega F.
2.1.2 Codificadores de audio La señal de audio ha de ser digitalizada, comprimida y codificada antes de ser
transmitida por la red IP. Para ello se utilizan algoritmos matemáticos implementados en
software llamados códecs (acrónimo de codificador-descodificador aunque también se le
atribuye las funciones de compresor-descompresor). Existen diferentes modelos de
códecs de audio utilizados en VoIP, y dependiendo del algoritmo escogido en la
transmisión, variará la calidad de la voz, el ancho de banda necesario y la carga
computacional. El objetivo principal de esta tecnología es encontrar un equilibrio entre
eficiencia y calidad de voz. Aunque el sistema auditivo humano es capaz de captar las
frecuencias comprendidas entre 20Hz y 20kHz, la gran mayoría de códecs procesan
aquella información dentro de la banda banda de 400Hz – 3,5kHz ya que a la hora de
reconstruir la señal, esta sigue siendo inteligible.
A continuación se enumeran y describen los códecs mas utilizados en VoIP:
- G.711: principal códec de la PSTN estandarizado por la ITU (International
Telecomunication Union) en 1972. Este estándar muestrea a una frecuencia
de 8kHZ y utiliza PCM (Pulse Code Modulation) para comprimir,
descomprimir, codificar y decodificar. Existen dos modelos:
o U-law: codifica cada 14 muestras en palabras de 8 bits. Usado en
EEUU y Japón.
o A-Law: Codifica cada 13 muestras en palabras de 8 bits. Usado en el
resto del mundo, incluido Europa.
11
Al entregar ambas palabras de 8 bits se requiere un ancho de banda de
64kbps. G.711 es un algoritmo más simple y de menor carga computacional
y es la base del resto de estándares.
- G.726: este estándar de la ITU, también conocido como ADPCM (Adaptative
Differential Pulse Code Modulation), sustituyó al obsoleto estándar G.721 en
1990. Permite trabajar a velocidades de 16kbps, 24kbps y 32kbps. La gran
ventaja de este códec es la disminución de ancho de banda requerido sin
aumentar en gran medida la carga computacional.
- G.723.1: este algoritmo, estandarizado en 1995 por la ITU, puede operar a
6,3kbps o 5,3kbps. Si es utilizado en una aplicación comercial es necesario
pagar una licencia.
- G.729A: códec desarrollado por France Telecom, Mitsubishi Electric
Corporation, Nippon Telegraph and Telephone Corporation (NTT) y la
universidad de Sherbrooke. Requiere 8kbps de ancho de banda. La carga
computacional de este algoritmo es elevada y también es necesaria una
licencia para su uso comercial. Actualmente la propiedad intelectual es de la
empresa SIPRO.
- GSM (Global System Mobile): estándar que opera a 13kbps con una carga
de CPU aceptable. No requiere el pago de una licencia.
- iLBC (Internet Low Bit Rate Códec): complejo algoritmo libre desarrollado
por Global IP Sound (GIPS) que ofrece una buena relación ancho de banda-
calidad de voz, a cambio de una mayor carga computacional. Es definido en
los RFCs 3951 y 3952 de la IETF (Internet Engineering Task Force). Su uso
no ha sido extendido en los teléfonos IP. iLBC opera a 13.3kbps y 15.2kbps.
- Speex: software libre creado por Xiph.Org Foundation que implementa un
algoritmo capaz de variar la velocidad de transmisión dependiendo de las
condificiones actuales de la red (VBR: Variable Bit Rate). El ancho de banda
puede variar desde 2.15 a 22.4kbps.
- MP3 (Moving Picture Experts Group Audio Layer 3 encoding Estándar): es
un códec de audio optimizado para la música. Este popular códec de la ISO
(International Standart Asociation) es utilizado por los teléfonos IP
principalmente para ofrecer servicios de música en espera.
12
Tabla 1. Resumen comparativo de códecs más habituales en VoIP
2.1.3 Protocolos de Señalización La señalización en VoIP tiene un papel muy importante en la red, ya que es la
encargada de establecer, mantener, administrar y finalizar una conversación entre los
extremos de la conversación. Además de ofrecer funciones de supervisión, marcado,
llamada y retorno de tonos de progreso, también se encarga de promover QoS en cada
canal de transmisión.
2.2 Asterisk Asterisk es una aplicación de software libre que se distribuye bajo licencia GPL
(General Public License) y que implementa una central telefónica (PBX). Una versión
estable de Asterisk está compuesta por los siguientes módulos:
• Asterisk: Ficheros base del proyecto.
• Dahdi: Soporte para hardware. Drivers de tarjetas. Este paquete antes
era conocido como Zaptel.
• Libpri: Soporte para conexiones digitales, es opcional.
• Sounds: Aporta sonidos y frases en diferentes idiomas.
• Addons: Complementos y añadidos del paquete Asterisk, es opcional.
Cada módulo cuenta con una versión estable y una versión de desarrollo. La
forma de identificar las versiones se realiza mediante la utilización de tres números
separados por un punto. Teniendo desde el inicio como primer número el uno, el segundo
número indica la versión, mientras que el tercero muestra la revisión. En las revisiones se
llevan a cabo correcciones, pero no se incluyen nuevas funcionalidades.
En las versiones de desarrollo el tercer valor siempre es un cero, seguido de la
palabra “beta” y un número, para indicar la revisión.
13
La última versión estable disponible para su libre descarga en el momento actual
es la 13.10.0
2.2.1 Arquitectura Asterisk está formado por un núcleo principal encargado de gestionar todo el
sistema PBX cuyas funciones principales son:
- Interconectar automáticamente cada llamada entre los llamantes teniendo
en cuenta el tipo de protocolo de señalización utilizado por cada terminal.
- Ejecutar los servicios de valor añadido cuando sean requeridos.
- Realizar conversión entre codecs cuando sea necesario
- Gestionar el sistema para que pueda funcionar de la forma más óptima en
todas las condiciones de carga.
Para realizar estas funciones, este núcleo se apoya en un conjunto de módulos
que le proporcionan una gran flexibilidad y una total abstracción de los protocolos, códecs
e interfaces utilizados en cada conexión. Destacan 4 APIs (Application Programming
Interface) utilizadas por el núcleo de Asterisk.
- Channel API: Encargada de gestionar y extraer la información dinámica de
cada conexión (protocolos de señalización, interfaces, códecs).
- Application API: Incorpora diferentes módulos encargados de ofrecer
servicios de valor añadido. Esta estructura modular facilita la inserción de
nuevos servicios añadiendo su respectivo módulo.
- Codec Translator API: Permite cargar los diferentes formatos de códecs de
audio utilizados para la compresión y codificación de la señal. Al igual que
las aplicaciones, estos códecs son módulos independientes, teniendo cada
códec su respectivo módulo.
- File Format API: Permite leer y escribir ficheros para almacenar información
en el sistema de archivos, como por ejemplo, la grabación de una
conversación.
14
Figura 3. Núcleo principal de asterisk
Fuente: Asterisk Architecture. Digium
Otra de las características que hace de asterisk una solución bastante robusta,
es el soporte de varios protocolos VoIP (SIP, H323, IAX2, MGCP/MEGACO, SCCP y
UNISTIM) y códecs de audio (G711 ley A, G711 ley ŋ, G729a, G726, G723.1, Gsm, iLBC,
Speex, ADPCM, Linear, MP3).
Para entender más a fondo el esquema mostrado en la figura anterior indicamos
a continuación un ejemplo. Se parte de la idea que previamente se han configurado dos
terminales IP, uno utiliza el protocolo SIP y codifica la señal en G.711 ley A mientras que
el otro terminal utiliza el protocolo H.323 y codifica la señal en G.729a. Si el terminal SIP
quiere comunicarse con el terminal H323, cuando la centralita reciba la señal de llamada,
antes de interconectar los dos canales, consultará qué interfaz, protocolo de señalización
y códec utiliza el emisor y cuales necesita el receptor. De esta forma el núcleo una vez
que interconecte internamente ambas interfaces, mediante la Channel API y la Códec
Translator API, será capaz de adaptar la información en tiempo real para que pueda ser
interpretada por cada terminal IP. Puede darse el caso que el terminal receptor no esté
disponible y esté configurado en la centralita que en ese caso se deje un mensaje de voz.
En este caso actuaría la Application API para habilitar la recepción del mensaje de voz.
15
Para poder almacenarlo en un formato de audio, como .wav o mp3, asterisk utilizará la
File format API.
El comportamiento del núcleo variará dependiendo de las necesidades de cliente.
Para cambiar la configuración, Asterisk tiene un conjunto de archivos de configuración.
Cada uno de ellos ofrece una funcionalidad determinada y permite configurar un conjunto
de parámetros. Cada uno de estos parámetros tiene un rango de valores definido. Estos
parámetros le indican al núcleo aspectos como el número y tipo de dispositivos
conectados en la centralita, los códecs que utiliza cada dispositivo conectado, los
servicios de valor añadido que se quieren disponer, el dialplan que debe seguir una
llamada determinada, etc. También incluye una base de datos Berckeley para su posible
uso por el dialplan.
Detallamos a continuación otro ejemplo de llamada realizada a través de asterisk
mediante el uso del protocolo SIP donde se detallan todos los principales procesos que
se ejecutan. El ejemplo es similar al indicado anteriormente y cuenta con la ventaja de
tener un formato visual más atractivo para el entendimiento del proceso.
Figura 4
Fuente: Asterisk advanced course. Digium
Paso 1: El usuario bob, registrado en la centralita asterisk a través de una cuenta
sip configurada en un teléfono IP realiza una llamada a la extensión 202.
16
Figura 5
Fuente: Asterisk advanced course. Digium
Paso 2: La llamada originada desde el teléfono IP donde Bob tiene su cuenta sip
registrada en la centralita asterisk envía un paquete SIP INVITE el cual contiene la
extensión destino con la que quiere comunicarse y un mensaje SDP con la descripción de
sesión en la que se indican los códecs que el terminal de bob utiliza.
Figura 6
Fuente: Asterisk advanced course. Digium
Paso 3: La centralita asterisk, una vez que ha recibido el paquete SIP INVITE del
usuario bob, indica a bob los códecs ella misma que puede utilizar y el puerto RTP que
usará, ambos usarán el primer códec disponible que ambos puedan interpretar para
establecer la comunicación.
17
Figura 7
Fuente: Asterisk advanced course. Digium
Paso 4: Desde ese momento hay una llamada establecida entre el teléfono de
bob y la centralita asterisk en la que está definido el códec de audio que se utilizará y el
puerto RTP para el envío de audio.
Figura 8
Fuente: Asterisk advanced course. Digium
Paso 5: El núcleo de asterisk procesa la llamada enviándola a la extensión 202
del dialplan para su procesamiento.
18
Figura 9
Fuente: Asterisk advanced course. Digium
Paso 6: En el dialplan se ejecutan las aplicaciones definidas para la extensión
202 desde la prioridad 1 en adelante.
Figura 10
Fuente: Asterisk advanced course. Digium
Paso 7: Asterisk carga en memoria la aplicación dial la cual contiene los
argumentos necesarios para procesar la llamada: a Betty por sip, con 20 segundos de
timeout para establecer la llamada.
19
Figura 11
Fuente: Asterisk advanced course. Digium
Paso 8: La aplicación dial le indica al núcleo que es necesario crear un nuevo
canal para establecer la comunicación con el teléfono de Betty.
Figura 12
Fuente: Asterisk advanced course. Digium
Paso 9: A través del canal SIP se efectúa una nueva llamada entre asterisk y el
teléfono de Betty. El proceso de señalización es similar a los indicados en los pasos 2 y 3.
20
Figura 13
Fuente: Asterisk advanced course. Digium
Paso 10: En este momento, asterisk está procesando dos llamadas: una entre
bob y y otra entre Betty cada una con su correspondiente señalización.
Figura 14
Fuente: Asterisk advanced course. Digium
Paso 11: Asterisk conmuta ambas llamadas, intercambiando los puertos RTP de
emisión/recepción entre ambos terminales realizando transcoding en caso necesario si
los terminales origen y destino no utilizan el mismo códec.
21
Figura 15
Fuente: Asterisk advanced course. Digium
Paso 12: La comunicación entre bob y Betty se establece a través de asterisk.
2.3. Reconocimiento vocal El proceso de reconocimiento vocal es un proceso complejo que lleva en estudio
desde hace muchos años sin llegar a obtener unos resultados con una alta efectividad.
En los últimos años, los sistemas de reconocimiento vocal han mejorado notablemente,
gracias a combinar diferentes técnicas para realizar el reconocimiento.
En el proceso de reconocimiento vocal intervienen numerosos factores que
incrementan su dificultad. Estos factores son los diferentes leguajes, los diferentes
dialectos, las diferentes formas de pronunciación de cada persona, los diferentes sonidos
de ambiente, etc.
Para ofrecer una solución lo más óptima posible, el proceso de reconocimiento
vocal se divide en varias fases llamadas modelos. En cada una de ellas se obtiene
diferente información para finalmente ofrecer una alternativa de reconocimiento que debe
tener la máxima probabilidad de acierto
2.3.1. Características acústicas La señal de voz es un flujo continuo de sonidos y silencios. Esta señal se
encuentra constituida por palabras, que a su vez se dividen en fonemas, los cuales son la
22
unidad básica del habla y en conjunto éstos pueden determinar los sonidos con los que
construir las palabras de cualquier lenguaje.
2.3.1.1. Fono y fonema Los fonemas no son sonidos con entidad física, sino abstracciones mentales o
abstracciones formales de los sonidos del habla. En este sentido, un fonema puede ser
representado por una familia o clase de equivalencia de sonidos, denominados fonos,
que los hablantes asocian a un sonido específico durante la producción o la percepción
del habla.
Un sonido o fono se caracteriza por una serie de rasgos fonéticos y articulatorios.
El número de dichos rasgos y su identificación es tarea de la fonética. Un fono es
cualquiera de las posibles realizaciones acústicas de un fonema.
El número de fonemas de una lengua es finito y limitado, en cada lengua el
número de fonos potencialmente definibles, especialmente si son especificados rasgos
fonéticos muy sutiles, es potencialmente ilimitado y varían según el contexto fonético y la
articulación individual de los hablantes. En cuanto al número de fonemas no tiene por qué
ser fijo, y puede cambiar con el cambio lingüístico, de hecho en un instante dado, se
pueden construir dos sistemas fonológicos con diferente número de fonemas si se
introducen reglas de pronunciación más complejas. En castellano el número de unidades
está en torno a 24 (5 vocales y 19 consonantes), aunque no todas las variedades de
castellano tienen el mismo número.
Un fonema es una unidad fonológica diferenciadora, indivisible y abstracta:
- Diferenciadora: cada fonema se delimita dentro del sistema por las
cualidades que se distinguen de los demás y además es portador de una
intención significativa especial.
- Indivisible: no se puede descomponer en unidades menores.
- Abstracta: no son sonidos, sino modelos o tipos ideales de sonidos.
2.3.1.2. Clasificación de los fonemas Acústicamente, un fonema es un sonido que se distingue por un patrón
característico. Por otro lado, un alófono es una de las diferentes pronunciaciones que
puede llegar a tener el fonema. El conjunto de fonemas se divide de acuerdo a su manera
y lugar de articulación en varios grupos:
23
- Fonemas consonánticos: Los sonidos de las consonantes son producidos
cuando el aire al salir de los pulmones encuentra un obstáculo (parcial o
total), debido generalmente a la lengua y en algunos casos los labios o el
velo, dejándole un espacio pequeño por el que pasar, o incluso bloqueando
totalmente el paso.La clasificación de las consonantes depende de la forma
de articulación de los sonidos. Se entiende por articulación a los
movimientos o configuración de los órganos vocales que producen los
sonidos. Por lo tanto, las consonantes se clasifican en: oclusivas, nasales,
vibrantes, fricativas y laterales.
- Fonemas vocálicos: La producción del sonido de una vocal se genera
cuando el aire pasa de los pulmones a la laringe y después a la boca (o
nariz y boca) sin ninguna obstrucción. En las vocales, la posición de la
lengua y la forma en que se abre o cierra la boca determinan el timbre, el
tamaño y la forma de la onda sonora.
Las vocales se identifican por sus formantes, las cuales son muy marcadas
durante todo el fonema. Esta característica las hace fácilmente distinguibles cuando se
analiza su espectrograma. Además se puede decir que las vocales generalmente son de
mayor duración que las consonantes.
2.3.2. Elementos de un reconocedor de voz El reconocimiento de voz generalmente es utilizado como una interfaz entre el
humano y la máquina, por lo que debe cumplir dos tareas clave:
- Preprocesamiento
- Reconocimiento
2.3.2.1. Preprocesamiento Los sonidos consisten en cambios de presión del aire a través del tiempo, y a
frecuencias que pueden ser percibidas por el oído humano. Estos sonidos pueden ser
digitalizados por un micrófono o cualquier otro medio que convierte la presión del aire a
pulsos eléctricos. La voz es un subconjunto de los sonidos generados por el tracto vocal.
En el preprocesamiento de la señal, se extraen las características que utilizará
posteriormente el reconocedor, en el proceso de extracción se divide la señal de voz en
una colección de segmentos. Posteriormente, se obtiene una representación de
características acústicas más distintivas para cada segmento. Con estas características
obtenidas, se construye un conjunto de vectores que constituyen la entrada al siguiente
24
módulo. Una de las representaciones más usadas son los coeficientes Linear Predictive
Coding (LPC) y los coeficientes Mel-Frecuency Cepstrum Coefficients (MFCC)
Una manera de representar el sonido es graficándolo en forma de onda
(waveform). En el eje horizontal representa el tiempo y el vertical la amplitud. Una
limitación crucial es el hecho de que no describe explícitamente el contenido de la señal
de voz en términos de propiedades.
Figura 16. Señal de voz y su correspondiente espectrograma de ancho de banda
Fuente: X. Huang, A. Acero, H. Hsiao-Wuen 2001
Una representación más adecuada para el análisis de la señal de voz son los
espectrogramas. Un espectrograma es una representación de la señal de voz de acuerdo
a las variaciones de la energía, con respecto al tiempo y la frecuencia. El espectrograma
contiene mucha información y revela las características acústicas específicas del habla.
Las bandas oscuras corresponden a las concentraciones de energía y son
llamadas formantes. Los formantes son las frecuencias en las que ocurre la resonancia
de las vibraciones vocales. Las formantes son colocadas de menor a mayor frecuencia
tales como: F1 (500Hz) o primera formante, F2 (1500Hz) o segunda formante, F3
(2500Hz) o tercera formante y así sucesivamente. Aunque existen formantes más altas,
habitualmente las tres primeras son las necesarias para identificar un fonema.
Los espectrogramas son útiles para un análisis visual de la señal. Sin embargo un
reconocedor debe extraer de la señal acústica sólo la información que requiere para
poder reconocer una frase. Para ello la señal se muestrea a cierta frecuencia, se
25
cuantifica y posteriormente se crean vectores de características. Estas últimas son las
utilizadas por el reconocedor.
2.3.2.2. Reconocimiento En esta etapa se traduce la señal de entrada a su texto correspondiente. Durante
el proceso se busca clasificar los vectores de características de la señal de entrada para
obtener las unidades lingüísticas de las que está formada. Posteriormente, se realiza una
búsqueda para encontrar la secuencia de segmentos con mayor probabilidad de ser
reconocidos.
2.3.3. Enfoques del reconocimiento de voz Destacan dos enfoques principales a la hora de plantear un sistema de
reconocimiento de voz. Estos son:
- Enfoque acústico-fonético: Éste engloba aquellos procesos destinados a
realizar una decodificación de palabras, a partir de las características
diferenciadoras de la voz, y un conjunto de reglas existentes en el habla.
- Enfoque de patrones: Son técnicas basadas en el reconocimiento de
patrones. A partir de un conjunto de modelos captados automáticamente en
fases de entrenamiento, la pronunciación es decodificada. Las dos fases
que componen éste método, son: la fase de entrenamiento, donde se
generan los modelos de referencia, empleando un conjunto de bases de
datos de voces grabadas con la suficiente variabilidad; y la fase de
reconocimiento, donde se realiza una comparación entre las
pronunciaciones y las referencias obtenidas, eligiendo la secuencia de
palabras cuya distancia a los modelos de referencia sea menor.
2.3.3.1. Enfoque Acústico-Fonético El enfoque acústico-fonético se apoya en el número finito y diferenciado de
unidades fonéticas que contiene el lenguaje hablado. Los fonemas se estructuran en
palabras, y éstas en frases que modelan las ideas. Este enfoque se basa en el diseño de
sistemas expertos que gobiernan el lenguaje mediante reglas, a partir del análisis de la
señal de voz.
En un reconocedor de voz basado en el enfoque acústico-fonético se pueden
distinguir un conjunto de bloques de procesado:
26
- Análisis acústico de la señal de voz: Se tiene una señal de voz, obtenida a
través de un micrófono, a partir de las variaciones de presión, sobre ella se
aplica un procesado inicial, que es básicamente la transformación de la
señal de su dominio temporal a frecuencial haciendo uso de la transformada
de Fourier en un banco de filtros perceptuales. Otros análisis que también se
utilizan son la envolvente espectral obtenida a través del cálculo de los
coeficientes de predicción lineal, en inglés Linear Predictive Coding (LPC), o
el número de cruces por cero. Las características obtenidas se denominan
características acústicas.
- Detección de características fonéticas: Tras el análisis acústico de la señal
de voz, se realiza la extracción de los parámetros denominados
características fonéticas. Una característica fonética es la propiedad mínima
que presenta un fragmento de la señal de voz y que diferencia a dos
unidades diferentes. Entre las características fonéticas más usuales se
encuentran, el cálculo de la frecuencia fundamental de las cuerdas vocales,
los valores de los formantes de la voz, la detección del grado de sonoridad,
etc.
- Fase de segmentación y etiquetado: La señal de voz es dividida en regiones
en las que las características fonéticas son similares, para que puedan ser
asignadas a una o varias categorías fonéticas, posteriormente utilizadas
para realizar la decodificación de la secuencia de palabras.
- Fase de discriminación: Su función es la decodificación de las palabras
pronunciadas a partir del conjunto de categorías fonéticas obtenidas en la
fase previa. Usa reglas sintácticas y semánticas obtenidas mediante el
estudio de la señal de voz, y que imponen restricciones para llevar a cabo la
discriminación entre las palabras pronunciadas.
27
Figura 17. Bloques de un reconocedor de voz basado en un enfoque acústico-fonético.
2.3.3.2. Enfoque de Patrones El enfoque basado en el reconocimiento de patrones cuenta en la actualidad con
un mayor desarrollo y en general ofrece mejores resultados. Se pueden diferenciar dos
modos de funcionamiento dentro de un reconocedor de patrones:
- Modo de entrenamiento: Cada clase a ser entrenada posee su modelo
creado a partir de ejemplos que sirven como referencia.
- Modo de reconocimiento: Se compara mediante una determinada métrica, el
patrón a reconocer con todos los modelos de clase y pasa a identificarse
con el más próximo.
Figura 18. Sistema de clasificación de patrones en modo de entrenamiento y de reconocimiento.
28
En reconocimiento de voz resulta muy importante la selección de las
características, ya que la precisión de reconocimiento depende en gran medida del tipo y
número de parámetros usados.
Es suficiente extraer las características entre 10 o 20ms debido a la lenta
variación de las articulaciones utilizadas en la producción de la voz.
Se puede hablar de distintas metodologías para el reconocimiento de voz basado
en patrones, éstas son:
- Reconocimiento determinista: la metodología más usada es la alineación
dinámica de patrones, en ingles Dynamic Time Warping (DTW).
- Reconocimiento estocástico: los más representativos son los modelos
ocultos de Markov, más conocidos por su denominación en inglés como
Hidden Markov Models (HMM), tienen mayor capacidad de modelado que
los DTW.
- Reconocimiento basado en las denominadas redes neuronales (ANN:
Artificial Neural Networks).
2.3.4. Aplicaciones del reconocimiento de voz El objetivo principal de los sistemas de reconocimiento de voz es desarrollar
interfaces centradas en las necesidades del usuario aprovechando una de las
capacidades que tiene el hombre para comunicarse, la expresión oral. Estos sistemas
han probado su utilidad para ciertas aplicaciones. Uno de los medios más populares para
las aplicaciones de voz es el teléfono por razones de facilidad de uso, disponibilidad y
coste.
Las aplicaciones basadas en este tipo de reconocedores son servicios financieros,
asistencia de directorio, llamadas a cobro revertido (operadora automática), transferencia
de llamadas telefónicas, consultas de información (clima, tráfico, reservas,…). Las
ventajas que presenta este tipo de aplicaciones son que al interactuar el usuario utiliza la
eficiencia del habla (rápida, flexible, natural) y está libre de movimientos de las manos en
caso de que las tenga ocupadas.
Existen otras aplicaciones que no se basan en el teléfono, por ejemplo el dictado
automático. También el reconocimiento de voz es usado en compañías en donde la
entrada de datos o comandos por voz es requerida tales como desarrollo de inventarios,
control de robots, acciones en sistemas instalados en coches. En los últimos años varios
29
sistemas operativos ha incorporado motores de reconocimiento que permiten interactuar
con el propio sistema operativo para realizar diversas acciones. Es el caso de Siri en
sistemas Apple o Cortana en sistemas Microsoft
2.3.5 Reconocimiento Automático de Voz (RAV) El área del reconocimiento automático de voz (RAV), plantea como objetivo
fundamental la transcripción automática de la señal de voz mediante máquinas, la
conversión de habla en texto.
El habla es sin duda el método de comunicación más intuitivo y natural para los
seres humanos. La Tecnología del Habla, en sentido general, está gozando de un interés
cada vez mayor por parte de la comunidad científica internacional y la sociedad en
general y, dentro de ésta, el reconocimiento automático de voz presenta uno de los
campos más atractivos de investigación.
Hasta hace pocos años, los sistemas RAV de mediana y gran complejidad,
estaban disponibles casi únicamente como prototipos de laboratorio. En la actualidad,
empresas como Google, IBM, Lernout & Hauspie y Dragon Systems han ganado terreno
en el mercado con productos para dictado de texto de gran calidad.
También existen sistemas comerciales de reconocimiento automático de voz
incluyendo Lumenvox, Nuance, Verbio, Fonetic, Omilia así como sistemas de
investigación como AT&T DVL, AT&T ScanMail, CMU Informedia, SpeechBot, entre otros.
Los sistemas RAV han sido aplicados en gran parte a la tarea de búsqueda de
audio.
Existen distintas tipologías, pero la mayoría de estos sistemas producen una
trascripción de los datos de audio, y a partir de ésta, aplican métodos de búsqueda
basada en texto.
La mayoría de los sistemas RAV tienen un vocabulario cerrado, debido a la
cantidad de datos finita que se usa para entrenar los modelos de lenguaje. Normalmente
el vocabulario está formado por palabras aparecidas en corpus de entrenamiento, y en
ocasiones se reduce para que incluya las palabras más frecuentes del corpus. Las
palabras que no están dentro del vocabulario definido son palabras –out of vocabulary
(OOV)- fuera de vocabulario, no serán reconocidas por los sistemas RAV, contribuyendo
a errores de reconocimiento. Usar búsqueda fonética ayuda a la recuperación de
palabras OOV.
30
2.3.5.1. Arquitectura Ante el proceso de diseño de un sistema RAV, uno de los planteamientos es la
especificación de la arquitectura modular del sistema.
En la siguiente figura se muestra el esquema genérico de un sistema RAV, la
señal de entrada se representa generalmente por una secuencia temporal de vectores de
parámetros, que son calculados mediante análisis localizado. En el caso general, la idea
es transformar dicha representación inicial en un conjunto de parámetros más elaborados,
más adaptados a la tarea de discriminación posterior.
Figura 19. Esquema genérico de un RAV
La selección de los parámetros a usar sigue siendo un problema de difícil solución,
aunque la característica común a la mayoría de los enfoques, pasa por un proceso de
filtrado de la secuencia de entrada.
2.3.6. Resumen Un sistema de reconocimiento de voz está formado por varias capas o modelos.
El primero de ellos es el modelo acústico, que permite a la tecnología identificar si el
sonido procede de una llamada de móvil, de un teléfono IP o cualquier otro medio.
Determinar el canal de comunicación es importante para establecer el grado de distorsión
que puede experimentar el mensaje.
El modelo léxico va a continuación y se trata del idioma. En este caso, además del
propio idioma existe la dificultad de los distintos matices que tiene cada persona al hablar,
ya sea por su dialecto, acento, forma de hablar, forma de pronunciar, etc.
31
Otra capa más es el modelo del lenguaje. Con él se consigue que un sistema de
reconocimiento de voz entienda la forma de hablar de la gente, cómo se construyen las
frases y cómo puede variar esta construcción, dependiendo de la región, de la cultura y
de todas las influencias personales de cada cual.
Por último, funciona un motor estadístico que compara las características
extraídas de las palabras a reconocer, con los diferentes modelos almacenados en la
base de datos, efectuando la transcripción del valor reconocido a texto.
Esta consulta tiene que adivinar la frase indicada, con el nivel de distorsión
correspondiente si se habla desde un móvil, el acento y la forma de decirlo. La precisión
del software al final se reduce a aumentar la base de datos para alcanzar todas las
combinaciones posibles en un idioma.
Figura 20. Esquema resumen en proceso de reconocimiento vocal
Las empresas que desarrollan motores de reconocimiento vocal se han encargado
recopilar a personas con diferentes acentos, con diferentes formas de pronunciar,
hablando desde diferentes dispositivos. Estas personas han grabado multitud de palabras
y frases en diferentes idiomas. Los resultados de estas grabaciones los han sometido a
diferentes procesos, especialmente filtrando los parámetros de entrada y los han
almacenado en una base de datos, de esta forma han realizado lo que se denomina
entrenamiento del motor de reconocimiento.
Puede darse el caso que una empresa concreta que requiera realizar
reconocimiento de voz en un lugar concreto, con un dialecto determinado y unas frases
que no sean muy habituales, provoque que el motor de reconocimiento no funcione con la
tasa de acierto esperada. Para dar solución a estos requerimientos las empresas
seleccionan a personas de la zona concreta demandada y realizan el entrenamiento del
sistema de reconocimiento. Así las bases de datos van cada vez incrementándose y
ofreciendo respuestas cada vez a más acentos y formas de hablar de distintos lugares.
32
2.4. Síntesis de voz La síntesis de voz consiste en la creación de ondas de sonido artificiales
semejantes al habla humana. En inglés se conoce como Text-To-Speech por la
conversión de texto a voz. Los sistemas de síntesis de voz tienen dos partes
diferenciadas.
La primera parte se llama front-end. Es la parte encargada de recoger el texto y
procesarlo sustituyendo abreviaturas o números en sus equivalentes para facilitar la
transformación posterior. A menudo se conoce como normalización del texto o pre-
procesado. También hace una distinción entre las partes de la oración en base a la
prosodia de la frase (si es interrogación, exclamación, frase afirmativa, negativa, etc.).
Separa palabras y les asigna la transcripción fonética.
La segunda parte de los sistemas de síntesis de voz se llama back-end. Consiste
en crear las ondas de sonido mediante las configuraciones que han tenido lugar en la
front-end.
A la hora de crear una onda de voz hay que tener en cuenta dos aspectos
fundamentales que tiene que tener el resultado final. La naturalidad y la inteligibilidad. Los
sistemas de síntesis, buscan un equilibrio de ambas características.
La naturalidad es la cualidad por la que una onda sintética se parece a la voz
humana (conjunto factores que afectan la pronunciación de una manera global, como la
entonación, el ritmo y la intensidad del habla).
La inteligibilidad es la cualidad de poder entender la onda de voz sintética sin
necesidad de esfuerzo.
Un conversor de texto a voz consta de tres bloques:
- Análisis lingüístico del texto: Como se ha dicho previamente, se realiza un
pre-procesado para insertar correctamente los equivalentes tanto de
abreviaturas como de números, etc. También se divide la frase por palabras y se separan las partes gramaticales.
Finalmente este bloque también engloba la conversión del texto en los
símbolos fonéticos basándose en las reglas gramaticales del idioma.
Dependiendo de la sofisticación del software, pueden haber hasta cuatro
niveles de conversión basándose en el nivel fonético (el más sencillo que
atiende a la pronunciación de las palabras), en el nivel sintáctico (atendiendo
a la estructura gramatical), en el nivel semántico (atendiendo al significado
33
de la frase a procesar) o al nivel pragmático (atendiendo al significado del
discurso).
Para mejorar la naturalidad del resultado final, se puede crear una prosodia
concreta de cada palabra dependiendo del lugar que ocupa en la frase a
procesar.
- Estudio de la frase y su entonación o prosodia: Este bloque central se
encarga de estudiar la frase en su conjunto para poder darle una entonación
correcta. También se encarga de estudiar los aspectos relacionados con la
prosodia como son la entonación, la melodía (ritmo), y la intensidad del texto.
Estos aspectos se han ido alcanzando y perfeccionando por medio del
ensayo y error hasta conseguir una entonación y melodía adecuados.
Actualmente tienen bases de datos que alcanzan la prosodia correcta de las
frases automáticamente por medio de métodos estadísticos sobre una base
de datos preestablecida.
Este apartado es importante para generar una voz artificial lo más natural
posible ya que una buena entonación y la melodía ayudan a la calidad final
de la onda sintetizada.
La entonación es la evolución de la frecuencia fundamental (pitch) a lo largo
del texto y la melodía o el ritmo incluye tanto las duraciones de cada uno de
los segmentos como de las pausas entre palabras.
En el idioma español, la entonación consta de una rama ascendente que
comprende desde el primer sonido hasta el primer acento tónico (rama
intensiva) y a partir de aquí se mantiene subiendo y bajando la entonación
hasta la parte del último acento (rama distensiva).
La elevación de la rama distensiva significa que la frase no está completa. Si
esta rama es de entonación descendente, significa que la frase finaliza
(rama conclusiva).
Finalmente si se produce una elevación y un descenso en la misma frase,
significa que la frase es interrogativa.
- Síntesis de voz: El último bloque es el sistema de síntesis de voz. En este
bloque existen dos tecnologías principales: la síntesis concatenativa que se
basa en segmentos grabados de voz humana real y la síntesis por
formantes que se basa en crear una onda de sonido partiendo de cero
configurando las frecuencias y las demás características.
Una vez encontradas las unidades mínimas tanto en el de síntesis
concatenativa como en el de síntesis por formantes, se aplica un pos
procesado segmental. Este post-proceso tiene la función de asegurar la
34
continuidad de la entonación, la intensidad y la melodía al pasar de una
unidad mínima a otra, manteniendo el tono constante sin saltos ni defectos
fonéticos.
2.4.1 Síntesis concatenativa Existen tres tipos de síntesis concatenativas:
- Síntesis por selección de unidades: En este tipo de síntesis concatenativa
trae consigo una gran base de datos donde están almacenadas las
grabaciones del habla. La base de datos se compone de unidades que
pueden ser fonemas, silabas, palabras, frases u oraciones. Con estos datos,
se modela la onda de voz atendiendo a los datos analizados anteriormente.
El problema de esta tecnología era que para cada prosodia determinada de
la frase se tendría que elaborar y parametrizar dicha frase para unir los
distintos segmentos. La forma de unir los segmentos se revoluciono a partir
de la aparición del procesamiento segmental llamado PSOLA (Pitch-
Synchronous Over-Lap and Add).
Permite modificar la frecuencia fundamental de una señal de un modo
sencillo actuando directamente sobre la representación de la misma en el
dominio del tiempo, pudiendo utilizarse por tanto para formar la curva
prosódica de los mensajes a emitir.
Consiste en la separación de las distintas unidades, duplicando su periodo al
doble y superponiendo las unidades para que no tengan saltos cuantitativos
a la hora de la unión. Se utiliza para aumentar la naturalidad de la voz
sintética.
La síntesis por selección de unidades de propósito general (sin un tema
específico) necesita una base de datos extensa para tener una buena
calidad y naturalidad.
Es posible crear una voz natural e inteligible con una base de datos pequeña
si es con un propósito concreto sobre un determinado tema, como por
ejemplo, el sistema de aviso de una terminal de autobuses que está
determinado a decir lo mismo una y otra vez sin salirse del guion establecido.
- Síntesis por difonos: Utiliza una base de datos más compacta. Contiene
todos los difonos del lenguaje. A partir de estos difonos y atendiendo a los
parámetros obtenidos en los procesos anteriores, se realiza una búsqueda
estadística, seleccionando el difono que más se ajuste.
35
Como los difonos ya contienen una característica prosódica del lenguaje, no
es necesario realizar el proceso segmental de la unión por unidades pero si
conviene hacer un post-procesado para suavizar la unión de los mismos.
El resultado final es una voz robótica poco natural y parcialmente inteligible.
Por este motivo no se usa en aplicaciones comerciales pero si en
investigación ya que tiene programas de libre distribución
- Síntesis específica para un dominio: En esta síntesis, se tiene una base de
datos con palabras y oraciones grabadas directamente de la voz humana.
Se utiliza con fines sobre temas muy concretos, como por ejemplo un
sistema de sonido que de las horas.
En este sistema se nota mucho el cambio de entonación e intensidad entre
palabras. En cambio es uno de los sistemas más naturales que existen
puesto que la prosodia y entonación de las palabras como unidades son las
de las grabaciones originales. No es válido para oraciones de propósito
general (para cualquier tema) debido a la mínima base de datos.
2.4.2 Síntesis por formantes Esta tecnología crea zonas de concentración de energía en el espectro del sonido
sintetizado, lo que imita el sonido de la voz.
La síntesis de formantes no usa muestras de habla humana en tiempo de
ejecución. En lugar de eso, la salida se crea usando un modelo acústico. Parámetros
como la frecuencia fundamental y los niveles de ruido se varían durante el tiempo para
crear una forma de onda o habla artificial.
Se basa en la utilización de filtros para crear los distintos efectos sobre las ondas
que provocarían los aparatos fonadores humanos.
Estos filtros modifican los siguientes parámetros acústicos como muestra la
siguiente tabla
36
Tabla 2. Parámetros de la síntesis de voz
37
3. OBJETIVOS Los objetivos que se han propuesto para el presente TFG son los siguientes:
- Diseñar una solución VoIP para ofrecer un servicio vocal de consulta de
calificaciones.
- Instalar la centralita asterisk activando las funcionalidades necesarias para
la realización del servicio vocal de consulta de calificaciones.
- Describir la forma de personalizar la centralita asterisk en idioma Español
Castellano.
- Describir el proceso de instalación personalizada de la centralita asterisk
- Implementar reconocimiento vocal (speech recognition) en la centralita
asterisk usando dos alternativas diferentes. Por una parte a través de un
Script AGI escrito en Perl que hace uno de la API de reconocimiento vocal
de Google. Por otra parte a través de un servidor de reconocimiento interno
del proveedor Verbio mediante el uso de gramáticas ABNF.
- Implementar de síntesis de voz (text to speech) en la centralita asterisk
usando dos alternativas diferentes. Por una parte a través de un Script AGI
escrito en Perl que hace uso de la API de Google translate. Por otra parte a
través de un servidor interno del proveedor Verbio que realiza la síntesis de
voz
- Realizar reconocimiento de tonos DTMF en la centralita asterisk.
- Registrar terminales SIP en asterisk.
- Configurar el dialplan de la centralita asterisk para efectuar el servicio de
consulta de calificaciones.
- Utilizar la herramienta Loquendo TTS director para la creación y
manipulación de ficheros audio.
- Integrar asterisk con una base de datos Mysql.
- Crear y manipular una base de datos Mysql.
- Crear consultas para el acceso a la información por parte de la centralita
asterisk.
- Registrar la centralita asterisk con un proveedor SIP. Dicho proveedor
proporcionará un número RTB para acceder al servicio de consulta por vía
telefónica desde cualquier teléfono fijo o móvil.
38
4. MATERIALES Y MÉTODOS Para la implementación del PFG se ha utilizado un PC en el que se han
instalado y configurado los siguientes componentes:
- El sistema operativo Ubuntu server 14.04. La descarga se realiza desde la
web http://releases.ubuntu.com/14.04/
- El software asterisk con la última versión disponible 13.10.0. La descarga se
realiza desde la web de digium: http://downloads.digium.com
- El software Loquendo TTS Director para la creación de los ficheros de audio
necesarios. Este software es de pago. Para la realización del proyecto
hemos utilizado una versión de evaluación.
- Las voces en español para asterisk 13. Son los ficheros de audio que
asterisk espera encontrar para proporcionar las locuciones necesarias para
su funcionamiento. Tienen un uso libre. Las hemos descargado de la url
http://www.improvisa.com/descargas/sonidos_esp_asterisk_11.tar.bz2
- Una base de datos transaccional con motor MySQL
- La API de reconocimiento vocal de Google. Ha sido necesario registrarse en
el foro de chronium para poder tener acceso a una clave necesaria para
acceder al servicio de reconocimiento vocal de google.
- La API de Google Translate.
- El servidor de reconocimiento y síntesis de voz del proveedor Verbio
Technologies con su motor de reconocimiento y su locutor para idioma
castellano. Se crearán gramáticas ABNF para realizar el reconocimiento
vocal a través de este proveedor de reconocimiento.
- El intérprete de perl. Se crearán scripts en perl para que asterisk pueda
acceder al servicio de reconocimiento vocal y text to speech de Google a
través de AGI (Asterisk Gateway interface)
Una vez descargados todos los componentes necesarios se ha realizado la
instalación y configuración necesaria en cada uno de ellos.
El reconocimiento vocal y síntesis de voz se ha realizado a través de dos
alternativas diferentes, por una parte a través de un proveedor externo (Google) y por
otra parte a través de un proveedor interno (Verbio).
El diagrama general para implementar el servicio de consulta de calificaciones
realizando el reconocimiento vocal y síntesis de voz a través de Google es el siguiente
39
Figura 21
El diagrama general para implementar el servicio de consulta de calificaciones
realizando el reconocimiento vocal y síntesis de voz a través del proveedor verbio es el
siguiente
40
Figura 22
Los diagramas de flujo de la aplicación teléfonica diseñada, se muestran a
continuación, en ellos indicamos el nombre del fichero de audio generado mediate la
aplicación Loquendo TTS director y el contenido del mensaje que se indica. Estan
divididos en tres digramas, en el primero indicamos el flujo desde el inicio de la llamada
hasta el final del reconocimiento del DNI, en el segundo diagrama indicamos el flujo
desde el inicio del proceso de reconocimiento de asignatura hasta el final del proceso del
mismo. En el último flujo indicamos el proceso de reconocimiento de la convocatoria y la
presentación del resultado de la consulta de la calificación obtenida.
41
Figura 23. Flujo en reconocimiento de DNI
42
Figura 24. Flujo en reconocimiento de Asignatura
43
Figura 25. Flujo en reconocimiento de convocatoria y presentación de calificación obtenida
4.1 Instalación de la centralita Asterisk Se han instalado los siguientes módulos de asterisk mediante la compilación del
código fuente:
- Módulo Dahdi: ofrece los drivers necesarios al sistema operativo para que
pueda reconocer las tarjetas de telefonía y asterisk pueda utilizarlas.
- Módulo Libpri: implementa la señalización necesaria para líneas digitales.
- Módulo asterisk: ofrece todos los módulos necesarios para la
implementación de una centralita a través del sistema operativo.
Previamente a la instalación de los módulos anteriores es necesario instalar
unos paquetes que resuelven las dependencias necesarias para que la instalación de los
módulos indicados anteriormente se realice de forma correcta y no de errores.
Detallamos a continuación el proceso de instalación de asterisk, partimos de un
PC con el sistema operativo Ubuntu 14.04 instalado con el servidor ssh habilitado, una
dirección IP interna fija, el DNS configurado y con acceso a internet.
44
Una vez que nos conectamos por ssh al servidor donde instalaremos la centralita
asterisk y realizado elevación de permisos mediante el comando sudo -i
Inicialmente es conveniente actualizar el sistema mediante los comandos
apt-get update
apt-get upgrade -y
apt-get dist-upgrade -y
A continuación es necesario instalar todas las dependencias necesarias para
que la instalación de cada uno de los componentes de la centralita asterisk pueda
realizarse y no de errores. Las dependencias a instalar son las siguientes:
apt-get install -y build-essential
apt-get install -y git-core
apt-get install -y pkg-config
apt-get install -y subversion
apt-get install -y libjansson-dev
apt-get install -y sqlite
apt-get install -y autoconf
apt-get install -y automake
apt-get install -y libtool
apt-get install -y libxml2-dev
apt-get install -y libncurses5-dev
apt-get install -y unixodbc
apt-get install -y unixodbc-dev
apt-get install -y libasound2-dev
apt-get install -y libogg-dev
apt-get install -y libvorbis-dev
45
apt-get install -y libneon27-dev
apt-get install -y libsrtp0-dev
apt-get install -y libspandsp-dev
apt-get install -y libmyodbc
apt-get install -y uuid
apt-get install -y uuid-dev
apt-get install -y sqlite3
apt-get install -y libsqlite3-dev
Figura 26. Captura tras instalar el paquete build-essential requerido como dependencia para la
instalación de asterisk
Una vez instaladas es conveniente reiniciar el equipo mediante el comando
shutdown -r now
Una vez reiniciado el equipo instalaremos los componentes en el siguiente orden:
1. Módulo de Dahdi
2. Módulo de Libpri
3. Asterisk
4. Sonidos en Español Castellano para asterisk
Instalación del módulo de dahdi
46
cd /usr/src
wget http://downloads.asterisk.org/pub/telephony/dahdi-linux-complete/dahdi-
linux-complete-current.tar.gz
tar xvfz dahdi-linux-complete-current.tar.gz
cd dahdi-linux-complete-2.11.1+2.11.1/
make all
make install
make config
Figura 27. Captura tras instalar el módulo DAHDI
Instalación del módulo de Libpri
cd /usr/src
wget http://downloads.asterisk.org/pub/telephony/libpri/libpri-current.tar.gz
tar xvfz libpri-current.tar.gz
cd libpri-1.5.0
make
make install
47
Figura 28. Salida de comandos make y make install en instalación de libpri
Instalación de Asterisk
cd /usr/src
wget http://downloads.asterisk.org/pub/telephony/asterisk/asterisk-13-
current.tar.gz
tar xvfz asterisk-13-current.tar.gz
cd asterisk-13.9.1
./configure
make menuselect
make
make install
make config
make samples
ldconfig
48
Figura 29. Salida del comando ./configure en instalación de asterisk
Figura 30. Selección de módulos a instalar/desinstalar tras ejecutar comando make menuselect
49
Para seleccionar el módulo es necesario pulsar enter. Si dicho módulo aparece
con un carácter “*” significa que el modulo está cargado, si no está el carácter “*” significa
que dicho módulo no está cargado. Los respectivos módulos se pueden incluir o eliminar
pulsando la tecla espacio. Para ir al nivel inferior es necesario pulsar enter. Para grabar
cambios al finalizar se pulsa “Y” cuando se solicite.
Figura 31. Channel drivers de diferentes protocolos de señalización VoIP
50
Figura 32. Salida del comando make en instalación de asterisk
Figura 33. Salida tras instalación de asterisk
51
Instalación de sonidos en español para asterisk:
cd /var/lib/asterisk/
mv sounds sounds-originales
wget http://www.improvisa.com/descargas/sonidos_esp_asterisk_11.tar.bz2
bzip2 -dc sonidos_esp_asterisk_11.tar.bz2 | tar -xv
Este último comando creará un directorio llamado sounds
cd sounds
chmod 664 * -R
find ./ -type d -exec chmod 775 {} \;
Si todas las acciones anteriores se han realizado correctamente ya se dispone
de la centralita asterisk operativa con las voces en español instaladas.
Para arrancar la centralita asterisk se ejecutará el comando:
/etc/init.d/asterisk start
Figura 34. Inicio de servicio asterisk
Si está correctamente arrancado será posible conectarse a la consola a través
del comando:
Asterisk –rvvvvvvvvvvvvvvvvvvvvvvvv
Figura 35. Conexión a consola de asterisk
52
4.2 Instalación y configuración del motor de base de datos
La instalación del motor de base de datos Mysql se realiza mediante el comando:
apt-get -y install mysql-server
Una vez instalado se comprobará que se tiene acceso a la base de datos a
través del usuario root creado en el proceso de instalación anterior, para ello se ejecutará
el comando
mysql -p -u root
Y se introducirá la password que se definió en el proceso de instalación para el
usuario root.
Se proporcionarán todos los privilegios al usuario root, para ello desde la consola
de mysql se ejecutarán los siguientes comandos:
GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY ‘password’;
FLUSH PRIVILEGES;
Crearemos una base de datos llamada ‘universidad’, para ello ejecutaremos el
comando:
CREATE DATABASE universidad;
Crearemos un usuario de acceso a base de datos al que llamaremos “asterisk”
con una contraseña “password” y le daremos los privilegios necesarios para realizar
operaciones en la base de datos ‘universidad’
CREATE USER 'asterisk'@'localhost' IDENTIFIED BY 'password';
GRANT ALL PRIVILEGES ON universidad.* TO 'asterisk'@'localhost';
Una vez creado el usuario asterisk comprobaremos que puede conectarse al
servidor mysql y puede acceder a la base de datos ‘universidad’.
mysql -p -u asterisk
53
Figura 36. Conexión de usuario asterisk a bbdd universidad
Este será el usuario que configuraremos en la centralita asterisk para el acceso
a la base de datos a través del conector odbc.
4.2.1 Configuración del conector odbc en asterisk El conector odbc es una capa de abstracción que permite que asterisk pueda
comunicarse con diferentes motores de bases de datos sin necesidad de requerir un
desarrollo adicional en función del motor de base de datos a utilizar.
Antes de realizar la configuración del conector es necesario descargar los
paquetes de dependencias necesarios para que la configuración se realice correctamente
y no dé errores.
Para el sistema operativo Ubuntu las dependencias a instalar son las siguientes:
apt-get install -y unixODBC
apt-get install -y unixODBC-dev
Una vez instaladas las dependencias necesarias, es necesario realizar la
configuración del driver odbc para Mysql. Para ello es necesario incluir la configuración
necesaria en el fichero /etc/odbcinst.ini.
En el sistema operativo Ubuntu, este fichero no existirá, por tanto será necesario
crearlo a través del comando
touch /etc/odbcinst.ini
Una vez creado el fichero, será necesario editarlo con la configuración necesaria.
La configuración a introducir es la indicada en la figura 48.
54
Figura 37. Configuración de drivers a usar por conector odbc para MySQL
El siguiente paso es realizar la configuración en el fichero /etc/odbc.ini, el cual se
usa para crear un identificador que asterisk podrá usar como referencia en su
configuración para tener acceso a la base de datos a través del conector odbc.
La configuración necesaria a introducir en el fichero /etc/odbc.ini es la indicada
en la figura 49. Es necesario incluir una descripción, el driver que se usará (deberá estar
configurado en el fichero /etc/odbcinst.ini, en nuestro caso el identificador del driver es
“MySQL”) el puerto TCP de conexión a la base de datos (por defecto en MySQL es el
3306), el nombre de la base de datos a conectar (en nuestro caso llamada “universidad”).
La dirección IP del servidor donde residirá el motor de base de datos (en nuestro caso
residirá en la máquina local donde también estará instalado asterisk) y la ruta del
fichero .sock de Mysql.
Figura 38. Configuración del conector odbc de acceso a la base de datos Mysql
Para verificar que es posible conectar a la base de datos “universidad” a través
del conector odbc creado anteriormente se puede ejecutar el comando indicado en la
fichera 49. Para ello se usará el nombre del conector odbc creado (“asterisk-conector”), el
usuario de conexión a la base de datos (usaremos el usuario “asterisk” para conectar a la
base de datos Mysql) y la password de dicho usuario de acceso a la base de datos
(omitiremos el password por seguridad).
55
Figura 39. Verificación de conexión a BBDD a través de conector odbc
De esta forma ya está configurado y operativo el conector odbc para que asterisk
pueda hacer uso de él para acceder a la base de datos Mysql.
El siguiente paso es verificar que los módulos odbc de asterisk están instalados
para que el propio asterisk pueda hacer uso de ellos para acceder a la base de datos.
Los módulos que son necesarios son “res_odbc” y “func_odbc”
Para ello realizaríamos siguientes pasos:
Acceder al directorio donde están los ficheros fuente de asterisk, en nuestro
caso /usr/src/ asterisk-13.9.1
Ejecutar el comando “./configure”
Ejecutar el commando “make menuselect”
Seleccionar “dialplan functions”
Verificar que el modulo “func_odbc” está instalado
56
Figura 40. Verificación de módulo func_odbc instalado en asterisk
Ir al nivel inferior pulsando el botón “Escape” y seleccionar “Resource modules”
Verificar que el módulo res_odbc está instalado
57
Figura 41. Verificación de módulo res_odbc instalado en asterisk
En caso necesario seleccionar ambos módulos y salvar los cambios.
En caso necesario realizar la instalación de ambos módulos con el comando
“make install”
Una vez realizada la comprobación que los módulos de asterisk necesarios para
conectar a la base de datos por odbc están instalados, el siguiente paso es configurar el
fichero /etc/asterisk/res_odbc.conf para permitir a asterisk conectarse a la base de datos
a través del conector odbc. En este fichero se definen varios parámetros que usarán otros
módulos de asterisk para conectarse a la base de datos.
El contenido del fichero res_odbc.conf en nuestro caso es el siguiente:
[asterisk]
enabled => yes
dsn => asterisk-connector
username => asterisk
password => Password_acceso_a_bbdd_usuario_asterisk
pre-connect => yes
58
Una vez realizada la configuración necesaria en el fichero res_odbc.conf
tendremos que hacer que asterisk aplique los cambios, para ello se ejecutará el comando:
Asterisk –rx “reload”
De esta forma asterisk releerá todos sus ficheros de configuración aplicando los
cambios que se hayan efectuado en los mismos.
Para comprobar que el conector odbc está configurado correctamente y asterisk
tiene acceso a la base de datos ejecutaremos el comando:
Asterisk –rx “odbc show”
Si la salida es similar a la mostrada en la figura 52, la configuración es correcta.
Figura 42. Verificación de conexión correcta de asterisk a BBDD por odbc
De esta forma ya está configurado asterisk para tener acceso a la base de datos
“Universidad” a través del conector odbc usando el usuario de acceso a base de datos
llamado “asterisk”.
El siguiente paso es definir las consultas necesarias a base de datos en el
fichero func_odbc.conf. Indicaremos la configuración en apartados posteriores.
4.2.2 Diseño de la base de datos Se ha creado una base de datos llamada universidad con dos tablas. Una tabla
llamada Alumno con los datos de información de los alumnos y otra tabla llamada
Asignatura con los datos de las asignaturas. Se han creado las consultas SQL necesarias
para la implementación de la consulta de información de calificaciones.
Crearemos las tablas ALUMNO y ASIGNATURA mediante los comandos
USE universidad;
CREATE TABLE ALUMNO;
59
CREATE TABLE ASIGNATURA;
La definición de los campos de la tabla “ALUMNO” serán los siguientes:
DNI NUMERIC(8) NOT NULL,
NOMBRE VARCHAR(30),
APELLIDO1 VARCHAR(30),
APELLIDO2 VARCHAR(30),
EMAIL VARCHAR(30),
TELEFONO NUMERIC(12),
DIRECCION VARCHAR(40),
CIUDAD VARCHAR(30),
La definición de los campos de la tabla “ASIGNATURA” serán los siguientes:
ID INTEGER(6) NOT NULL AUTO_INCREMENT,
NOMBRE VARCHAR(60),
TITULACION VARCHAR(40),
CONVOCATORIA VARCHAR (20),
CREDITOS NUMERIC(2,1),
CALIFICACION VARCHAR(20),
NOTA NUMERIC(2,1),
DNIALUMNO NUMERIC(8),
60
El diagrama entidad relación de la base de datos es el siguiente
Figura 43. Diagrama Entidad-Relación de BBDD creada
Se han introducido en la base de datos los siguientes valores en la tabla Alumno.
El objetivo ha sido introducir diversos números de DNI para comprobar el correcto
reconocimiento del mismo.
Figura 44. Datos introducidos en la tabla ALUMNO
61
De esta forma el contenido de la tabla alumno es el siguiente:
Figura 45. Contenido de la tabla ALUMNO
En la tabla ASIGNATURA se han introducido los siguientes datos. El objetivo ha
sido introducir diversos nombres de diferentes asignaturas con los datos de la calificación
obtenida en una determinada convocatoria (ordinaria o extraordinaria)
Figura 46. Datos introducidos en la tabla ASIGNATURA
De esta forma el contenido de la tabla asignatura es el siguiente:
62
Figura 47. Contenido de la tabla ASIGNATURA
De esta forma, con los datos introducidos ya se dispone de la información
necesaria en la base de datos para que asterisk pueda acceder a ella y tras efectuar el
reconocimiento de voz del número de DNI, de la asignatura y de la convocatoria a
consultar, pueda ofrecer la calificación y la nota obtenida almacenada en la base de datos.
4.3 Estudio de alternativas de reconocimiento vocal con asterisk
Para realizar el reconocimiento vocal se han estudiado diversas alternativas
existentes actualmente que puedan realizar el reconocimiento en idioma español
castellano y que puedan utilizarse con asterisk.
El proceso de reconocimiento vocal habitualmente conocido como ASR
(Automatic Speech Recognition) es un proceso por el cual el sistema espera que el
usuario hable y una vez finalizado el reconocimiento, el sistema realiza una transcripción
de lo indicado por el usuario, devolviendo las palabras reconocidas en modo texto. En
este proceso de reconocimiento hay una puntuación proporcionada por el motor de
reconocimiento que mide la probabilidad de haber efectuado un correcto reconocimiento.
Generalmente este valor va entre 0 y 1 y un valor superior a 0.9 suele ser válido para que
el reconocimiento efectuado haya sido correcto.
En el reconocimiento vocal es habitual, para simplificar las operaciones de
transcripción, limitar el vocabulario que puede utilizar el usuario, de forma que resulte
más sencillo para el reconocedor, realizar el proceso de búsqueda con un diccionario de
palabras menor, utilizando un rango de palabras o frases específicas para realizar el
reconocimiento.
63
Para realizar el reconocimiento vocal es crucial que el motor seleccionado pueda
implementar el reconocimiento vocal en idioma español y pueda integrarse con asterisk.
Tras realizar una extensa búsqueda en internet sobre sistemas de
reconocimiento vocal con soporte para idioma español y que puedan utilizarse junto con
asterisk comprobamos que pueden usarse dos alternativas:
- Que el proceso de reconocimiento se efectúe por un servidor externo que
preste el servicio de reconocimiento y pueda ser accesible por asterisk, por
ejemplo a través de un script de AGI.
- Que el proceso de reconocimiento se efectúe por un motor de
reconocimiento configurado internamente en la misma red que el servidor
asterisk y que pueda integrarse con el propio asterisk.
4.3.1 Proceso de reconocimiento mediante servidor externo En el caso que el reconocimiento vocal se efectúe por un servidor externo,
existen varias alternativas, en todas ellas es posible acceder al servicio de
reconocimiento vocal a través de una API HTTP REST. Entre las empresas que
actualmente ofrecen este servicio destacan las siguientes:
- AT&T: Servicio speech recognition REST API: Es necesario registrarse en
su web para desarrolladores. Es necesario realizar un pago de 99$ anuales
más tasas por uso del servicio de reconocimiento vocal. Un ejemplo de uso
de esta API es:
En este ejemplo se envía el fichero de audio red_dress.wav por https al
servidor api.att.com/speech/v3/speechToText con las cabeceras indicadas,
el servidor devolverá a través de, por ejemplo una variable JSON, la posible
transcripción del audio detectado y un valor entre 0 y 1 que indicará la
probabilidad de haber realizado una transcripción correcta.
- NUANCE: Servicio Nuance speech recognition REST API: Es necesario
registrarse en su web para desarrolladores. Un ejemplo de uso de esta API
es:
64
Este ejemplo es similar al anterior, en este caso se envía al servidor una
cabecera indicando el tipo de códec, los bits usados y la tasa de codificación.
- GOOGLE: Uso de la speech API de google. Por el momento no es un
servicio en producción de google. No hay un documento oficial sobre la API.
Es necesario registrarse en el grupo de desarrolladores de chronium para
poder obtener una clave necesaria para poder realizar el reconocimiento. Un
ejemplo de uso de esta API es:
En este ejemplo se envía el fichero de grabación red_dress.flac ya que
google únicamente admite ficheros con códec flac para realizar el
reconocimiento.
- IBM WATSON: Uso de IBM speech recognition REST API. Es necesario
registrarse en la web https://console.ng.bluemix.net/. Un ejemplo de uso de
esta API es:
- WIT: Esta herramienta es más para procesamiento de lenguaje natural (NLP
natural language processing) que para reconocimiento de voz. Es necesario
tener cuenta en Github. El objetivo de esta herramienta es ser capaz de
“enteder” los mensajes reconocidos. Un ejemplo de uso puede ser en
reproducir la canción “Jingle Bells” si el usuario dice “Robot, quiero escuchar
una canción de navidad”. Un ejemplo de uso de esta API es:
65
Una empresa llamada Grid Dynamics ha realizado a finales del año 2015, un
estudio comparativo entre todos los motores de reconocimiento indicados anteriormente.
Para la realización del estudio han utilizado más de 3000 frases cortas del tipo “vestidos
rojos”, “pantalones Calvin Klein”, etc, realizadas por personas de diferentes edades, sexo,
diferente ruido de ambiente, etc y los resultados que obtuvieron fueron que el motor de
reconocimiento de GOOGLE es el que mejor resultado de reconocimiento proporcionó.
Esta empresa publicó dos gráficas con los resultados de las pruebas de
reconocimiento. En una de las gráficas se mide la tasa de error en reconocimiento de
palabras. El motor que más baja tasa tiene de error en el reconocimiento es el de Google.
En la otra gráfica se mide el número de frases exactas reconocidas de forma exacta por
el motor de reconocimiento. Al igual que antes el motor de google es el que más frases
exactas reconoció.
Figura 48. Tasa de error en reconocimiento de palabras
Fuente: www.griddynamics.com
66
Figura 49. Porcentaje de frases exactas reconocidas
Fuente: www.griddynamics.com
Utilizaremos el motor de reconocimiento externo de google para la realización del
presente proyecto.
4.3.2 Proceso de reconocimiento mediante servidor interno También es posible realizar el reconocimiento vocal a través de un servidor de
reconocimiento ubicado en la misma red interna donde reside el servidor asterisk. Para
ello es necesario utilizar un motor de reconocimiento que sea compatible con asterisk y
que disponga de reconocimiento en idioma español. Tras consultar en internet las
diferentes alternativas posibles, indicamos las más relevantes.
- Lumenvox: Es una empresa americana. Actualmente es el partner oficial de
digium para ofrecer ASR en asterisk. Require licencia.
- Verbio: Es una empresa española especializada en ofrecer motores de
reconocimiento para uso telefónico. La integración con asterisk está
certificada. Requiere licencia.
- Nuance: Es una empresa americana. Su motor de reconocimiento es muy
potente. Es difícil acceder a su forma de configuración para uso
experimental. Requiere Licencia
67
- E-speak: Es de uso libre. Presenta el problema que para idioma español el
reconocimiento no es excesivamente potente.
- Omilia: Es una empresa griega que ofrece soluciones de reconocimiento
vocal y de lenguaje natural. Requiere licencia. Al igual que Nuance es muy
difícil acceder a la configuración para uso experimental ya que no ofrece un
portal para poder descargar su producto de reconocimiento.
En el presente proyecto usaremos también un servidor interno para el
reconocimiento de voz, del proveedor Verbio.
4.4 Alternativas para síntesis de voz en Asterisk Un sistema Text To Speech (Texto a Conversación), también llamado TTS, es una
aplicación que convierte un texto escrito a audio, permitiendo a un invidente visual
escuchar un documento, un email o incluso llamar a un número de teléfono y poder
escuchar una información que previamente alguien ha escrito.
Indicamos a continuación algunos TTS que funcionan en español y pueden
utilizarse con asterisk:
- Festival: Es una aplicación desarrollada principalmente en lenguaje C/C++ y
creada en la Universidad de Edinburgo (UK). Es capaz de reproducir
cualquier texto en audio, permitiendo escuchar un documento, etc. Es
software libre. Se basa en la tecnología concatenativa por difonos. En
idioma español es muy recomendable utilizar unos locutores diferentes
desarrollados a petición de la Junta de Andalucía y distribuidos libremente
bajo el nombre de “hispavoces”. Estos locutores desarrollados por la junta
de Andalucía son los que incorpora la distribución de asterisk Elastix para
Festival en Español.
- E-Speak: es software libre y es el motor de voz que ofrece accesibilidad a
invidentes en sistemas Linux. Es posible usarlo junto con asterisk en idioma
español.
- Verbio TTS: Con bastante mejor calidad y soporte, requiere licenciamiento.
Es uno de los motores de síntesis de voz más utilizados en el mundo
empresarial junto con asterisk.
- Google TTS: A través de AGI es posible utilizar el servicio de traducción de
google en el idioma español para reproducir una frase, posteriormente se
68
descarga el fichero de audio reproducido, se convierte a un formato de audio
“entendible” por asterisk y se reproduce este fichero de audio.
- Loquendo TTS: una compañía italiana, es popular por ser de las primeras en
disponer de una demo pública. Fue comprada por la empresa Nuance en el
año 2011. Este software tiene diccionarios para español en varios acentos.
Loquendo TTS dispone de voces verdaderamente naturales que pueden leer
cualquier texto. Incorpora una voz clara y agradable, tiene base de datos
para masculino y femenino e incluso para distintos acentos de un mismo
idioma (Español Castellano-Argentino-Mejicano, Ingles Británico-Americano,
etc.). Tiene soporte para Windows y Linux. Su motor de transcripción es muy
potente.
En el presente proyecto utilizaremos la síntesis de voz proporcionada por el
servicio de Google TTS. Utilizaremos un script en perl para implementar la síntesis de voz
usando el servidor de traducciones de google.
También usaremos un servicio de síntesis de voz a través de un servidor interno
del proveedor Verbio.
Utilizaremos también el motor de síntesis Loquendo TTS en un equipo Windows
para generar las locuciones específicas que necesitaremos para la implementación
práctica del proyecto.
4.5 Implementación del reconocimiento vocal en asterisk
Inicialmente vamos a detallar el proceso de reconocimiento vocal haciendo uso
del servicio externo de reconocimiento vocal de Google, posteriormente se detallará el
proceso de reconocimiento vocal haciendo uso del servicio de reconocimiento vocal
interno del proveedor Verbio.
Para poder utilizar la API de reconocimiento vocal de google, es necesario obtener
una clave para poder realizar las peticiones HTTPS al servidor de reconocimiento de
google.
Para obtener la clave necesaria, es necesario registrarse en el grupo de
desarrolladores de Chronium. Para ello es necesario disponer de una cuenta en Gmail.
69
Una vez que se dispone de una cuenta en Gmail la url en la que es posible
hacerse miembro del grupo de desarrolladores de chronium es la siguiente:
https://groups.google.com/a/chromium.org/forum/#!forum/chromium-dev
Chromium es el proyecto de código abierto que utiliza el navegador Google
Chrome para obtener parte de su código fuente.
Una vez que se ha realizado la inscripción al grupo de desarrolladores de
Chronium, es necesario crear un proyecto dentro del grupo de desarrolladores de Google,
para ello es necesario ir a la siguiente url
https://console.developers.google.com
Una vez que hemos creado el proyecto y le hemos dado un nombre, podemos
buscar “speech api” y activarla
Figura 50. Activación de la API de reconocimiento de Google
Posteriormente en la sección de credenciales podremos obtener la key a usar en
las peticiones de reconocimiento (omitimos el contenido de la key por seguridad)
Figura 51. Clave a usar en las peticiones https a la API de reconocimiento de Google
70
Una vez que se dispone de una clave válida para el uso de la API de
reconocimiento vocal, el siguiente paso es comprobar el funcionamiento. Para ello
utilizaremos un fichero de audio grabado en formato .wav en cuyo contenido se dice:
"indique la convocatoria de la que desea obtener la calificación”. El objetivo es pasar al
motor de google el fichero de audio en formato .flac y que el motor de google devuelva el
texto transcrito correcto con el contenido del fichero de audio.
Antes de efectuar la prueba es necesario instalar en el sistema operativo dos
paquetes necesarios como dependencias, por una parte para que el sistema operativo
pueda codificar audio en formato flac y por otro un software llamado sox para poder pasar
de un formato .wav a formato .flac (necesario para que google pueda realizar la
transcripción a texto).
Free Lossless Audio Codec (FLAC) es un códec de audio que permite comprimir
audio digital sin pérdidas de forma que es posible reducir el tamaño del archivo de audio
sin que se pierda ningún tipo de información. El audio digital comprimido por el algoritmo
de FLAC se puede reducir de 50 a 60% respecto a su tamaño original. La desventaja es
que el archivo ocupa mucho más espacio del que se obtendría en caso de aplicar un
algoritmo de compresión con pérdida.
Para instalar las dependencias efectuamos los siguientes comandos:
apt-get -y install perl
apt-get -y install libwww-perl
apt-get -y install libjson-perl
apt-get -y install flac
apt-get -y install sox
Una vez instaladas inicialmente se convertirá con sox el fichero que se desea
convertir (en nuestro caso el fichero tiene el nombre “indicar_convocatoria.wav” y el
fichero convertido se almacenará en la ruta /tmp y tendrá el nombre grabación_asr.flac
Figura 52. Conversión de formato a .flac con sox
71
Una vez realizada la conversión podemos ver el formato de ambos ficheros a
través del comando de Linux file
Figura 53. Formatos de ficheros de audio .wav y .flac
Una vez que disponemos del fichero de audio en formato .flac realizaremos
petición al servidor de reconocimiento de google para comprobar el valor devuelto con el
audio transcrito, para ello efectuamos el comando:
wget --post-file /tmp/grabacion_asr.flac --header='Content-Type: audio/x-flac; rate=8000' -
O - 'http://www.google.com/speech-api/v2/recognize?lang=es_ES&key=Clave'
Siendo la salida de dicho comando la mostrada en la figura 61.
Figura 54. Petición https a la API de reconocimiento de Google
72
El resultado de la petición es una variable JSON devuelta con el siguiente
contenido:
{"result":[]}
{"result":[{"alternative":[{"transcript":"indique la convocatoria de la que desea obtener la
calificación","confidence":0.9627533},{"transcript":"invite la convocatoria de la que desea
obtener la calificación"},{"transcript":"índice la convocatoria de la que desea obtener la
calificación"},{"transcript":"Inditex la convocatoria de la que desea obtener la
calificación"},{"transcript":"indie te la convocatoria de la que desea obtener la
calificación"}],"final":true}],"result_index":0}
Donde la variable “transcript” inicialmente muestra la transcripción más probable
de contenido del fichero, en este caso el valor inicial es: “indique la convocatoria de la
que desea obtener la calificación". Dentro de la variable JSON también hay una variable
llamada confidence cuyo valor estará entre 0 y 1. Cuanto más se aproxime a 1 mayor
será la probabilidad de haber efectuado una transcripción correcta. En el ejemplo anterior
el valor de la variable confidence es 0.9627533 lo cual indica una probabilidad de acierto
muy elevada. De forma general si el valor de la variable confidence es superior a 0,90 la
transcripción se habrá efectuado de forma correcta en la mayoría de los casos.
JSON (JavaScript Object Notation) es un formato de texto ligero para intercambiar
datos. JSON es un subconjunto de la notación literal de objetos de JavaScript aunque
hoy, debido a su extensa adopción como alternativa a XML, es considerado un formato
de lenguaje independiente.
Realizamos varias pruebas de transcripción y comprobamos que el motor de
reconocimiento de google tiene una muy buena tasa de acierto para el reconocimiento,
realizando una transcripción correcta en la mayoría de los casos.
Una vez comprobado el correcto funcionamiento de la API de reconocimiento de
google el siguiente paso es realizar un script AGI que se encargue de realizar el
reconocimiento y almacenar los resultados de la transcripción y de la probabilidad de
acierto en dos variables y que el dialplan de asterisk pueda utilizarlas. Una variable se
llamará UTTERANCE y almacenará el valor del texto transcrito y otra variable se llamará
CONFIDENCE y almacenará el valor entre 0 y 1 con la probabilidad de haber efectuado
una correcta transcripción.
73
Realizamos el script utilizando el intérprete de Perl. Una vez creado el script lo
dejamos en la ruta donde asterisk espera encontrar los scripts AGI (/var/lib/asteris/agi-
bin).
El flujo del proceso que ejecuta el script está representado en la figura 62
Figura 55. Etapas en script .AGI usado para el reconocimiento vocal
Para realizar el reconocimiento vocal a través de un servicio de reconocimiento
interno mediante el proveedor Verbio es necesario realizar las siguientes tareas:
- Descargar los componentes necesarios desde la web http://www.verbio.com
para ello es necesario registrarse como usuario. Posteriormente este
proveedor enviará un email con los datos de acceso para poder realizar la
descarga de los componentes necesarios.
- Compilar asterisk haciendo uso de las aplicaciones de verbio para realizar el
reconocimiento vocal
- Crear las gramáticas necesarias para realizar el reconocimiento vocal
específico que se desee implementar
- Configurar el dialplan de asterisk para hacer uso de las aplicaciones de
reconocimiento vocal de verbio.
Los componentes que será necesario descargar serán los siguientes:
74
- Servidor de voz ASR & TTS verbio VoxServer cliente y servidor. En nuestro
caso descargaremos la última versión 9.04 para arquitectura de 64bits y para
el sistema operativo basado en debían/Ubuntu.
- Idioma de reconocimiento para español castellano. En nuestro caso
instalaremos la versión 9.04 para el sistema operativo basado en
debían/Ubuntu
- Locutores de síntesis en español castellano. En nuestro caso usaremos el
locutor Carlos con calidad telefónica a 8khz y el sistema operativo
debían/Ubuntu.
- Integración Verbio con Asterisk. En este caso se instalará la última versión 4.2
para el entorno debían/Ubuntu
Una vez descargados todos los componentes necesarios será necesario leer
detenidamente el fichero de descripción de instalación que existe en el fichero
descargado de integración de Verbio con asterisk. En este fichero se indica la forma de
efectuar la instalación de Verbio en un entorno Linux basado en debían/Ubuntu, la forma
de compilar asterisk para que pueda hacer uso de verbio y las aplicaciones de verbio que
pueden usarse en asterisk para implementar el reconocimiento de voz.
La instalación de los componentes de verbio en el sistema operativo se realiza de
la siguiente forma:
1. Dpkg –i verbio-engines_9.04_amd64.deb
2. Dpkg –i verbio-clients_9.04_amd64.deb
3. Dpkg –i verbio-asr-es_9.04_amd64.deb
4. Dpkg –i verbio-tts-carlos-eseb_9.04_amd64.deb
De esta forma ya estará instalado el servidor de reconocimiento vocal y text to
speech, el reconocimiento vocal en idioma español castellano y el locutor de síntesis
Carlos en idioma español.
Posteriormente será necesario compilar asterisk para que pueda hacer uso del
módulo de reconocimiento vocal y text to speech de Verbio. Para ello una vez que
descargamos la carpeta de integración de verbio y asterisk, tendremos que realizar las
siguientes acciones:
- Copiar el fichero 'app_verbio_speech.c' a la carpeta 'apps' de los ficheros
fuente de Asterisk situados en la ruta /usr/src/asterisk-13.10.0.
- Editar el fichero 'Makefile' de la carpeta /usr/src/asterisk-13.10.0/apps y añadir
justo antes de la etiqueta 'all' el siguiente contenido:
75
MENUSELECT_DEPENDS_app_verbio_speech+=VOX
VOX_LIB=-lvoxlib
_ASTCFLAGS+=-DASTERISK_VERSION_NUM=130000
- Situarse en el directorio /usr/src/asterisk-13.10.0 y ejecutar el comando make
install
- Crear la carpeta de gramáticas que usará el motor de verbio
/var/lib/asterisk/verbio/gram
- Copiar el fichero 'verbio.conf' en la ruta /etc/asterisk. Se configurará este
fichero para que asterisk pueda hacer uso del servidor verbio Voxserver, del
reconocimiento en idioma español y del locutor de síntesis carlos en idioma
español castellano.
Una vez realizadas estas acciones es necesario iniciar el servicio de
reconocimiento vocal y text to speech de verbio. Este software requiere licenciamiento
aunque es posible utilizarlo en modo de evaluación en intervalos de 1 hora finalizado este
tiempo es necesario reiniciarlo para volver a tener 1 hora de reconocimiento y así
sucesivamente.
Para iniciar el servidor de reconocimiento en modo de evaluación se ejecutará el
comando
verbiod -e
Una vez iniciado el servidor de verbio será necesario reiniciar el servicio asterisk a
través de los comandos
/etc/init.d/asterisk stop
/etc/init.d/asterisk start
Una vez iniciado asterisk se podrá comprobar si las aplicaciones de verbio están
instaladas correctamente. Para ello es necesario realizar el comando de consola de
asterisk
Asterisk –rx “core show applications”
Y comprobar que asterisk tiene las aplicaciones disponibles para su uso
76
Figura 56. Aplicaciones verbio en asterisk
Una vez que las aplicaciones de verbio están instaladas, lo siguiente es crear las
gramáticas necesarias para que el motor de reconocimiento de verbio pueda usarlas.
Una gramática de reconocimiento define el universo de posibles respuestas que el
sistema puede reconocer en un determinado momento. Es el subconjunto del “lenguaje”
aceptado por el reconocedor. Por lo tanto debe haber una gramática adecuada para cada
instante del diálogo entre la persona y la máquina. Una gramática especifica el
vocabulario de palabras que el sistema puede reconocer así como las posibles
secuencias en que éstas se pueden combinar.
Existen dos tipos de gramáticas. Por una parte gramáticas con listas de palabras
aisladas y por otra parte gramáticas ABNF (augmented Backus-Naur Form).
ABNF es un metalenguaje basado en BNF (Backus-Naur Form) pero consistente
en una sintaxis y reglas propias. Se utiliza en protocolos de comunicación bidireccional.
Está definido en la RFC 5234. BNF es una de las principales técnicas de notación para la
creación de gramáticas de reconocimiento.
La gramática de lista de palabras es la más sencilla para el reconocimiento del
habla. Verbio permite usar ficheros de texto consistentes en listas de entradas (cada una
77
con una o más palabras), una por línea. Cada una de estas entradas se denotará como
palabra del vocabulario. Por ejemplo podemos editar un fichero llamado gram1.txt y
situarlo en la ruta /var/lib/asterisk/verbio/gram introduciendo el siguiente contenido:
Luís Fernández
José Pérez
Pepe Pérez
María Sancho
De esta forma el vocabulario estará formado por 4 palabras, una por cada línea.
En este caso cada palabra será el nombre y apellido.
Las gramáticas de reconocimiento también pueden verse como una estructura
basada en patrones que describen las posibles secuencias de palabras del vocabulario
válidas. Estas gramáticas especifican cómo se comporta el lenguaje natural en una
determinada tarea.
Las gramáticas de Verbio siguen la sintaxis descrita en la especificación de
gramáticas para el reconocimiento del habla (SRGS, del inglés Speech Recognition
Grammar Specification) por el W3C Speech Interface Framework
(http://www.w3c.org/TR/speech-grammar) en su forma Augmented BNF (ABNF).
En este tipo de gramáticas se define el patrón de palabras a reconocer, que
contiene una regla consistente en una expresión regular que contiene palabras,
referencias a otras reglas o combinaciones de ambas.
En nuestro caso será necesario implementar dos tipos de gramáticas. Por una
parte una gramática para el reconocimiento de los números de DNI (sin letra). Por otra
parte una gramática para el reconocimiento de los nombres de las asignaturas. En este
proyecto únicamente se configurará el reconocimiento para los nombres de asignaturas
de ingeniería telemática.
En el anexo 3 se detallará la creación de gramáticas ABNF, necesarias para la
implementación del reconocimiento vocal a través de la herramienta Verbio.
Finalmente es necesario configurar en el dialplan de asterisk las aplicaciones de
verbio para que asterisk pueda hacer uso de ellas. Las aplicaciones de verbio para
asterisk son las siguientes
78
- VerbioLoadVcb: Carga en memoria un vocabulario
- VerbioUnloadVcb: descarga de memoria un vocabulario
- VerbioRec: Realiza un reconocimiento vocal. Antes de invocar esta aplicación
es necesario que el vocabulario este en memoria.
- VerbioPrompt: realiza síntesis de voz de una cadena de texto o de un fichero
de audio.
- VerbioPromptAndRec: efectúa tanto síntesis de voz como reconocimiento
vocal.
- VerbioStreamAndRec: Reproduce un fichero de audio y realiza reconocimiento
vocal
- VerbioLastErr: devuelve el último error de verbio
- VerbioInfo: Devuelve información sobre el motor de verbio
- VerbioFreeChannel: libera los recursos usados por verbio, tanto de memoria
como de licencias (en el caso que estén instaladas)
Finalmente al utilizar estas aplicaciones en asterisk es posible acceder al
reconocimiento a través de unas variables de canal en las que se almacena el nombre
del DNI y de la asignatura indicada por el llamante.
El esquema general para realizar el reconocimiento vocal a través de Verbio es el
siguiente
Figura 57. Reconocimiento vocal a través de Verbio
79
Una vez implementado el reconocimiento vocal a través de Verbio es posible
realizar llamadas de prueba y comprobar el correcto funcionamiento.
Figura 58. Reconocimiento vocal a través de Verbio con gramática ABNF para DNI
Figura 59. Reconocimiento vocal través de Verbio con gramática ABNF para reconocimiento de
nombre de asignatura
80
4.6 Síntesis de voz en Asterisk En Asterisk el motor de síntesis de uso libre es Festival. Para realizar la
instalación de festival en el sistema operativo es necesario efectuar los siguientes
comandos:
apt-get install -y festival
apt-get install -y festival-dev
Posteriormente lo más recomendable es instalar las voces desarrolladas por la
junta de Andalucía para Festival en su proyecto “hispavoces”. Hay desarrolladas dos
voces una masculina (Pedro) y otra femenina (Silvia). En nuestro caso usaremos las de
Silvia. Para acceder a los ficheros de descarga es necesario acceder a la siguiente url:
https://github.com/guadalinex-archive/hispavoces/blob/master/packages/festvox-
sflpc16k_1.0-1_all.deb
Posteriormente es necesario instalar el paquete descargado accediendo a la
carpeta donde se descargó y ejecutando el comando:
dpkg -i festvox-sflpc16k_1.0-1_all.deb
Posteriormente es necesario borrar el fichero /etc/festival.scm creado
automáticamente en la instalación del paquete anterior
cd /etc
rm festival.scm
Se utilizará en su lugar el genérico de Festival (festival.scm) situado en la ruta
/usr/share/festival.
Hay que considerar que al instalar el paquete DEB con la voz, esta queda
automáticamente instalada en la ruta:
/usr/share/festival/voices/spanish/JuntaDeAndalucia_es_sf_diphone
Conocida esta información, es necesario editar el fichero
/usr/share/festival/festival.scm e incluir al final de dicho fichero el siguiente contenido:
(set! voice_default ‘voice_JuntaDeAndalucia_es_sf_diphone) (define (tts_textasterisk string mode)
81
(let ((wholeutt (utt.synth (eval (list ‘Utterance ‘Text string))))) (utt.wave.resample wholeutt 8000) (utt.wave.rescale wholeutt 5) (utt.send.wave.client wholeutt)))
(set! server_access_list ‘(“localhost\\.localdomain” “localhost”))
El parámetro voice_default es el nombre del paquete de voz que se desea
utilizar en festival, en nuestro caso voice_JuntaDeAndalucia_es_sf_diphone. El resto de
los parámetros son específicos como la frecuencia a 8000Hz y que el acceso sea desde
el propio PC, ya que festival estará instalado en el mismo servidor que asterisk.
El siguiente paso es copiar el fichero de autoarranque de festival al directorio
/etc/init.d para que arranque automáticamente el servidor festival cada vez que se inicie el
PC. Para ello se efectúan los siguientes comandos:
cp /usr/share/doc/festival/examples/festival.init /etc/init.d/festival
chmod +x /etc/init.d/festival
Antes de arrancar el servidor de Festival para Asterisk, es necesario añadir en el
fichero /etc/default/festival la siguiente línea:
RUN_FESTIVAL=yes
De esta forma ya se podrá iniciar Festival como servicio a través del comando:
/etc/init.d/festival start
Figura 60. Inicio del proceso servidor Festival
Para que el servicio festival arranque cada vez que se inicia el PC ejecutaremos
el siguiente comando
ln -s /etc/init.d/festival /etc/rcS.d/S99festival
De esta forma ya estará instalado, arrancado y disponible para su uso el servidor
de síntesis Festival.
El siguiente paso es comprobar que la centralita asterisk tiene cargado el módulo
de Festival para su uso. Para ello se efectuará el siguiente comando de consola de
asterisk
82
Asterisk –rx “module show like app_festival.so”
Si en Status aparece “Running” significa que el módulo de festival está instalado
en asterisk y puede hacer uso de él.
Figura 61. Verificación de módulo de Festival instalado en asterisk
La aplicación que ofrece el módulo app_festival.so, se encarga de conectar al
servidor Festival, lanzar el texto que se desea sintetizar a voz, y recoger el audio
generado y enviarlo al canal activo.
La sintaxis de esta aplicación es la siguiente:
Festival(‘texto_a_reproducir’,[teclas_interrupción])
Un ejemplo de uso en el dialplan de asterisk sería el siguiente:
Exten => 222,1,Festival(‘Bienvenido al servicio de consulta telefónica’)
De esta forma se configuraría la extensión 222 para que realice una petición de
síntesis de voz de la frase ‘Bienvenido al servicio de consulta telefónica’ al servidor de
festival y enviar la respuesta de síntesis al canal activo de asterisk que invocó a la
aplicación Festival.
En la aplicación Festival también es posible definir alguna tecla de interrupción
que en caso que se pulse interrumpiría el proceso de reproducción de la síntesis de voz
solicitada. En el caso que el valor sea ‘any’ cualquier tecla que se pulse desde el terminal
que efectuó la llamada interrumpiría el proceso de síntesis.
Tras comprobar la calidad de síntesis con Festival vemos que no es buena,
siendo una voz robótica poco conseguida, por lo que hemos optado por no usarla en el
presente proyecto fin de grado.
Para la implementación de la síntesis de voz hemos usado por una parte el
motor de síntesis del proveedor verbio y por otra parte el servicio de Google translate.
Es posible utilizar el servicio de google Translate como un sistema Text-To-
Speech y usarlo con asterisk.
83
A través de la url:
http://translate.google.com/translate_tts?tl=<idioma>&q=<texto_a_reproducir>.
Se puede enviar una petición de traducción en idioma español del texto que
deseamos reproducir. Una vez enviado Google devolverá un fichero con el contenido del
audio indicado.
Al igual que en el caso del reconocimiento vocal es posible implementar a través
de un script en perl la síntesis de voz a través del uso de la API de google translate.
El flujo del proceso que ejecuta el script es el siguiente
Figura 62. Etapas en script .AGI usado para la síntesis de voz
También es posible usar el motor de síntesis de voz del proveedor Verbio. Este
motor produce una síntesis de voz clara y agradable. Para realizar la síntesis de voz a
través de verbio se puede usar la aplicación VerbioPrompt de forma que un ejemplo de
síntesis es el siguiente
Exten => 444,1,VerbioPrompt(“Fundamentos físicos de la ingeniería”)
En la que asterisk al llamar a la extensión 444 ejecutaría la síntesis de voz de la frase
“Fundamentos físicos de la ingeniería” a través del motor de síntesis Verbio.
84
Tras realizar pruebas con los tres motores de síntesis (Festival, Api de google Translate y
Verbio) vemos que el tanto la síntesis a través de la API de Google translate como de
Verbio ofrecen buenos resultados.
4.7 Registro de terminales SIP en asterisk Para poder utilizar la centralita asterisk es necesario utilizar al menos un terminal
para poder ejecutar llamadas a través de la propia centralita asterisk.
En el presente proyecto utilizaremos un Teléfono IP CISCO SPA 303 que
registraremos en la centralita asterisk a través del protocolo SIP.
Inicialmente es necesario configurar en asterisk un terminal con señalización SIP.
Este tipo de señalización se configura en el fichero sip.conf situado en /etc/asterisk.
Para las pruebas configuraremos la extensión 3001 en el fichero sip.conf con la
siguiente configuración
[3001]
type=friend
host=dynamic
username=3001
secret=password3001
callerid="ILDE" <3001>
context=extensiones-internas
disallow=all
allow=alaw
qualify=yes
canreinvite=no
Con esta configuración se está definiendo un terminal de tipo friend (para recibir y
emitir llamadas a través de asterisk) con IP dinámica cuyo nombre de usuario sip es 3001
cuya password sip es “password3001”, con la identificación “ILDE” en las llamadas
salientes. Las llamadas salientes por este terminal se efectúan a través del contexto
85
llamado “extensiones-internas”. En este terminal todos los codecs están deshabilitados
excepto el códec G.711 ley A que en asterisk se denomina alaw. Está habilitada la opción
qualify=yes para que asterisk emita cada cierto tiempo un paquete SIP OPTIONS contra
el terminal y espere un paquete de respuesta, en tal caso en la consola de asterisk se
indicará OK y el tiempo en milisegundos desde que asterisk envío el paquete SIP
OPTIONS hasta que recibió la respuesta del terminal. La opción de canreinvite=no es
para que los paquetes RTP de las comunicaciones entre terminales pase por la centralita
asterisk.
Una vez realizada la configuración en el fichero sip.conf es necesario ejecutar el
comando de consola
Asterisk –rx “sip reload”
De esta forma asterisk releerá el fichero de configuración sip.conf.
El siguiente paso es conectar el teléfono IP a la red y configurarlo a través de su
interfaz web. Para conocer la dirección IP del teléfono es posible a través de los botones
del teléfono navegar hasta la opción de red y comprobar la dirección IP asignada. Por
defecto los teléfonos IP suelen estar configurados de fábrica con la opción de obtener
dirección IP a través de DHCP.
Una vez que se conoce la dirección IP del teléfono IP es posible conectarse a él
mediante la siguiente url
http://direccion_IP_telefono_IP
Una vez conectado es necesario ir a: admin login Advanced
Aparecerán varias secciones en la parte superior de la pantalla. Será necesario ir
a “Ext 1” y en la sección “Proxy and configuration” poner la dirección IP o nombre DNS
del servidor asterisk en la zona indicada como “proxy”.
Figura 63. Configuración de servidor SIP en teléfono IP Cisco SPA 303
86
Posteriormente configurar el username y el codec indicados anteriormente en
asterisk. Para ello configurar la sección “suscriber information” con el nombre “3001” la
password sip indicada en asterisk la información de Display “ILDE” y el códec G.711 ley A.
Figura 64. Configuración de usuario SIP en teléfono IP Cisco SPA 303
También es importante establecer el parámetro de paquetización RTP a 20ms
(valor 0.020) en la sección SIP RTP parameters, ya que si no se usa este valor puede
haber problemas en la calidad del audio.
Figura 65. Configuración de parámetros RTP en teléfono IP Cisco SPA 303
Una vez realizada esta configuración aplicamos y salvamos los cambios en el
teléfono IP.
Cuando guardamos los cambios el teléfono IP debería haberse registrado al
servidor SIP, en nuestro caso el servidor asterisk. Para comprobar el registro, ejecutamos
el comando
Asterisk –rx “sip show peers”
87
Si el registro del terminal sip a Asterisk se ha efectuado correctamente aparecerá
el terminal conectado con Status “OK”.
De esta forma este terminal ya está preparado para recibir y emitir llamadas a
través de la centralita asterisk mediante el protocolo SIP.
Figura 66. Registro correcto de terminal SIP IP Cisco SPA 303 en centralita asterisk
4.8 Proceso de conexión a un proveedor SIP Se ha utilizado un proveedor SIP para proporcionar una cuenta sip y un número
RTB asociado para que se pueda tener acceso al servicio implementado en la centralita
asterisk a través de la RTB.
El proveedor elegido ha sido Voz.com. Este proveedor SIP dispone de un servicio
llamado Trunk sip que tiene un coste de 9€ al mes + IVA más el coste por llamadas
salientes efectuadas.
A través de este servicio es posible crear una cuenta sip en nuestra centralita
asterisk que conecte con este proveedor para poder enviar y recibir llamadas VoIP a
través de la red de datos, siendo el proveedor Voz.com el encargado de actuar como
Gateway entre la red de datos y la PSTN. Este proveedor asocia un número RTB a la
cuenta sip contratada y proporciona los datos de conexión necesarios para que nuestra
centralita asterisk pueda registrarse correctamente contra ellos.
Inicialmente es necesario ponerse en contacto con su departamento comercial
para solicitar el servicio trunk sip. Ellos enviarán un documento solicitando varios datos
del titular que habrá que devolverles firmado por email o fax.
Una vez que se ha cumplimentado la ficha de alta con los datos necesarios, el
proveedor enviará un email con los datos de la cuenta sip para poder configurarlos en la
centralita asterisk.
En esta caso los datos de conexión que voz.com envío por email una vez dados
de alta fueron los siguientes (omitimos la información de la contraseña de la cuenta sip
por seguridad):
88
Figura 67. Datos de registro SIP enviados por proveedor Voz.com
Por seguridad es posible solicitar al proveedor sip restringir el registro de la cuenta
sip a la IP pública que tendrá nuestra centralita asterisk. Esto es válido cuando se cuenta
con una IP pública fija de acceso a internet. Desde cualquier otra dirección IP pública fija
no será posible registrarse al proveedor.
Esto es útil por si se compromete el usuario y la password de nuestra cuenta sip
con dicho proveedor, para que no pueda ser utilizada de forma fraudulenta por otra
persona desde otro equipo.
En este mismo email el proveedor voz.com envía también otro fichero de texto con
los datos de acceso personales para acceder a un portal web con algunos datos
estadísticos básicos de las llamadas cursadas por el trunk sip.
El portal web de estadísticas del proveedor es accesible a través de la url
panel.voz.com y tiene el siguiente aspecto:
89
Figura 68. Portal de estadísticas de la cuenta sip del proveedor Voz.com
En el email que envía el proveedor también aparece asignado el número RTB
asignado. Es posible solicitar un número de la provincia para el número RTB que se
desea contratar. En nuestro caso hemos solicitado un número RTB de la provincia de
Jaén. El número asignado ha sido el 953827425, por tanto este será el número RTB que
usaremos para el acceso al servicio de consulta de calificaciones desde cualquier número
RTB.
Para realizar la configuración en la centralita asterisk es necesario introducir en el
fichero sip.conf al final del mismo la siguiente configuración.
Figura 69. Datos necesarios en sip.conf para registro en proveedor SIP
90
Comentar que de forma general es necesario registrar nuestra cuenta sip en el
sistema sip del proveedor, para ello es necesario incluir al final del fichero sip.conf antes
de la configuración de los terminales sip una línea de registro con la siguiente estructura
Register => usuariosip:passwordsip@host_del_proveedor_sip/usuariosip
Posteriormente es necesario crear el terminal sip en asterisk a partir de los datos
proporcionados por el proveedor.
En general los proveedores SIP suelen indicar la configuración a introducir en el
fichero sip.conf si les comentas que vas a configurar la cuenta sip en un servidor asterisk.
Una vez introducida esta configuración para que la centralita asterisk relea el
fichero sip.conf es necesario introducir el siguiente comando de consola
Asterisk –rx “sip reload”
Para comprobar si el proceso de registro se ha efectuado correctamente es
posible efectuar dos comandos de consola. Por una parte comprobar los peers
registrados existentes en la centralita asterisk mediante el comando:
Asterisk –rx “sip show registry”
Figura 70. Comprobación de registro con proveedor sip
Si el estado de registro es “Registered” el proceso de registro se ha efectuado
correctamente.
Por otra parte comprobaremos que la cuenta sip tiene una correcta conectividad
contra el sistema del proveedor, para ellos ejecutaremos el comando:
Asterisk –rx “sip show peers”
Figura 71. Comprobación de conexión de cuenta sip de proveedor
En el caso que el status indique OK y el número de milisegundos de retardo,
significa que la cuenta sip está correctamente configurada contra el proveedor.
91
Una vez comprobados estos pasos ya se podrían realizar llamadas al número
RTB facilitado por el proveedor sip que debería entrar en la centralita asterisk.
En el caso que el registro o la conexión no se efectúen correctamente, lo más
conveniente es revisar la configuración de cuenta sip, comprobar que no existe ningún
tipo de firewall que esté cortando la salida a internet por el puerto de conexión al sistema
del proveedor (generalmente UDP 5060) y que el router de acceso a internet no tenga
activada la opción SIP_ALG. Esta opción SIP_ALG es una opción que incluyen routers de
hace varios años, pero que no implementa correctamente la configuración del protocolo
SIP, por tanto en caso que esté activada es recomendable desactivarla si se trabaja con
una centralita asterisk en esa red.
El esquema de la configuración es el siguiente:
Figura 72. Esquema de conexión con proveedor SIP y RTC
4.9 Creación de ficheros de audio personalizados Para la creación de ficheros de audio personalizados para ofrecer un
determinado servicio, ha sido necesario utilizar la herramienta Loquendo TTS disk
director. A través de esta herramienta es posible escribir frases de texto y convertirlas a
ficheros de audio entendibles por asterisk. Esta herramienta es útil para la generación de
ficheros de audio específicos para ofrecer un servicio determinado. En nuestro caso la
92
hemos utilizado para generar todos los ficheros de audio necesarios en la interactuación
hombre-máquina para el proceso de consulta de las calificaciones de los alumnos.
La herramienta Loquendo TTS disk director se instala sobre sistema operativo
Windows, por lo que hemos utilizado otro PC para instalar este software y los ficheros de
audio generados los hemos copiado en el PC de la centralita asterisk.
Una vez instalado el software Loquendo TTS accedemos al programa “Loquendo
TTS director”. A través de este software es posible escribir texto y generar su
correspondiente fichero de audio en formato .wav siendo reproducible por asterisk.
Figura 73. Inicio de software Loquendo TTS Director
Este software dispone de varios locutores en castellano. Es posible escribir el
texto deseado y pulsar el botón “play” para reproducirlo. Después de ver los diferentes
locutores disponibles en castellano, decidimos elegir el locutor “Jorge” ya que nos parece
la voz más clara y entendible.
Figura 74. Interfaz gráfico del programa Loquendo TTS Director
93
Para guardar el audio generado es necesario pulsar en File Save audio as y
guardarlo con codificación linear y con 8000Hz de frecuencia.
Figura 75. Ventana salvar audio en Loquendo TTS Director
También es posible guardar en un fichero el texto introducido que se sintetizó a
voz. Para ello ir a File save as: y almacenar el fichero con el nombre deseado
Figura 76. Ventana salvar texto en Loquendo TTS Director
94
A través de esta herramienta hemos creado todas las locuciones necesarias
para ofrecer el servicio de consulta de calificaciones.
Posteriormente hemos copiado a través del protocolo SCP (Secure Copy
Protocol) las locuciones creadas al servidor asterisk a través de la herramienta winSCP.
En el servidor asterisk las locuciones personalizadas las hemos incorporado al directorio
/var/lib/asteris/sounds/es/particular. El directorio /var/lib/asteris/sounds/es/ es donde
asterisk espera encontrar los ficheros de audio en idioma español. Se ha creado la
carpeta particular para alojar en ella todas las locuciones específicas del servicio de
consulta de calificaciones y poder así diferenciarlas del resto de locuciones que usa la
centralita asterisk
4.10 Configuración del dialplan de la centralita asterisk Para ofrecer el servicio de consulta de calificaciones es necesario realizar las
configuraciones necesarias en la centralita asterisk.
Por una parte es necesario realizar la configuración necesaria en el dialplan de
asterisk, editando de forma conveniente el fichero extensions.conf. Por otra parte es
necesario editar el fichero func_odbc.conf para que asterisk pueda realizar las consultas
necesarias a la base de datos “universidad” para la consulta de las calificaciones.
Inicialmente es necesario configurar en asterisk el idioma español como idioma
por defecto. Para ello en el fichero asterisk.conf es necesario establecer la variable
defaultlanguage = es
Posteriormente es necesario reiniciar asterisk a través de los comandos:
/etc/init.d/asterisk stop
/etc/init.d/asterisk start
De esta forma asterisk utilizará los sonidos en español.
Posteriormente es necesario realizar la configuración necesaria en el fichero
extensions.conf para implementar el servicio de reconocimiento vocal.
Se definirá un contexto que se llamará “app_de_consulta_notas”. El contenido
de sus primeras líneas es el siguiente:
[app_de_consulta_notas]
95
exten => 222,1,Answer
same => n,Set(Intentos_DNI=4)
same => n,NoOp(${Intentos_DNI})
same => n,PlayBack(Particular/Bienvenida1)
same => n(dni),PlayBack(Particular/indicar_DNI)
same => n,agi(rec_vocal.agi,es-ES,4,,NOBEEP)
same => n,Verbose(1,Lo que dijiste fue: ${utterance})
same => n,Verbose(1,La probabilidad de ser correcto es: ${confidence})
Revisando estas líneas se aprecia que en el contexto “app_de_consulta_notas”
se define la extensión 222 y en la primera prioridad se ejecuta la aplicación “Answer” que
descuelga el canal. Posteriormente se ejecuta la apliación Set que establece la variable
llamada Intentos_DNI al valor 4.
La aplicación NoOp no realiza ninguna acción simplemente se introduce para
que en los logs de consola de asterisk pueda verse el contenido de la variable
Intentos_DNI.
Posteriormente se ejecuta la aplicación Playback que reproduce un fichero de
audio, el fichero de audio está situado en la ruta /var/lib/asterisk/sounds/es/Particular y se
llama Bienvenida1.wav. En asterisk la ruta de los ficheros de audio es relativa al directorio
del idioma por tanto únicamente es necesario indicar Particular. Tampoco es necesario
indicar .wav en los ficheros de audio.
Después se ejecuta la aplicación agi que invoca al script rec_vocal.agi ubicado
en la ruta /var/lib/asterisk/agi-bin el cual tiene varios argumentos de entrada. Estos
argumentos son el idioma español indicado como es-ES, 4 segundos de silencio como
tiempo de timeout para detectar el fin de reconocimiento y que no se indique ningún tipo
de señal para iniciar el proceso de reconocimiento. El script establece la variable
Utterance con el reconocimiento transcrito a texto y la variable confidence con el valor
entre 0 y 1 de probabilidad de haber efectuado un reconocimento correcto.
La aplicación verbose es similar a NoOp, se utiliza para ver por la consola de
asterisk el contenido de las variables utterance y confidence que se establecen a través
del script .agi.
96
Una vez realizada la explicación de la parte inicial y de las aplicaciones utilizadas
seguimos con las siguientes aplicaciones que ejecuta el dialplan que son las siguientes:
same => n,GoSub(subQuitarEspacios,Espacio,1(${utterance}))
same => n,Set(DNIsinEspacios=${GOSUB_RETVAL})
same => n(dnipordtmf),Verbose(1,La cantidad de caracteres que tiene el DNI
introducido es:
same => n(comprob-long_dni),GotoIf($[${LEN(${DNIsinEspacios})} < 7 ]?errDNI)
same => n,NoOp(La Longitud de DNI es: ${LEN(${DNIsinEspacios})})
same => n,GotoIf($[${LEN(${DNIsinEspacios})} > 8 ]?errDNI)
same => n,NoOp(La Longitud de DNI es: ${LEN(${DNIsinEspacios})})
same => n,PlayBack(Particular/documento_indicado_es)
same => n,SayDigits(${DNIsinEspacios})
La primera aplicación que aparece es GoSub. Esta aplicación se utiliza para
llamar a una subrutina, en este caso el nombre de la subrutina a la que se llama es
“subQuitarEspacios” esta subrutina tiene una extensión que se llama Espacio y la
prioridad de la subrutina a la que se desea invocar es la 1. Se le pasa como argumento a
la subrutina el valor de la variable ${utterance}.
Una subrutina se utiliza para evitar tener que estar escribiendo en el dialplan
tareas repetitivas. De esta forma solo es necesario escribir el dialplan que ejecutará la
subrutina una única vez y llamarla desde el dialplan a través de la aplicación GoSub
cuando se desee que el dialplan vuelva a realizar lo establecido por la subrutina.
En este caso la subrutina subQuitarEspacios se encarga de eliminar los
espacios entre dígitos en el reconocimiento del DNI de forma que el DNI queda
establecido con todos los dígitos en una variable.
En la siguiente instrucción del dialplan se ejecuta la aplicación set la cual
establece una variable llamada DNIsinEspacios al valor del contenido de la variable de
canal ${GOSUB_RETVAL}. Esta variable es una variable de canal especial a la que
asterisk establece un valor cada vez que se ejecuta una subrutina. El objetivo de esta
variable es enviar al dialplan esta variable con información sobre la ejecución de la
subrutina (en caso que sea necesario) para que pueda ser utilizada posteriormente por el
97
dialplan. En el caso de la subrutina “subQuitarEspacios” en la variable
${GOSUB_RETVAL} se almacena el DNI sin espacios, el cual luego se pasa al dialplan y
se almacena en la variable DNIsinEspacios de la aplicación Set.
En la siguiente instrucción del dialplan se define la etiqueta “dnipordtmf”. El
objetivo de definir etiquetas es para que el dialplan posteriormente pueda volver a esta
instrucción en caso necesario. La aplicación verbose ya la comentamos anteriormente.
En este caso la variable: ${LEN(${DNIsinEspacios})} devuelve el número de caracteres
de la variable DNIsinEspacios.
Las siguientes aplicaciones realizan tareas ya comentadas. La última apliación
llamada SayDigits índica dígito a dígito los dígitos de la variable ${DNIsinEspacios}.
Posteriormente se efectúa una instrucción de condición llamada GotoIf y que de
forma general tiene la estructura:
GotoIf(Condición?destino_si_verdadero:destino_si_falso)
En el caso del dialplan se comprueba la longitud del dni reconocido y en el caso
que sea inferior a 7 el dialplan saltaría a la extensión con la etiqueta errDNI de esta
misma extensión (222) y este mismo contexto (app_de_consulta_notas). En el caso que
no se cumpla la condición al no estar definida la acción si falso el dialplan seguiría por la
siguiente instrucción.
El siguiente bloque de instrucciones del dialplan son las siguientes:
same => n,Read(Digito,Particular/pulse1_o_0)
same => n,NoOp(${Digito})
same => n,GotoIf($[${Digito} = 1]?:errDNI2)
same => n,Set(validaDNI=${VALIDNI_VALIDADNI(${DNIsinEspacios})})
same => n,GotoIf($["${validaDNI}"!=""]?:NoMatriculadouni)
En este grupo de instrucciones del dialplan, la primera de ellas utiliza la apliación
Read la cual se utiliza para almacenar el valor detectado por dtmf en la variable que se le
pasa como primer argumento, en nuestro caso la variable Dígito, y como segundo
parámetro se puede especificar un fichero de audio, en nuestro caso en el fichero de
audio pulse1_o_0 se indica que se pulse 1 si el DNI es correcto o 0 si no lo es. Esta
98
instrucción se utiliza para ofrecer el mensaje de validación en el número de DNI
introducido almacenando el valor pulsado por dtmf en la variable Digito.
Si la variable dígito no es uno el dialplan salta a la etiqueta ErrDNI2 y si es 1 el
diaplan continúa por la siguiente instrucción.
En la siguiente instrucción se efectúa la apliación Set pero la forma de la variable
${VALIDNI_VALIDADNI(${DNIsinEspacios})} indica que esta variable accede a base de
datos a través del conector odbc. En el fichero func_odbc.conf existe la siguiente
configuración
[VALIDADNI]
prefix=VALIDNI
dsn=asterisk
readsql=SELECT DNI FROM ALUMNO WHERE DNI = '${ARG1}'
De esta forma la sección VALIDADNI utiliza un prefijo llamado VALIDNI y realiza
la consulta indicada en la tabla alumno a la que se le pasa un único parámetro el cual se
expresa como ${ARG1}. En el caso que haber pasado más parámetros los valores serían
${ARG2}, ${ARG3}, etc.
El parámetro que le enviamos a esta consulta en la aplicación
Set(validaDNI=${VALIDNI_VALIDADNI(${DNIsinEspacios})})
Es el valor de la variable ${DNIsinEspacios} y en el caso que la consulta
devuelva algún valor este quedará almacenado en la variable validaDNI
De esta forma ya hemos visto la forma en la que se realizan las consultas en
asterisk. Inicialmente es necesario definir cada consulta que se desea realizar por parte
del diaplan en el fichero func_odbc definiendo los parámetros que se utilizarán y en el
dialplan invocar a la consulta a través del nombre de consulta y prefijo definidos en el
formato indicado en el ejemplo.
Finalmente la validación del DNI se efectúa si la consulta devuelve algún valor,
lo que significará que en la tabla alumno hay algún DNI con los datos introducidos en la
consulta.
El contenido de las consultas definidas en el fichero func_odbc.conf para la
realización del proyecto además de la indicada anteriormente es el siguiente:
99
[NUMERICA]
prefix=CALIF
dsn=asterisk
readsql=SELECT NOTA FROM ASIGNATURA WHERE NOMBRE = '${ARG1}'
AND DNIALUMNO = '${ARG2}'
[GENERAL]
prefix=CALIF
dsn=asterisk
readsql=SELECT CALIFICACION FROM ASIGNATURA WHERE NOMBRE =
'${ARG1}' AND DNIALUMNO = '${ARG2}'
De esta forma se configuran las consultas de asterisk a la base de datos.
Para ofrecer el servicio de consulta de calificaciones se van introduciendo
mensajes grabados con el flujo del servicio definido y se realizan las consultas necesarias
a la base de datos para ofrecer la calificación y la nota de la asignatura elegida para el
alumno con el DNI indicado hasta tener definidas todas las acciones posibles en el
contexto llamado app_de_consulta_notas.
Para poder probar desde el teléfono IP y llamar a la extensión 222 es necesario
añadir la siguiente línea en el contexto “extensiones-internas”
include => app_de_consulta_notas
Para ir depurando el código es necesario ir haciendo llamadas de prueba desde
el teléfono IP a la extensión 222 hasta tener el servicio operativo y con la funcionalidad
deseada.
Para que desde el número RTB asociado a la cuenta SIP del proveedor voz.com
se pueda acceder al servicio de consulta, es necesario crear el siguiente contexto con la
siguiente configuración en el fichero extensions.conf
[consulta_desde_RTB]
exten => _[*#%0-9].,1,Goto(app_de_consulta_notas,222,1)
100
El contexto “consulta_desde_RTB” es el configurado en la cuenta sip creada en
sip.conf para el usuario sip de voz.com
En este caso en el contexto consulta_desde_RTB se ha realizado un pattern
matching para todos los números llamantes, a través de la expresión _[*#%0-9].
Posteriormente mediante la aplicación Goto realizamos un salto en el dialplan al contexto
app_de_consulta_notas, extensión 222 prioridad 1 para que el dialplan se ejecute desde
ahí.
5. RESULTADOS Y DISCUSIÓN El resultado del presente TFG ha sido la creación de un servicio telefónico de
consulta de calificaciones para los alumnos matriculados en la Universidad de Jaén.
El servicio de consulta desarrollado permite a sus usuarios realizar consultar sus
notas por vía vocal obteniendo la respuesta de la calificación y la nota obtenida en la
asignatura consultada desde el momento en el que estén almacenadas en la base de
datos
Para lograrlo, se ha hecho uso del protocolo SIP, el software asterisk,
reconocimiento vocal, síntesis de voz, creación de locuciones personalizadas y creación
y diseño de base de datos.
Por un lado, se han estudiado todos los procesos necesarios para realizar la
implementación, eligiendo el considerado más adecuado para su uso en asterisk en el
presente proyecto
Por otro lado, se han realizado todas las instalaciones y configuraciones
necesarias tanto en asterisk, como en la base de datos, creando scripts para el
reconocimiento vocal y realizando la configuración del dialplan para ofrecer el servicio de
calificaciones.
El servicio de consulta de calificaciones tiene el siguiente funcionamiento:
- Se solicitará al alumno que diga su número de DNI y realizará el
reconocimiento vocal del mismo. Posteriormente ofrecerá una verificación a
través de Text to speech y confirmación por dtmf del valor reconocido. Habrá
un total de 4 intentos para el servicio de reconocimiento del DNI los dos
primeros será a través de reconocimiento vocal y los siguientes serán a
través de reconocimiento de tonos DTMF
101
- Se solicitará al alumno que diga el nombre de la asignatura de la que desea
obtener la información de la calificación y realizará el reconocimiento vocal
de la misma. Posteriormente ofrecerá una verificación a través de Text to
speech y confirmación por dtmf del valor reconocido. Habrá un máximo de
tres intentos para efectuar el reconocimiento vocal de la asignatura.
- La centralita solicitará al alumno que indique la convocatoria de la que desea
obtener la calificación, existiendo las convocatorias, ordinaria y
extraordinaria.
- La centralita asterisk inicialmente ofrecerá la información de la calificación
en la asignatura indicada por el alumno indicado, consultándola en la base
de datos. En esta información se indicará la calificación obtenida (suspenso,
aprobado, notable, sobresaliente o matrícula de honor).
- La centralita asterisk posteriormente indicará la nota numérica obtenida por
el alumno en la asignatura solicitada.
- Una vez ofrecida la información sobre la calificación, se ofrecerá un mensaje
indicando si se desea consultar la calificación de otra asignatura. A través de
dtmf se indicará si se desea consultar otra asigntura o se desea finalizar. En
caso de elegir la opción de finalización, se ofrecerá un mensaje de
agradecimiento por utilizar el servicio y se colgará el canal.
Si se accede a la consola de asterisk y se llama al número RTB configurado para
el acceso al servicio (953827425) pueden verse las acciones del dialplan que van
ejecutándose en cada instante de la comunicación. Al inicio de la comunicación se
ejecutan las aplicaciones indicadas en la sección 4.9
Figura 77. Datos de consola asterisk en inicio de llamada al servicio de calificaciones
Posteriormente se van ejecutando las diferentes subrutinas y se realiza el
proceso de reconocimiento vocal
102
Figura 78. Ejecución de diaplan de asterisk en subrutina
También se aprecia la detección de los tonos DTMF
Figura 79. Detección de tonos DTMF
Vemos como se asignan a diferentes variables el resultado del reconocimiento
vocal de la asignatura indicada
Figura 80. Asignación a variable del resultado del reconocimiento de asignatura
Posteriormente se efectúa el tratamiento para la consulta a la base de datos y en
función de la información obtenida ofrecer las respectivas locuciones con la calificación
obtenida y con la nota numérica obtenida.
103
Figura 81. Consulta a base de datos e información de resultados
Finalmente se ofrecer consultar otra asignatura y en caso negativo se cuelga el
canal, liberándolo
Figura 82. Consulta a base de datos e información de resultados
A través de la consola de asterisk es posible realizar debug de las aplicaciones
AGI a través del comando
Asterisk –rx “agi set debug on”
Una vez activada la opción de debug para los scripts AGI, es posible visualizar la
interactuación del script y asterisk y ver las variables que se van configurando en la
ejecución del script.
104
Figura 83. Ejecución de script AGI de reconocimiento vocal
En el caso de ejecutar el reconocimiento vocal a través de la herramienta de
Verbio, al efectuar una llamada pueden visualizarse los diferentes mensajes generados
Figura 84. Ejecución de aplicaciones Verbio en Dialpla
En asterisk también es posible activar el modo debug en la consola, de forma
que aparezcan todos los módulos de asterisk que van actuando en el proceso de la
llamada. Este log se activa a través del comando:
Asterisk –rx “core set debug 10”
105
Figura 85. Máximo debug activado en consola de asterisk
Desde la consola de asterisk también es posible visualizar los paquetes SIP,
para poder realizar tareas de debug sobre el protocolo SIP. Activar la visualización de los
paquetes SIP es necesario realizar el comando
Asterisk –rx “sip set debug on”
De esta forma se activaría el debug del protocolo SIP en todos los terminales
conectados, si se desea activar el debug SIP únicamente en un único terminal el
comando sería el siguiente
Asterisk –rx “sip set debug ip dirección_IP_terminal”
Se muestra a continuación el mensaje SIP INVITE recibido en la centralita
asterisk al realizar la llamada al número RTB 953827425 asociado a la cuenta sip del
proveedor voz.com. También se muestra la información sobre la descripción de sesión
(SDP) asociada.
106
Figura 86. Mensaje SIP con SDP mostrado desde consola asterisk
En asterisk también es posible visualizar los paquetes de audio RTP activando el
debug en el protocolo RTP a través del comando
Asterisk –rx “rtp set debug on”
Al igual que para el protocolo sip es posible limitar el debug a un único terminal a
través del comando
Asterisk –rx “rtp set debug ip dirección_IP_terminal”
107
Figura 87. Datos de paquetes RTP mostrados desde consola asterisk
Asterisk también permite mostrar información del protocolo de control de RTP
RTCP, para ello es necesario ejecutar el siguiente comando
Asterisk –rx “rtcp set debug on”
Al igual que para el protocolo rtp es posible limitar el debug a un único terminal a
través del comando
Asterisk –rx “rtcp set debug ip dirección_IP_terminal”
Figura 88. Datos de paquetes RTCP mostrados desde consola asterisk
Aunque desde la consola de asterisk es posible revisar información para realizar
debug en los protocolos que soporta, en el caso de que el servidor asterisk procese
muchas llamadas, es impracticable poder realizar tareas de debug de una llamada
108
concreta ya que no existe una forma de filtrar los datos más allá de los filtros del sistema
operativo Linux en el caso que la información de la consola también se esté escribiendo
en un fichero de log.
Para poder realizar debug de los protocolos VoIP que maneja asterisk, se suele
utilizar la herramienta de Linux tcpdump. De esta forma es posible capturar el tráfico de
red que cursa por la interfaz de red del servidor asterisk y almacenar el contenido de la
captura en un fichero de texto. Un comando de ejemplo para la captura de paquetes
mediante tcpdump es el siguiente:
Tcpdump –n –s 1500 –w /tmp/cap1.cap
En este commando se capuran los datos en la interfaz de red del equipo y se
escriben en el fichero /tmp/cap1.cap. Para finalizar la captura es necesario pulsar
control+C.
Figura 89. Captura de tráfico de red con tcpdump
Una vez que se tiene el fichero con los datos de la captura es posible copiarlo en
un PC que tenga instalado Wireshark y examinar con detalle los protocolos que sean
necesarios. Con Wireshark se pueden realizar los filtros que sean necesarios y es una
herramienta excelente para examinar paquetes de red.
Figura 90. Datos SIP recogidos de servidor asterisk y visualizados con wireshark
109
Wireshark también permite visualizar de forma gráfica los paquetes
intercambiados en una sesión SIP
Figura 91. Gráfico de análisis de señalización SIP en wireshark
También permite mostrar los datos de otros protocolos como RTP y RTCP
realizando los filtros que sean necesarios
Figura 92. Detalle de paquetes RTP mostrado a través de wireshark
110
6. CONCLUSIONES El resultado del presente TFG ha sido la creación de un servicio telefónico de
consulta de calificaciones para los alumnos matriculados en la universidad de Jaén.
Para la consecución de dicho resultado se han llevado a cabo las siguientes
acciones:
- Instalación del servidor asterisk
- Instalación del motor de base de datos relacional Mysql
- Configuración del conector odbc en el servidor asterisk para el acceso a la
base de datos
- Estudio de diversas alternativas para efectuar reconocimiento vocal con
asterisk
- Estudio de diversas alternativas para efectuar síntesis de voz con asterisk
- Desarrollo de un script AGI escrito en lenguaje Perl para efectuar el
reconocimiento vocal a través de la API de reconocimiento de google
- Instalación del motor de síntesis Festival mejorado con las voces
desarrolladas por la Junta de Andalucía en su proyecto Hispavoces para su
uso por parte de asterisk.
- Desarrollo de un script AGI escrito en lenguaje Perl para efectuar peticiones
de síntesis de voz al servicio de google Translate
- Creación de varias locuciones personalizadas, mediante la herramienta
Loquendo TTS Director, necesarias para ofrecer el servicio de consulta de
calificaciones.
- Desarrollo del dialplan necesario en el servidor asterisk para implementar el
servicio de consulta de calificaciones por vía vocal.
- Configuración de terminales SIP, efecuando su registro en el servidor
asterisk para tener acceso al servicio.
- Configuración de una cuenta SIP ofrecida por un proveedor VoIP asociada
al número RTB 953827425 de acceso al servicio de consulta creado.
El ámbito de funcionamiento del servicio de voz diseñado es tanto a nivel de red
local la red local, registrando un teléfono IP a la centralita asterisk y llamando al número
222 de acceso al servicio, o bien llamando desde cualquier terminal telefónico fijo o móvil
al número RTB 953827425.
111
Todos los objetivos marcados al inicio del TFG han sido cumplidos
profundizando en la utilización de la centralita asterisk para diseñar un servicio telefónico
de utilidad.
Por otro lado, se ha hecho un estudio detallado del proceso de reconocimiento
vocal y de síntesis de voz que además ha incluido el estudio de herramientas disponibles
actualmente para incorporar estos servicios de reconocimiento vocal y de síntesis de voz
en la centralita asterisk
Asimismo, se ha realizado un estudio y pruebas con éxito de la comunicación
entre un terminal SIP (Teléfono IP Cisco SPA 303) y la centralita asterisk. También se ha
utilizado un proveedor SIP para ofrecer un número RTP que pueda tener acceso a la
configuración del servicio diseñado en la centralita asterisk
Gracias al desarrollo llevado a cabo durante el periodo que ha durado la
realización del TFG, el autor del mismo ha desarrollado una serie de habilidades y características:
- Evolución de los conocimientos acerca de la programación del dialplan
asterisk.
- Aprendizaje sobre los procesos de reconocimiento vocal y síntesis de voz.
- Evolución de los conocimientos acerca de la programación en Perl.
- Aprendizaje y mejora sobre el diseño y funcionamiento de bases de datos
relacionales.
- Aprendizaje del funcionamiento la API de reconocimiento vocal de Google
- Aprendizaje del funcionamiento del motor de reconocimiento y TTS de
Verbio
- Aprendizaje de funcionamiento del motor de síntesis de voz Festival
- Aprendizaje de funcionamiento de la API de google translate
- Mejora de la capacidad de trabajo.
- Mejora de la capacidad de organización.
- Desarrollo de la capacidad de convertir indicaciones en acciones.
- Desarrollo de la capacidad de dar soluciones a problemas de distinta
dificultad.
- Realización personal.
Se han desarrollado un servicio de consulta de información por vía vocal que
puede ser de utilidad por los siguientes motivos:
112
- Permite acceder de forma rápida a un servicio de consulta de información
por vía telefónica sin necesidad de disponer de conexión a internet
- Tiene facilidad de uso.
- Restringe la consulta de la información al usuario llamante, el cual debe
validarse mediante su DNI.
- Permite incorporar el servicio en múltiples entornos para la consulta de
calificaciones
Como líneas de futuro se podrían incluir las siguientes:
- Como mejora se podría plantear el montaje tanto de la centralita asterisk
como de la base de datos en alta disponibilidad, de forma que existan al
menos dos servidores que compartan el servicio asterisk y si uno de ellos
cae, el servicio no se vea afectado y pueda ofrecerse por el otro servidor
- Incorporar servicios adicionales a la consulta, que realicen además
operaciones de inserción y modificación en la base de datos, de esta forma
se podrían ofrecer diferentes servicios, por ejemplo de venta de entradas, de
reservas, etc. a través de un canal telefónico.
7. ACRÓNIMOS TFG: Trabajo Fin de Grado.
SIP: Session Initiation Protocol.
LAN: Local Area Network.
URI: Uniform Resource Identifier.
UA: User Agent.
UAC: User Agent Client.
UAS: User Agent Server.
SDP: Session Description Protocol.
VoIP: Voice over IP.
API: Application Programming Interface.
ASR: Automatic Speech Recognition.
113
TTS: Text To Speech.
DTW: Dynamic Time Warping.
HMM: Hidden Markov Models.
RTP: Real Time Protocol.
RTCP: Real Time Control Protocol.
AGI: Asterisk Gateway interface.
JSON: JavaScript Object Notation.
FLAC: Free Lossless Audio Codec
IAX: Inter Asterisk eXchange
ODBC: Open DataBase Connectivity
ABNF: Augmented Backus-Naur Form
8. REFERENCIAS BIBLIOGRÁFICAS Asterisk The definitive Guide versión 4. Oreally
Asterisk The future of telephony versión 3. Oreally
Asterisk Advanced Course. Digium
Asterisk Gateway Inteface1.4 and 1.6 Programing. Nir SimioNovich. Packt Publishing
The Conversational Interface, Talking to Smart Devices. Michael McTear, Zoraida
Callejas, David Griol. Springer
Google speech API. Information and Guidelines. Travis Payton
Speech recognition for asterisk. http://zaf.github.io/asterisk-speech-recog/
Daniel Ortega Ufano. Goldfinch: Automatic Speech Recognition Platform
Pablo Marin Plaza. Síntesis de voz y reconocimiento del habla. Implementación en el
robot HOAP-3
Rosario Villarreal M.A, Herrera Vega F. El estándar VoIP. Redes y servicios de banda
Ancha. (2006). http://www.monografias.com/trabajos33/estandar-voip/estandar-voip.shtml
114
Asterisk Architecture. Digium.
http://www.berklix.org/bim/talks/asterisk_overview_2007_01_17/asterisk-bim-17.01.07-
all/asterisk-bim-17.01.07-html/AsteriskBIM.html
Asterisk Advanced Course. Digium
X. Huang, A. Acero, H. Hsiao-Wuen; “Spoken Language Processing”, in Dr. R. Reddy, ed.,
New Jersey, Prentice Hall PTR, pp. 377-664, 2.001.
http://blog-archive.griddynamics.com/2016/01/automatic-speech-recognition-services.html
http://releases.ubuntu.com/14.04/
http://downloads.digium.com/pub/
http://www.improvisa.com/descargas/sonidos_esp_asterisk_11.tar.bz2
http://www.verbio.com/webverbiotm/html/reference/es/guide
Webminar: Verbio: Hablando con su máquina asterisk. Soluciones ASR y TTS
Verbio Software Reference. Guía del usuario
Verbio 9 Instalation Guide
RFC3261. (2002). Obtenido de https://tools.ietf.org/html/rfc3261
Ruano Ruano, I. (2013). Apuntes de la asignatura de Sistemas de Telefonía. Tema 5:
Arquitectura de VoIp SIP. Jaén, Jaén, España. Recuperado el 12 de Marzo de
2015
Introducción a la VoIP a través de Elastix. PFC Jose Álvaro Perera Domínguez (2013).
115
ANEXO 1: ASTERISK El software de Asterisk está organizado a través de un conjunto de directorios,
algunos contienen información complementaria para la ejecución del programa, mientras
que otros, albergan ficheros de configuración que podrá editarse. El contenido de estos
ficheros de configuración determinará el funcionamiento de la centralita.
Los directorios se instalan por defecto en ubicaciones predeterminadas, aunque
es posible personalizar los directorios editando el archivo “asterisk.conf”.
A continuación se indican los directorios más relevantes:
- /etc/asterisk: Contiene los archivos relacionados con la configuración de
Asterisk, excepto la configuración de las interfaces hardware.
- /usr/bin: Programas ejecutables y scripts incluyendo asterisk, astman,
astgenkey y safe_asterisk.
- /usr/lib/asterisk: Objetos binarios específicos de la arquitectura de Asterisk.
- /var/lib/asterisk/modules: Módulos para aplicación, driver de canales, driver
de formato archivos, etc
- /usr/include/asterisk: Archivos de cabecera requeridos para construir
aplicaciones, drivers de canales y otros módulos.
- /var/lib/asterisk/agi-bin: Scripts AGI utilizados en el plan marcado por la
aplicación AGI.
- /var/lib/asterisk/astdb: La base de datos de Asterisk, mantiene información
de configuración. Este archivo nunca se modifica a mano, para ello, debe
usarse el comando "database" desde la línea de comandos de Asterisk.
- /var/lib/asterisk/sounds: Archivos de audio, mensajes de bienvenida, etc,
usados por las aplicaciones de Asterisk. Este directorio contiene a su vez
otros directorios con las iniciales de los respectivos idiomas, por ejemplo una
centralita asterisk que tenga instalados los idiomas de inglés y español
tendrán dos directorios uno llamado “es” que contendrá los ficheros de audio
en español y otra carpeta llamada “en” que contendrá los ficheros de audio
en inglés.
- /usr/lib/asterisk/modules: En este directorio se almacenan los módulos de
Asterisk que han sido compilados. Dependiendo de la versión de Asterisk,
se cargan todos los módulos disponibles o sólo los que se van a utilizar
realmente. También existe la posibilidad de seleccionar los módulos según
las necesidades mediante la edición del archivo de configuración
denominado “modules.conf”.
116
- /var/spool/asterisk: Es directorio que almacena archivos generados por
Asterisk durante su funcionamiento. Dichos archivos pueden ser, por
ejemplo mensajes de audio grabados por el buzón de voz o grabaciones de
las llamadas realizadas.
- /var/log/asterisk: En este directorio almacenan los log de eventos generados
en la actividad de la centralita. El grado de información que se muestra en
los logs, es configurable a través de la edición del archivo logger.conf.
Una vez instalado asterisk hay diversas formas de arrancarlo que indicamos a
continuación:
- Iniciar el demonio directamente a través del comando /usr/sbin/asterisk
(como root).
- Iniciar en modo consola a través del comando asterisk –c (como root). Este
método se utiliza para realizar debugging de problemas de inicialización de
asterisk.
- Iniciar el demonio a través de los scripts de arranque de Linux, esta es la
opción más habitual. Los scripts de arranque se configuran automáticamente
cuando en la instalación de asterisk se efectúa el comando “make config”.
Los scripts de arranque inician el proceso asterisk una vez que arranca el
sistema operativo y lo finalizan en el caso de apagado. Una vez arrancado el
demonio asterisk es posible pararlo manualmente generalmente mediante el
comando “/etc/init.d/asterisk stop” y volver a iniciarlo manualmente mediante
el comando “/etc/init.d/asterisk start”.
Una vez arrancado el demonio asterisk como servicio, es posible conectarse a él
ya que dispone de una consola a través de la cual el posible realizar tareas de debug y
lanzar comandos para efectuar diversas acciones en los diferentes módulos de asterisk.
La forma de conectarse a la consola de asterisk es mediante el comando
“asterisk –rvvvvvv” donde r significa “reconnect” y las diferentes v significan la verbosidad
con la que se conectará a la consola de asterisk, en el caso anterior al haber 6 caracteres
v la verbosidad será de 6 en la conexión a la consola de asterisk.
Una vez realizado el comando anterior cuando se produzca la conexión a la
consola aparecerá el prompt *CLI>. De esta forma podremos introducir comandos de
consola a asterisk. También aparecerán mensajes en el caso que la consola esté
configurada para mostrar mensaje de procesamiento de llamadas
117
Figura 93. Conexión a la consola de asterisk
En ocasiones la consola de asterisk muestra mucha información de eventos
especialmente si el servidor asterisk procesa simultáneamente muchas llamadas, en
estos caso la forma de ejecutar comandos de consola de asterisk sin necesidad de estar
conectado a la consola es mediante el comando
asterisk –rx “instrucción_de_consola_a_ejecutar”
De esta forma se ejecutará la instrucción de consola de asterisk sin tener el
terminal de Linux conectado a la consola de asterisk.
Los ficheros de configuración más relevantes de asterisk para la ejecución de
este proyecto son los siguientes:
- asterisk.conf: fichero donde se ubican todos los ficheros de Asterisk
(ficheros de log, de configuración...), el idioma por defecto de asterisk, etc.
- sip.conf: es el fichero donde se definen las extensiones que se registrarán
en la centralita asterisk.
- extensions.conf: fichero donde se configura todo el dialplan de la centralita
centralita asterisk. Es el corazón de Asterisk y el fichero más importante.
- Logger.conf: fichero que define los logs que mostrará asterisk en la consola
de asterisk y los ficheros donde se guardarán en caso que se necesite
exportar los eventos de asterisk a ficheros de texto.
- Res_odbc.conf: fichero donde se configuran los parámetros que varios
módulos de asterisk utilizarán para conectarse a una base de datos a través
de odbc.
- Func_odbc.conf: Es el fichero en el que se definen las consultas y acciones
SQL que se usarán en el dialplan de asterisk.
Los ficheros de configuración de asterisk están ubicados por defecto en el
directorio /etc/asterisk. Además de los ficheros mencionados anteriormente en este
directorio hay muchos más ficheros de configuración, cada uno de ellos permite realizar
118
diferentes configuraciones para diferentes módulos de asterisk (por ejemplo el fichero
voicemail.conf contiene parámetros para configurar el buzón de voz de extensiones, el
fichero meetme.conf contiene parámetros para configurar las conferencias de asterisk,
etc). Por defecto cada fichero cuenta en su interior con información sobre su uso y
diversas alternativas de configuración.
Registro de terminales Para registrar un terminal en asterisk es necesario crear la configuración del canal
de comunicación determinado entre asterisk y el teléfono dependiendo de qué tipo de
señalización utiliza el propio teléfono que se desea registrar. En función del tipo de
terminales será necesario incluir la configuración necesaria en el archivo o archivos
necesarios. Indicamos a continuación los tipos de registro más habituales:
- Si el terminal a conectar implementa señalización a través del protocolo SIP
(Sessión Initiation Protocol) será necesario crear una cuenta en el fichero
sip.conf
- Si el terminal a conectar implementa señalización a través del protocolo
IAX2 (Inter Asterisk eXchange versión 2) será necesario crear una cuenta en
el fichero iax.conf.
- Si el terminal a conectar implementa señalización a través del protocolo
H323 será necesario crear una cuenta en el fichero h323.conf
- Si el terminal a conectar es un teléfono analógico será necesario configurar
la línea analógica en el fichero chan_dahdi.conf y configurar el hardware
conectado al servidor que ofrece el acceso analógico en el fichero
system.conf
Los terminales más habituales que suelen conectarse a asterisk implementan la
señalización a través del protocolo SIP. Una configuración de un terminal SIP es la
mostrada a continuación, cuya configuración se efectúa en el fichero sip.conf
En este ejemplo se configura un terminal al que se le crea una cuenta llamada
“ts_polycom” al que se conecta un terminal de tipo friend que tendrá una dirección IP
dinámica cuyas llamadas entrarán en el contexto llamado “users” (que debe estar
119
configurado en el fichero extensions.conf) y cuya contraseña sip es “donttell”. En los
ficheros de configuración de asterisk si se utiliza el carácter “;” asterisk ingnorará el
contenido posterior a dicho carácter en la línea donde aparezca.
En el propio terminal que se desee registrar a asterisk se deberá configurar una cuenta
sip con los datos de registro configurados previamente en el servidor asterisk y
apuntando a dirección IP o DNS del servidor asterisk.
Los tipos de terminales que pueden utilizarse en asterisk son de 3 tipos:
- Users: Para terminales que efectúan llamadas a asterisk
- Peers: Terminales a los que asterisk envía llamadas
- Friends: Terminales que son tanto users como peers
Habitualmente el tipo de terminal más utilizado por simplicidad es type=friend.
Adicionalmente a los parámetros indicados en el ejemplo anterior, es habitual definir en
las cuentas de los terminales muchos más parámetros, como el códec a utilizar, el
protocolo a usar para implementar dtmf, etc.
Dialplan En el plan de numeración, conocido como dialplan, se almacenan todas las
acciones que realiza la centralita asterisk en las llamadas.
El dialplan es muy importante en Asterisk, ya que él se define cómo gestiona
Asterisk la entrada y la salida de llamadas. Se compone de una lista de instrucciones que
que se ejecutan hasta completar una llamada. A diferencia de los sistemas telefónicos
tradicionales, el dialplan de Asterisk es fácilmente personalizable ya que se crea
mediante la edición de ficheros de texto introduciendo una configuración determinada.
El dialplan se compone de cuatro elementos principales: los contextos, las
extensiones, las prioridades y las aplicaciones. En los siguientes apartados se realiza
una descripción de cada una de ellas.
El dialplan, está almacenado en el archivo de texto extensions.conf. En este
archivo, a las extensiones ejecutan ciertas acciones, cada extensión pertenece a un
contexto, ya sea contexto por defecto o un contexto específico que se haya creado.
Todos los usuarios conectados a Asterisk pertenecen a un contexto, especificado en el
archivo de configuración de los respectivos usuarios. En este fichero es donde Asterisk
encontrará el contexto asociado a cada usuario.
120
Contextos El dialplan se divide en bloques llamados contextos. Los contextos determinan el
comportamiento para un grupo de extensiones. Una extensión que se define en un
contexto es completamente independiente de otras definidas en cualquier otro contexto, a
menos que exista una configuración por la cual la llamada pueda pasar de un contexto a
otro. Los contextos se referencian con un nombre que se indica entre corchetes.
Todas las instrucciones situadas después de la definición de un contexto
pertenecen a ese contexto, hasta el siguiente contexto que se defina. Al comienzo del
dialplan, hay dos contextos especiales llamados “general” y “globals”.
El contexto representa uno de los parámetros principales a la hora de crear un
canal, que supone la base del funcionamiento de la centralita.
En la configuración del dialplan es necesario tener cuidado con la configuración
de los contextos ya que es posible que en una llamada se produzca un bucle infinito en el
caso que una llamada vaya pasando de un contexto a otro. En el caso que la centralita
esté configurada para almacenar los logs de las llamadas efectuadas, la existencia de
bucles en el dialplan, puede provocar una escritura masiva de información de logs en el
disco teniendo impacto en la centralita si el particionado del disco no está correctamente
efectuado y los logs están en la partición principal /.
Figura 94. Relación entre contextos en sip.conf y extensions.conf
Fuente: Asterisk: The definitive Guide
Extensiones Dentro de cada contexto pueden existir una o más extensiones. En una
extensión se definen una o más instrucciones que ejecutará el motor de asterisk
121
La sintaxis para la definición de una extensión es la palabra exten seguida de
una flecha formada por los signos igual y mayor, de la siguiente manera:
Exten =>
Si una misma extensión ejecuta más de una acción, a partir de la segunda
acción en adelante se utiliza la palabra same en lugar de exten.
Same =>
Seguidamente se pone el nombre o número de la extensión. Cuando se trata de
sistemas de telefonía, se tiende a pensar en las extensiones como en los números que
permiten llamar de un teléfono a otros, sin embargo en Asterisk tiene muchas más
funcionalidades.
Una extensión completa se compone de tres elementos:
- El nombre o número de la extensión.
- La prioridad. Cada extensión puede ejecutar varias instrucciones, a cada
instrucción se le asigna una prioridad.
- La aplicación o comando que ejecuta alguna acción.
Estos tres componentes están separados por comas, de la siguiente manera:
exten = > nombre,prioridad,aplicación()
En el caso de extensiones con más de una acción, se usará:
Same => n,aplicación()
En estas líneas no se indica la extensión y asterisk utilizará la extensión indicada en la
línea exten => anterior.
Asterisk también cuenta con unas extensiones especiales que se utilizan para diferentes
tareas. Estas extensiones son las siguientes:
- Extensión i: Es la extensión de entrada inválida. Se suele utilizar tras la
aplicación background para que las llamadas puedan entran a alguna
extensión en caso que el llamante introduzca una extensión que no esté
definida en la IVR.
- Extensión t: Es la extensión de timeout en respuesta. Se suele utilizar tras la
aplicación background para que las llamadas puedan entran a alguna
122
extensión en caso que el llamante no introduzca una extensión en un tiempo
determinado.
- Extensión T: Es la extensión que indica Timeout Absoluto. Se suele usar
cuando se desea que las llamadas que cursa asterisk tengan una duración
máxima determinada, por ejemplo puede establecerse que cada llamada
tenga como máximo una duración de 2 horas.
- Extensión h: Es la extensión para colgar. Se suele utilizar para colgar en
canal a través de esta extensión. Invoca a la aplicación hangup por tanto es
similar a usar dicha aplicación.
- Extensión s: La extensión de comienzo (start). Se suele usar para tener una
alternativa donde enviar las llamadas en caso que el llamante no presente el
callerID.
- Extensión o: La extensión Operador. Se usa para el voicemail
- Extensión a: La extensión asistencia. Se usa para el voicemail
Prioridades Cada extensión puede ejecutar varias instrucciones, de forma que cada
instrucción tiene asignada una prioridad. Cada prioridad se enumera secuencialmente,
comenzando con 1.
En el ejemplo presentado se especifica una extensión que define primero
responder al teléfono, lo cual se refleja con la prioridad número 1 y, a continuación se
realizan varias tareas, y finalmente se cuelga.
Es importante asegurarse de que las prioridades empiecen en 1 y se numeren
consecutivamente ya que si se salta una prioridad, Asterisk no continuará.
Sin embargo, para la definición de extensiones con un número elevado de
prioridades, a partir de la versión 1.2 de Asterisk, se introdujo el concepto de la prioridad
n. La ventaja que presenta consiste en que cada vez que Asterisk se encuentra con esa
prioridad, se encarga de seleccionar el número de prioridad anterior y le añade una
unidad. Esta funcionalidad permite realizar modificaciones en el dialplan de una forma
más fácil y cómoda.
123
A partir de la versión de asterisk 1.6 a partir de la prioridad 2 en adelante se
utiliza la orden same => de forma que las instrucciones anteriores a partir de asterisk 1.6
serían
También se pueden introducir etiquetas a las prioridades, de esta forma será posible
acceder a una prioridad concreta de una determinada extensión.
Aplicaciones Las aplicaciones son una parte muy importante del dialplan. Cada aplicación
realiza unas acciones en el canal actual. Estas acciones pueden ser la reproducción de
una locución, la aceptación de un tono de entrada, colgar la llamada, etc.
Algunas aplicaciones, como la de Answer() y Hangup(), no necesitan parámetros
para ejecutar su función. Otras aplicaciones sí requieren parámetros para que puedan
utilizarse.
Un ejemplo en el que se muestra la aplicación Playback, la cual reproduce un
fichero de audio que se le pasa como parámetro, es el siguiente:
Variables En asterisk existen 3 tipos de variables, las variables globales, las variables de
canal y las variables de entorno. Su objetivo es poder almacenar información que será
usada posteriormente por el dialplan.
Variables globales
124
Estas variables serán visibles por todos los canales de asterisk. Se definen bajo
el contexto [globals] situado en el fichero extensions.conf.
En el ejemplo anterior se define la variable global LEIF al valor
“SIP/0000FFFF0001”.
La forma en la que asterisk accede al contenido de estas variables es mediante
${nombre_variable_global} en el dialplan
Variables de canal Estas variables son específicas para cada canal. Aunque el nombre de la
variable sea el mismo para llamadas de diferentes canales, su contenido apunta a
direcciones de memoria diferentes para cada canal.
La forma en la que asterisk accede al contenido de estas variables es mediante
${nombre_variable_de_canal} en el dialplan.
Un ejemplo de uso de variable de canal es el siguiente:
Variables de entorno Estas son las variables de entorno del sistema operativo Linux. Desde asterisk
está disponible el acceso a estas variables por si resultara utilidad para ejecutar alguna
acción que requiera del valor de alguna de las variables de entorno.
La forma en la que asterisk accede al contenido de estas variables es mediante
${ENV(nombre_variable_de_entorno)} en el dialplan.
Búsqueda por expresiones Asterisk permite crear una única extensión en el dialplan que sea válida para
diferentes números, esta técnica se le conoce como pattern matching. La sintaxis es la
siguiente:
125
La extensiones que utilizan pattern matching siempre empiezan con el signo “_”
esto le indica a asterisk que se utilizará una expresión para encontrar la extensión en
lugar del nombre o número explícito de la extensión.
Después del signo “_” se pueden usar uno o más caracteres como los siguientes:
- X: válido para cualquier dígito entre el 0 y el 9.
- Z: válido para cualquier dígito entre el 1 y el 9.
- N: valido para cualquier dígito entre el 2 y el 9.
- Valores de números entre corchetes: por ejemplo [15-7] será válido para un
dígito que sea 1, 5, 6 ó 7.
- . (un punto): es un comodín, significa uno o más caracteres.
- ! : es otro comodín, significa cero o más caracteres
Un ejemplo de uso de pattern matching es el siguiente:
Integración de base de datos con asterisk Poder Integrar asterisk con bases de datos relacionales, es uno de los aspectos
fundamentales para poder construir servicios de envergadura. La potencia de las bases
de datos habilitará el acceso al dialplan de asterisk a datos modificados dinámicamente
por la base de datos.
Inicialmente será necesario instalar el motor de la base de datos a utilizar. Es
posible utilizar diversos motores de bases de datos, en el presento proyecto utilizaremos
el motor Mysql ya que no requiere licenciamiento.
Una vez instalado el motor de base de datos será necesario habilitar y conceder
los permisos necesarios al usuario con el que asterisk accederá a la base de datos.
Posteriormente será necesario instalar y configurar el conector odbc. Este
conector es una capa de abstracción que hace posible que asterisk pueda comunicarse
con diversos motores de bases de datos.
Una vez que el conector odbc está correctamente instalado y configurado es
necesario configurar los módulos necesarios de asterisk para que pueda tener acceso a
la base de datos a través del conector odbc. Los ficheros de configuración necesarios
para realizar la configuración de los módulos son: res_odbc.conf y func_odbc.
126
En el fichero res_odbc.conf localizado en /etc/asterisk se definen las conexiones
odbc que utilizará asterisk contra bases de datos. En este fichero se configuran los
parámetros necesarios que utilizarán varios módulos de asterisk para conectarse a la
base de datos.
Un ejemplo de configuración del fichero res_odbc.conf es el siguiente:
En este ejemplo se usa el nombre de conexión llamado “asterisk” indicado entre
corchetes, este nombre es el que se usará en el fichero de configuración func_odbc.conf
para referirse a esta conexión a través del conector odbc. El parámetro dsn apunta a la
conexión contra la base de datos definida en el fichero de configuración odbc para el
sistema operativo (/etc/odbc.ini). Se definen el usuario y password de acceso a la base
de datos y es posible limitar el número de conexiones a la base de datos mediante el
parámetro limit.
El siguiente diagrama muestra las relaciones entre los distintos ficheros usados
para la conexión de asterisk a la base de datos a través del conector odbc.
127
Figura 95. Relación entre func_odbc.conf, res_odbc.conf, /etc/odbc.ini (Linux ODBC) y la conexión a la bbdd
Fuente: Asterisk: The definitive guide
En el fichero func_odbc.conf se definen las consultas SQL necesarias a las que
también se les proporcionan un nombre y un identificador. En el dialplan se podrá
acceder a la consulta necesaria a través del uso del nombre y del identificador y
almacenar el resultado de la consulta en una variable de canal.
Un ejemplo de configuración del fichero func_odbc.conf es el siguiente:
[GENERAL]
prefix=CALIF
dsn=asterisk
readsql=SELECT CALIFICACION FROM ASIGNATURA WHERE NOMBRE =
'Programación 1' AND DNIALUMNO = '26234565'
128
En este ejemplo definimos el nombre de la consulta como “GENERAL” y
asociamos el identificador CALIF
El acceso al valor devuelto por dicha consulta desde el dialplan es mediante la
aplicación Set que asigna el valor a una variable que se desee.
Same => n,Set(nota_general=${CALIF_GENERAL()})
Asterisk Gateway Interface La interfaz AGI de asterisk proporciona una interfaz común de acceso a
programas externos para que asterisk pueda hacer uso de ellos y obtener información.
AGI se usa principalmente para manejar lógica avanzada o acciones que
asterisk no es capaz de realizar por sí mismo o bien para simplificar tareas que pueden
realizarse mediante otros lenguajes de programación como bash, perl, pynton, etc de
forma más eficiente y sencilla que desde el propio asterisk.
Figura 96. Arquitectura de AGI
Fuente: Asterisk Gateway Inteface1.4 and 1.6 Programing
Los scripts AGI utilizan dos canales estándar de comunicación en Linux para
comunicarse con asterisk, estos canales son STDIN (Estándar input) y STDOUT
(estándar output). Estos canales son la forma por la cual los programas agi leen
129
infomación desde asterisk a través de STDIN, ejecutan una serie de acciones y escriben
información de retorno a asterisk a través de STDOUT.
Los scripts AGI ejecutan acciones determinadas, por ejemplo acceder a un
sistema externo para obtener información, almacenarla en variables y el contenido de
estas variables enviarlo a asterisk a través del canal estándar STDOUT.
El flujo de ejecución de entre asterisk y los programas AGI es el siguiente
Figura 97. Flujo de procesamiento entre asterisk y un script AGI
Fuente: Asterisk Gateway Inteface1.4 and 1.6 Programing
130
ANEXO 2: DESCRIPCIÓN DE PROTOCOLOS SIP Y RTP
El protocolo SIP SIP es un protocolo de señalización del nivel de aplicación definido por la IETF
en la RFC 3261 para la creación, modificación y terminación de sesiones sobre una red
IP. El término sesión podría ser descrito como un intercambio de información multimedia
entre varios participantes. Una vez que se establece la comunicación, dicha información
multimedia puede ser transportada mediante otros protocolos como RTP/RTCP (Znaty,
Dauphin, & Geldwerth, 2005).
Figura 98. Protocolos
Fuente: Ruano Ruano 2013
El protocolo SIP está basado en un modelo cliente-servidor. El cliente realiza
solicitudes/peticiones1 (requests) al servidor y, éste, da respuestas (responses) a dichas
solicitudes.
En la arquitectura SIP, los usuarios son identificados por un Identificador de
Recursos Uniforme (Uniform Resource Identifier, URI). Los URI’s SIP identifican recursos
de comunicación y contienen suficiente información para iniciar y mantener una sesión de
comunicación con dicho recurso. Un posible ejemplo sería sip:[email protected], donde
anónimo se correspondería con la identidad del usuario o el recurso en el host al cual se
dirige la petición, y donde ujaen.es sería el dominio o la fuente que proporciona el recurso.
Las funciones del protocolo SIP podrían agruparse en dos:
- Creación, modificación y terminación de sesiones.
- Localización de usuarios.
1 De ahora en adelante, se usarán indistintamente los términos solicitud y petición.
131
En SIP se pueden encontrar dos tipos de equipos:
- Terminales: equipos finales que usan los usuarios. Tienen dos componentes
fundamentales para operar como Agentes de Usuario (UA):
o Agente de Usuario Cliente (UAC): aplicación que permite a un
terminal enviar mensajes SIP y aceptar respuestas.
o Agente de Usuario Servidor (UAS): aplicación que permite a un
terminal recibir solicitudes SIP y devolver respuestas en nombre del
usuario.
- Servidores: Equipos intermedios. Pueden ser de 3 tipos:
o Servidor de registro: acepta peticiones de registro de clientes (UAC)
y mantiene registro de direcciones de cada usuario.
o Servidor proxy: recibe solicitud de cliente (UAC), la analiza y decide
el servidor al que se la envía.
o Servidor de direccionamiento: recibe solicitud de cliente (UAC) y
responde con la/s dirección/ones donde la debe enviar.
Los mensajes SIP son mensajes de texto que se envían entre cliente y servidor.
Cualquier intercambio de mensajes en SIP está organizado en solicitudes y respuestas.
Se componen de una línea de inicio, una cabecera y, si se requiere, un cuerpo del
mensaje.
Figura 99. Estructura del mensaje SIP
Fuente: Ruano Ruano 2013
132
Existen seis métodos de solicitud SIP definidos por la RFC 3261 (Sinnreich &
Johnston, 2006):
- REGISTER: Usado para que un cliente registre su dirección IP (localización)
en un servidor SIP.
- INVITE: Se usa para invitar a participar en una sesión. En el cuerpo del
mensaje de incluyen parámetros necesarios como el asunto de la llamada o
el códec soportado. El llamado responderá incluyendo los suyos.
- ACK: El cliente (llamante) confirma al servidor (llamado) que ha recibido la
aceptación a la invitación a participar en la llamada. Sólo se usa tras
solicitudes INVITE.
- BYE: Usado para terminar una sesión. Se envía cuando cuelga el usuario.
- CANCEL: Usado para cancelar una solicitud pendiente de respuesta.
- OPTIONS: Se usa para que un UA solicite información a un UAS sobre sus
capacidades (codecs soportados, tipos de contenido, etc.).
Figura 100. Línea de solicitud
Fuente: Ruano Ruano 2013
Además, existen otros métodos que son extensiones a SIP y son definidos en
otras RFCs. Entre ellos, se encuentra el método MESSAGE, el cual indica el transporte
de un mensaje instantáneo.
Existen seis clases de respuestas SIP: (Escalada Espinoza, 2012)
133
- 1xx: Respuesta de información. El requerimiento ha sido recibido y está en
fase de tratamiento.
- 2xx: Respuestas de éxito. El requerimiento ha sido recibido, entendido y
aceptado.
- 3xx: Respuestas de redirección. La llamada requiere otros procesamientos
antes de poder determinar si puede ser realizada.
- 4xx: Errores de solicitud. El requerimiento no puede ser interpretado o
servidor por el servidor y debe ser modificado antes de ser reenviado.
- 5xx: Errores de servidor. El servidor fracasa en el procesamiento de un
requerimiento aparentemente válido.
- 6xx: Errores globales. El requerimiento no puede ser procesado por ningún
servidor.
Figura 101. Línea de respuesta
Fuente: Ruano Ruano 2013
Un mensaje SIP tiene los siguientes campos de cabecera: (García, 2008)
- Via: Indica el transporte usado para el envío e identifica la ruta de la petición.
Por ello, cada proxy añade una línea con un campo Via.
- From: Indica la dirección del origen de la petición.
- To: Indica la dirección del destinatario de la petición.
- Call-Id: Es un identificador único para cada llamada y contiene la dirección
del host. Debe ser igual para todos los mensajes dentro de una transacción.
134
- Cseq: Se inicia con un número aleatorio e identifica de forma secuencial
cada petición. La respuesta a una solicitud debe llevar el mismo Cseq.
- Contact: Contiene una dirección que puede ser usada para contactar con el
usuario.
- Record-Route y Route: Ambos contienen una lista de URIs SIP, cada lista
identificando una serie de proxies SIP. El campo Record-Route es insertado
en una petición por un proxy para forzar a enrutar futuras peticiones a través
de él. El UA copiará el contenido del campo Record-Route de la petición
recibida en el campo Route de nuevas peticiones generadas dentro del
diálogo.
- Max-Forwards: Contiene un entero que se decrementa con cada salto. Si su
valor llega a 0, la petición es rechazada.
- User Agent: Contiene el agente de usuario que realiza la comunicación.
- Content- Length: Longitud en octetos del cuerpo del mensaje.
- Content-Type: Indica tipo de contenido del cuerpo (p.e. application/sdp).
- Content-Disposition: Indica cómo interpretarse el cuerpo.
- Subject: Texto que indica el asunto de la llamada.
Adicionalmente, las sesiones derivadas de SIP pueden ser descritas mediante el
protocolo Session Description Protocol (SDP), definido en la RFC 4566. Para crear
sesiones, los mensajes SIP incluyen campos pertenecientes al protocolo SDP que
permiten a los participantes acordar una serie de parámetros necesarios para la
comunicación multimedia (Ruano Ruano, 2013).
Descripción de sesión
- v: versión del protocolo.
- o: Dueño/creador e identificador de sesión.
- s: Nombre de la sesión.
- i: Información de la sesión.
- u: URI de la descripción.
- e: Dirección email de responsable de sesión.
- p: Número de teléfono.
- c: Información de la conexión.
- b: Información de ancho de banda.
- z: Ajustes de la zona de tiempo.
- k: Clave del cifrado.
- a: Cero o más líneas de atributos de sesión.
135
Descripción de tiempo
- t: Hora comienzo y fin de la sesión activa.
- r: Ceo o más tiempo de repetición.
Descripción de medio
- m: Tipo de medio.
- i: Título de los medios
- c: Información de la conexión.
- b: Información de ancho de banda.
- k. Clave de cifrado.
- a: Cero o más líneas de atributos de medios.
El protocolo RTP Debido a la dependencia del tráfico de voz respecto al tiempo, UPD/IP es la
elección lógica para transportar la voz. Sin embargo, se necesita más información que la
que UDP ofrece para basar la comunicación en paquetes. Por tanto, para tráfico en
tiempo real o sensible a retrasos, IETF (Internet Engineering Task Force) adoptó el
protocolo RTP. VoIP usa RTP, el cual usa UDP. Por tanto, VoIP es transportada por la
pila de protocolos RTP/UDP/IP. RTP es el estandard para transmitir tráfico sensible a
retrasos en redes basadas en paquetes. RTP da a los nodos receptores información que
no está en los streams UDP/IP. Como se muestra en la Ilustración 8, dos bits importantes
de información son el bit de secuencia y el timestamp. RTP usa la información de
secuencia para determinar si los paquetes están llegando en orden, y usa la información
de time-Stamp para saber el tiempo entre llegada de paquetes (Jitter)
136
Figura 102. Cabecera paquete UDP con RTP
Fuente: Introducción a la VoIP a través de Elastix
Junto a RTP se usa también RTCP (RTP Control Protocol) para enviar datos de
control entre el emisor y receptor de una secuencia RTP. Los paquetes RTCP son
enviados aproximadamente cada cinco segundos, y contienen datos que ayudan a
verificar las condiciones de transmisión en el extremo remoto.
RTCP soporta también conferencias en tiempo real de grupos de cualquier
tamaño en Internet. Esto incluye identificación del origen y soporte de gateways, como
brigdes de audio y video, así como traductores de multicast a unicast. También ofrece
realimentación de QoS desde los receptores al grupo multicast, así como soporte para la
sincronización de diferentes streams de medios.
El uso de RTP es importante en tráfico en tiempo real, pero tiene sus
inconvenientes. Las cabeceras de los protocolos IP/RTP/UPD son de 20, 8 y 12 bytes, lo
que suman una cabecera de 40 bytes, que puede llegar a ser demasiado grande
comparada con la carga útil.
137
ANEXO 3: MOTOR DE RECONOCIMIENTO Y TTS VERBIO Verbio es un conjunto de librerías y utilidades destinadas a conseguir una rápida
y sencilla incorporación de herramientas del habla (reconocimiento y síntesis del habla,
verificación de locutor y soluciones relacionadas) en aquellas aplicaciones en las que
pueda resultar interesante disponer de una interfaz vocal.
Cualquier entorno que disponga de un dispositivo que permita obtener y/o
reproducir muestras de audio será susceptible de incorporar las herramientas contenidas
en Verbio. Es decir, el sistema de reconocimiento requerirá la obtención de las muestras
de audio dictadas por el locutor para procesarlas y obtener el resultado de
reconocimiento. Por otro lado, el sistema de síntesis de voz requerirá la reproducción de
las muestras de audio que haya generado a partir del texto introducido.
Los motores de reconocimiento y síntesis del habla Verbio están diseñados para
funcionar en una arquitectura cliente-servidor. Es decir, se requiere uno o más servidores
que atienden las peticiones de uno o más clientes. Entendemos por cliente toda
aplicación que utilice recursos de reconocimiento y/o síntesis del habla y/o verificación de
voz
Reconocimiento del habla El reconocimiento del habla permite que una aplicación tenga la funcionalidad de
transformar la entrada de voz de un usuario en texto escrito. El reconocedor de Verbio es
independiente de locutor, lo que significa que no se necesita entrenar o adaptar el
sistema al usuario para que el reconocedor funcione. Verbio ha sido entrenado con una
población de miles de hablantes de cada lengua en una proporción equilibrada en sexo y
edad y de todas las partes del territorio de uso de cada lengua, recogiendo sus voces a
través de la red telefónica fija y móvil para los modelos a 8KHz, así como micrófono para
los modelos a 16 KHz.
El reconocimiento del habla puede transformar la voz procedente del habla de un
usuario a texto si conoce todas las posibles combinaciones de palabras que el usuario
puede decir en un determinado momento. La descripción del vocabulario de palabras a
usar por el reconocedor así como el conjunto de posibles secuencias de éstas en
cualquier oración válida es lo que se conoce por gramática de reconocimiento.
Cuanto más se especializa una gramática, mejores pueden ser los resultados.
En contrapartida, esto disminuye a menudo la flexibilidad y naturalidad en el estilo de
138
habla de los usuarios. Por ejemplo, una gramática A para reconocimiento de fechas
puede considerar fechas en formato estándar “21 de mayo”. Otra gramática B puede
considerar además fechas relativas como “el viernes” o “el mes que viene, el cuatro”. La
gramática B será obviamente más flexible, pero podría cometer más errores al intentar
reconocer fechas en su formato estándar. Incluso una tercera gramática C podría
considerar las horas y destinaciones para la reserva de vuelos además de las fechas. La
flexibilidad en este caso será mucho mayor, pero las prestaciones del reconocimiento
podrían disminuir frente a la situación mucho más controlada ofrecida por las gramáticas
A y B. Las gramáticas de uso más habitual (fechas, números, respuestas de tipo sí/no,
etc.), ya están definidas internamente en el sistema con tal de poder obtener los mejores
resultados en todo momento.
Una vez se ha definido una gramática, existen varios parámetros de tiempo a
considerar como: la máxima duración del silencio inicial, el silencio permitido una vez el
usuario ya ha empezado a hablar y el tiempo máximo total. Procesar el resultado no
consiste solamente en obtener el texto resultante de la voz de entrada sino que es
importante conocer una medida de confianza por parte del reconocedor (lo que permite
rechazar resultados o, al menos, pedir confirmación al usuario), evaluando hipótesis
alternativas (N-best) o procesando el resultado a través de una interpretación semántica.
La inicialización del motor de reconocimiento del habla consiste en habilitar uno
o más idiomas para usar en la aplicación así como especificar el idioma por defecto para
un vocabulario de reconocimiento.
Una gramática de reconocimiento define el universo de posibles respuestas que
el sistema puede reconocer en un determinado momento. Es el subconjunto del “lenguaje”
aceptado por el reconocedor. Por lo tanto debe haber una gramática adecuada para cada
instante del diálogo entre la persona y la máquina. Una gramática especifica el
vocabulario de palabras que el sistema puede reconocer así como las posibles
secuencias en que éstas se pueden combinar.
Existen dos tipos de gramáticas. Por una parte gramáticas con listas de palabras
aisladas y por otra parte gramáticas ABNF (augmented Backus-Naur Form).
La gramática de lista de palabras es la más sencilla para el reconocimiento del
habla. Verbio permite usar ficheros de texto consistentes en listas de entradas (cada una
con una o más palabras), una por línea. Cada una de estas entradas se denotará como
palabra del vocabulario.
139
Las gramáticas de reconocimiento también pueden verse como una estructura basada en
patrones que describen las posibles secuencias de palabras del vocabulario válidas.
Estas gramáticas especifican cómo se comporta el lenguaje natural en una determinada
tarea.
Las gramáticas de Verbio siguen la sintaxis descrita en la especificación de gramáticas
para el reconocimiento del habla (SRGS, del inglés Speech Recognition Grammar
Specification) por el W3C Speech Interface Framework (http://www.w3c.org/TR/speech-
grammar) en su forma Augmented BNF (ABNF).
En este tipo de gramáticas se define el patrón de palabras a reconocer, que contiene una
regla consistente en una expresión regular que contiene palabras, referencias a otras
reglas o combinaciones de ambas.
Gramáticas ABNF Formato de gramáticas ABNF
Este apartado resume la SRGS (Speech Recognition Grammar Specification) en su forma
ABNF. Una gramática define el patrón de palabras a reconocer, una regla consistente en
una expresión regular que contiene palabras, referencias a otras reglas o combinaciones
de ambas.
Tokens
Un token es la parte de la gramática que define las palabras que pueden pronunciarse,
las anteriormente definidas palabras del vocabulario. En la sintaxis, un token es cualquier
combinación de caracteres delimitados por espacios o símbolos especiales (; = | () {} * +
/* */ // <> ! "). Si un token contiene espacios o símbolos especiales debe entrecomillarse
(“”).
El símbolo “_” entre dos palabras indica que en la transcripción fonética se tendrán
especialmente en cuenta los fenómenos de coarticulación entre palabras. Esta opción no
debería usarse a menos que exista una particularmente alta coarticulación entre palabras
(por ejemplo la coarticulación de “y” en números como 34, “treinta_y_cuatro”).
Hola // token ponme con Juan // 3 tokens diferentes "buenos días" // 1 token treinta_y_dos // 1 token "[SIL]" // 1 token: [SIL]
140
Reglas
Cada regla se identifica con un nombre de regla. Una referencia a una regla local
(definida en la misma gramática) se define con su nombre de regla, que debe empezar
siempre con el carácter “$”.
$dia $mes
Secuencias
Una secuencia de tokens, reglas o combinaciones de ambas es a su vez una regla, lo
que implica el orden cronológico en el que las palabras pueden pronunciarse.
ponme con Juan // secuencia de 3 tokens ponme con $nombre // secuencia de 2 tokens y 1 referencia a una regla $relleno $nombre // secuencia de referencias a reglas
Alternativas
Un conjunto de alternativas también es una regla. Se identifican como una lista de reglas separadas por el símbolo “|”. Juan | José | "José Luis" | $nombres
Cada alternativa puede opcionalmente tener un peso (valor en coma flotante entre “/”). /2/ Juan | /3/ José | /1/ "José Luis"
Este peso es proporcional a la probabilidad de inserción de dicha alternativa en el
reconocimiento de una elocución. Por defecto, el peso es 1.0 Un peso mayor que 1
aumenta la probabilidad de inserción de un token comparado con el resto de palabras. Un
peso menor que 1 implica una mayor probabilidad de eliminar dicha palabra del
reconocimiento. Si todas las palabras tienen un peso superior a 1, la probabilidad de
inserción de palabras es más alta. Por lo tanto, una lista de alternativas con todos los
pesos a 1 no es equivalente a la misma lista con todos los pesos a 10, por ejemplo. En
este último caso, la probabilidad de inserción de palabras se vería incrementada. Si el
peso se asigna a una regla o expresión, dicho peso multiplicará a los pesos de todas las
palabras contenidas en dicha regla. Por lo tanto, la regla:
/2/ Juan | /3/ José | /3/ (/1/ Luis | /2/ Jorge)
es equivalente a:
/2/ Juan | /3/ José | /3/ Luis | /6/ Jorge
Por lo tanto, es conveniente usar los pesos con cuidado y preferiblemente en las palabras
finales exclusivamente.
141
Reglas especiales
- GARBAGE: Define una regla que puede mapear cualquier segmento de
habla hasta que lo haga la siguiente regla o bien el final de la elocución.
- SILENCE: Define una regla que puede mapear un silencio. Es útil para
indicar silencios particularmente largos dentro de una elocución. Por defecto,
los silencios al principio y final de la elocución ya se insertan
automáticamente en el procesador de gramáticas. Entre palabras, y también
de forma automática, se insertan silencios cortos opcionales.
// "ponme con Juan" // "por favor podrías ponerme con José" // "Luis" $GARBAGE (Juan | José | Luis)
Repeticiones
Palabras o reglas opcionales se delimitan por corchetes [...]. Los símbolos * y + indican
que la palabra o regla precedente puede repetirse cero o más veces o una o más veces
respectivamente.
// "1" // "1 4 3 2" $digit + // "pizza" // "pizza grande con queso" // "pizza pequeña con queso y anchoas" pizza [[muy] grande | pequeña] ([con | y] $complemento)*
Tags
Cada token puede asociarse a una cadena de texto que el reconocedor devuelve en lugar
de la palabra pronunciada. El tag se delimita entre llaves {...}.
["ponme con" {}] ("Luís Fernández" {1023} | "José Pérez" {1024} | "Pepe Pérez" {1024})
Cuando el tag está vacío “{}”, el token se considera como una palabra de relleno y no
será jamás devuelta por el reconocedor. En el ejemplo anterior, el resultado del
reconocedor ante la elocución "ponme con José Pérez" sería "1024".
Idioma
Las gramáticas ABNF soportan vocabularios plurilingües, es decir, palabras de la
gramática que se pronunciarán en un idioma distinto al establecido por defecto. Siempre
hay un idioma por defecto con el que el vocabulario se prepara.
El idioma por defecto de un vocabulario o gramática puede establecerse inline usando el
descriptor “language” seguido por el identificador de idioma ( “es” para español, “ca” para
142
catalán, “eu” para euskera, “ga” para gallego, “es-ar” para español argentino, “es-cl” para
español chileno, “es-co” para español colombiano, “es-mx” para español mexicano, “es-
ve” para español venezolano, “pt” para portugués, “pt-br” para brasileño, “fr” para francés
y “en-us” para inglés americano) y un punto y coma.
El idioma de los tokens puede establecerse añadiendo después del token el símbolo de
admiración “!” seguido del identificador de idioma.
language es; $color = verde | azul | rojo | // en español verd!ca | blau!ca | vermell!ca // en catalán ;
Precedencia
La precedencia de operadores en la definición de reglas es:
1. Nombre de regla denotado por el símbolo “$”.
2. Paréntesis “()” para agrupar y corchetes “[]” para agrupar opcionales.
3. Operadores unarios “*” y “+” y tags “{}” aplican a la palabra o regla immediatamente
precedente (los paréntesis permiten agrupar palabras y reglas).
4. Secuencias de palabras y/o reglas.
5. Secuencias de palabras y/o reglas separadas por “|”.
Definición de reglas
Una definición de regla permite asociar una regla a un nombre de regla. Consiste en una
declaración opcional de ámbito seguido de un nombre de regla (que debe empezar
obligatoriamente por “$”), un signo igual “=”, la propia definición de la regla, y un punto y
coma “;” al final.
$nombre = regla; public $nombre = regla; $color = rojo | verde | azul | "azul marino";
La declaración del ámbito puede ser “public” o “private”, siendo esta última la declaración
por defecto. Las reglas definidas como “public” son las reglas iniciales para el
reconocimiento.
Regla principal (root)
143
Si una (y sólo una) de las reglas se declara con el ámbito “root”, será la única regla usada
por el reconocedor. Si no existe ninguna regla declarada como “root”, el reconocedor
usará como regla principal la alternativa de todas las reglas declaradas como “public”.
Comentarios
Comentarios en el estilo C/C++/Java se admiten en la definición de las gramáticas. Los
comentarios delimitados por “/*” y “*/” o entre “//” y el final de la línea son ignorados por el
procesador de gramáticas.
En la sintaxis de las gramáticas ABNF todas las gramáticas deben empezar por
“#ABNF 1.0 ISO8859-1;”.
Ejemplo de gramáticas ABNF
#ABNF 1.0 ISO8859-1;
$rgb = rojo {COLOR=R} | // si se reconoce "rojo" retorna COLOR=R verde {COLOR=G} | // si se reconoce "verde" retorna COLOR=G azul {COLOR=B} | "azul marino" {COLOR=B}; // "el color azul" -> COLOR=B // "el rojo por favor" -> COLOR=R // "azul marino" -> COLOR=B root $color = [color {} | "el color" {} | el {}] $rgb "por favor" {}]; #ABNF 1.0 ISO8859-1; public $dia_semana = [el {}] (lunes | martes | miércoles | jueves | viernes | sábado | domingo); public $dia_relativo = ayer | hoy | mañana | "pasado mañana"; // implicit declaration of rule "root $dia = $dia_semana | $dia_rel;"
Verbio para asterisk Fichero de configuración verbio.conf
Al instalar verbio es necesario editar el fichero de configuración verbio.conf Este fichero
reside en: '/etc/asterisk'. Las opciones más importantes a configurar en este fichero son:
Sección [general]
- primary_vox_server : ip de la máquina donde corre verbiod.
Sección [tts]
- default_language : Lenguaje por defecto del sintetizador de voz.(X)
- default_speaker : Locutor por defecto del sintetizador de voz. (X)
- text_prompts_path : Ruta (por defecto) de los prompts de texto.
144
Sección [asr]
- default_config : Configuración por defecto del reconocimiento.(X)
- default_language : Lenguaje por defecto del reconocimiento. (X)
- grammar_path : Ruta por defecto de las gramáticas.
Como ejemplo, el siguiente fichero de configuración es válido para una instalación la cual
disponga, al menos, de los siguientes paquetes Verbio instalados:
* verbio-engines (Motores de síntesis y reconocimiento)
* verbio-clients (Librerías de desarrollo)
* verbio-asr-es (Reconocimiento español)
* verbio-tts-esao (Locutora española Laura)
;;;;;;;;;;;;;; verbio.conf ;;;;;;;;;;;;;;;;;;;;;;;;;;;
; Verbio ASR and TTS engines Configuration
;;;;;;;;;;;;;;;;;;;;;;
; General options ;
;;;;;;;;;;;;;;;;;;;;;;
[general]
; Primary Voxserver (default: 127.0.0.1)
primary_vox_server = 127.0.0.1
; Backup voxserver
backup_vox_server = 127.0.0.1
; Network Timeout (seconds)
; default 5
net_timeout = 5
;;;;;;;;;;;;;;;;;;;;;;
; TTS Engine Options ;
145
;;;;;;;;;;;;;;;;;;;;;;
[tts]
; Default TTS language (depends on your verbio setup)
; If you do not want to load TTS, comment this option.
default_language = es
; Default TTS speaker (depends on your verbio setup)
default_speaker = laura
; Default path to promt files (text files that you want to be readed by Verbio TTS)
text_prompts_path =/var/lib/asterisk/verbio/text
; Misc options
; Delays in ms
init_delay = 300
end_delay = 20
;;;;;;;;;;;;;;;;;;;;;;
; ASR Engine Options ;
;;;;;;;;;;;;;;;;;;;;;;
[asr]
; Default ASR config (depends on your verbio setup)
; If you do not want to load ASR, comment this option.
default_config = es
; Default ASR lang (depends on your verbio setup)
default_language = es
; Default path to grammar files
grammar_path = /var/lib/asterisk/verbio/gram
146
; Max duration of initial silence 10ms units.(300 -> 3 seconds)
; default: 300
init_sil = 300
; Max duration of final silence 10ms units.(200 -> 2 seconds)
; default: 200
max_sil = 200
; VAD (Voice Activity Detection) options
; min_ref: 5 (to be used in quiet rooms) - 190 (to be used in noisy rooms)
; default: 5
min_ref = 5
; Absolute timeout (max recognition time)
; default 30 (seconds)
;absolute_timeout = 30
;;;;;;;;;;;;;;;;;;;;;;
; Debug options ;
;;;;;;;;;;;;;;;;;;;;;;
[debug]
; Global verbose mode
; Comment it to disable glogal verbose mode.
; Enable verbose on all Verbio applications, even if
; application's 'v' option is not set.
; If you are using 'res_speech_verbio', you can also set/unset
; verbosity (in your dialplan) using 'Set(SPEECH_ENGINE(verbose)=1)'
; or 'Set(SPEECH_ENGINE(verbose)=0)'
147
;verbose = 1
; Extended verbosity (verbose mode must be set)
; Comment it to disable extended verbosity
;extended_verbose = 1
; save recorded files
; default: 0
;keep_recorded_files = 1
; Path to recorded files
; default /var/lib/asterisk/verbio/audio
;recorded_files_path = /var/lib/asterisk/verbio/audio
;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;
Aplicaciones Verbio para Asterisk
Una vez realizada la configuración necesaria en el fichero de configuración verbio.conf,
describimos las diferentes aplicaciones de verbio en asterisk.
Nota: Si los parámetros marcados como opcionales se omiten, estos tomarán los valores
del fichero '/etc/asterisk/verbio.conf'.
VerbioLoadVcb(gram_file|gram_type[|config][|lang][|options])
Descripción:
Esta función carga una gramática (sobre un puerto verbio asociado al canal Asterisk).
Parámetros:
gram_file : fichero de gramática.
gram_type : tipo de gramática ((ISOLATED, CONNECTED, ABNF o BUILTIN)).
config : configuración de reconocimiento (opcional).
lang : lenguaje a utilizar (opcional).
options : opciones. Las opciones disponibles son:
148
- v (verbose)
- n (no ejecutar colgado cuando se produzca un error referente a Verbio)
Una vez cargada la gramática, se establecerá una variable de canal (VVCB_HANDLE) la
cual contiene el identificador de la gramática cargada.
VerbioUnloadVcb(vcb_handle[|config][|lang][|options])
Descripción:
Descarga una gramática.
Parámetros:
vcb_handle : identificador de gramática (-1 para descargar todas)
config : configuración de reconocimiento (opcional).
lang : lenguaje a utilizar (opcional).
options : opciones. Las opciones disponibles son:
- v (verbose)
- n (no ejecutar colgado cuando se produzca un error referente a Verbio)
VerbioRec([|config][|lang][|initsil][|maxsil][|abs_timeout][|options])
Descripción:
Lanza el reconocimiento. Antes de hacer cualquier llamada a esta aplicación, deberemos
haber cargado alguna gramática con la función 'VerbioLoadVcb'.
Parámetros:
config : configuración de reconocimiento (opcional).
lang : lenguaje a utilizar (opcional).
initsil : máxima duración de silencio de inicio (unidades de 10ms)
maxsil : máxima duración de silencio final (unidades de 10ms)
abs_timeout : timeout absoluto de reconocimiento (segundos) (opcional)
options : opciones. Las opciones disponibles son:
149
- b (beep antes de lanzar el reconocimiento)
- v (verbose)
- a (descolgar el canal)
- d (habilitar la detección de dtmf)
- n (no ejecutar colgado cuando se produzca un error referente a Verbio)
Para acceder al resultado del reconocimiento, podemos consultar (desde el dialplan de
Asterisk) las siguientes variables de canal:
- VASR_WORDS : Número de palabras reconocidas (n).
- VASR_INDEXn : Índice (dentro de la gramática) de la palabra-n reconocida.
- VASR_RESULTn : Resultado-n del reconocimiento.
- VASR_SCOREn : Score-n (confianza) del reconocimiento.
- VASR_UTTERANCEn : Utterance el resultado n.
- VASR_WEIGHTn : Peso del resultado n dentro de la gramática.
- VASR_RULEn : Regla a la que pertenece el resultado n.
Para compatibilidad con anteriores versiones:
- VASR_INDEX = VASR_INDEX0
- VASR_RESULT = VASR_RESULT0
- VASR_SCORE = VASR_SCORE0
- VASR_UTTERANCE = VASR_UTTERANCE0
- VASR_WEIGHT = VASR_WEIGHT0
- VASR_RULE = VASR_RULE0
Si la detección de dtmf (opción 'd') está habilitada, podemos consultar su estado con las
siguientes variables de canal:
- VDTMF_DETECTED :TRUE (se ha detectado un tono) o FALSE (no se ha detectado
tono)
150
- VDTMF_RESULT :si VDTMF_DETECTED = TRUE, VDTMF_RESULT contiene el
valor de la tecla pulsada -0,1,2,3,4,5,6,7,8,9,*,#...-.
Se puede configurar el número máximo de dtmf a detectar y el dtmf de
terminación, configurando (set) las siguientes variables del dialplan:
- VERBIO_DTMF_MAXLEN
- VERBIO_DTMF_TERMINATOR
Nota: si la opción 'keep_recorded_files' está activada en 'verbio.conf', podemos consultar
el nombre del fichero generado (una vez la aplicación de reconocimiento ha terminado),
mediante la siguiente variable del dialplan: VASR_REC_FILE.
VerbioPrompt(text_or_file[|lang][|speaker][|options])
Descripción:
Sintetiza un texto o fichero de texto.
Parámetros:
text_or_file : texto (o fichero - ver opciones -) a sintetizar.
lang : lenguaje a utilizar (opcional).
speaker : locutor a utilizar (opcional).
options : opciones. Las opciones disponibles son:
- f (tratar el parámetro fichero_o_texto como si fuera un fichero)
- v (verbose)
- p (habilitar pausa/reproducción mediante dtmf -tecla por defecto '#'.Para
especificar una tecla: p0,p1,..,p*,p#. p. para qualquier tecla-)
- s (habilitar parada del prompt mediante dtmf -tecla por defecto '#'. Para
especificar una tecla: s0,s1,..,s*,s#. s. para qualquier tecla-)
- a (descolgar el canal)
- n (no ejecutar colgado cuando se produzca un error referente a Verbio)
Si la opción de parar el prompt ('s') está habilitada, podemos consultar su estado con las
siguientes variables de canal:
151
- VDTMF_DETECTED (TRUE -si el usuario ha pulsado la tecla de parada del prompt- or
FALSE)
- VDTMF_RESULT (si VDTMF_DETECTED = TRUE, contiene el valor de la tecla
pulsada)
Al trabajar con la opción 'f', los ficheros de texto a sintetizar, se buscarán en la ruta
definida por el parámetro 'text_prompts_path', del fichero de configuración
('/etc/asterisk/verbio.conf').
Si queremos sintetizar un fichero de texto que se encuentre en una ubicación distinta,
deberemos introducir el path completo al fichero.
No olvidarse de escapar las comas (',') del texto que queremos sintetizar (ejemplo: "Hola\,
buenas tardes."). (Si usamos un fichero de texto -opción 'f'- esto último no aplica).
VerbioPromptAndRec(text_or_file[|initsil][|maxsil][|tts_lang][|tts_spkr][|asr_conf][|asr_lang][
|abs_timeout][|options])
Descripción:
Lanza (al mismo tiempo) una síntesis y un reconocimiento. Dicha aplicación permite, si la
opción bargein está activada, que el usuario interrumpa la máquina (si durante la locución
el reconocedor detecta que el usuario ha dicho algo, se parará la síntesis y la aplicación
terminará. Permitiéndonos, así, consultar el resultado del reconocimiento efectuado)
Parámetros:
text_or_file : texto (o fichero - ver opciones -) a sintetizar.
initsil : máxima duración de silencio de inicio (unidades de 10ms) (opcional)
maxsil : máxima duración de silencio final (unidades de 10ms) (opcional)
tts_lang : lenguaje (del sintetizador) a utilizar (opcional).
tts_spkr : locutor (del sintetizador) a utilizar (opcional).
asr_conf : configuración de reconocimiento (opcional).
asr_lang : lenguaje (del reconocedor) a utilizar (opcional).
abs_timeout : timeout absoluto de reconocimiento (segundos) (opcional)
152
options : opciones. Las opciones disponibles son:
- f (tratar el parámetro fichero_o_texto como si fuera un fichero)
- v (verbose)
- a (descolgar el canal)
- b (beep antes de reconocer)
- g (activar bargein. Permitir al usuario interrumpir a la máquina. Esta
opción desactivará 'b'.)
- i (interrumpir de manera inmediata el prompt al detectar voz. Esta opción
activará 'g'.)
- d (habilitar la detección de dtmf)
- n (no ejecutar colgado cuando se produzca un error referente a Verbio)
Al trabajar con la opción 'f', los ficheros de texto a sintetizar, se buscarán en la ruta
definida por el parámetro 'text_prompts_path' del fichero de configuración
('/etc/asterisk/verbio.conf'). Si queremos sintetizar un fichero de texto que se encuentre en
una ubicación distinta, deberemos introducir el path completo al fichero.
No olvidarse de escapar las comas (',') del texto que queremos sintetizar (ejemplo: "Hola\,
buenas tardes."). (Si usamos un fichero de texto -opción 'f'- esto último no aplica).
Cuando usemos bargein, hay que tener mucho cuidado al seleccionar los parámetros
'initsil', 'maxsil' y 'abs_timeout'.Si, por ejemplo, seleccionamos un 'initsil' o 'abs_timeout'
demasiado pequeño, no le daremos suficiente tiempo de escucha al usuario, y nuestro
mensaje (prompt) se verá interrumpido.
Si no indicamos un valor para 'initsil', 'maxsil' o 'abs_timeout', se utilizarán los valores
indicados en el fichero de configuración (verbio.conf)
Para acceder al resultado del reconocimiento, podemos consultar (desde el dialplan de
Asterisk) las siguientes variables de canal (una vez la aplicación 'VerbioPromptAndRec'
haya terminado):
- VASR_WORDS : Número de palabras reconocidas (n).
- VASR_INDEXn : Índice (dentro de la gramática) de la palabra-n reconocida.
153
- VASR_RESULTn : Resultado-n del reconocimiento.
- VASR_SCOREn : Score-n (confianza) del reconocimiento.
- VASR_UTTERANCEn : Utterance el resultado n.
- VASR_WEIGHTn : Peso del resultado n dentro de la gramática.
- VASR_RULEn : Regla a la que pertenece el resultado n.
Para compatibilidad con anteriores versiones:
- VASR_INDEX = VASR_INDEX0
- VASR_RESULT = VASR_RESULT0
- VASR_SCORE = VASR_SCORE0
- VASR_UTTERANCE = VASR_UTTERANCE0
- VASR_WEIGHT = VASR_WEIGHT0
- VASR_RULE = VASR_RULE0
Si la detección de dtmf (opción 'd') está habilitada, podemos consultar su estado con las
siguientes variables de canal:
- VDTMF_DETECTED :TRUE (se ha detectado un tono) o FALSE (no se ha detectado
tono)
- VDTMF_RESULT :si VDTMF_DETECTED = TRUE, VDTMF_RESULT contiene el
valor de la tecla pulsada -0,1,2,3,4,5,6,7,8,9,*,#...-.
Se puede configurar el número máximo de dtmf a detectar y el dtmf de
terminación, configurando (set) las siguientes variables del dialplan:
- VERBIO_DTMF_MAXLEN
- VERBIO_DTMF_TERMINATOR
Nota: si la opción 'keep_recorded_files' está activada en 'verbio.conf', podemos consultar
el nombre del fichero generado (una vez la aplicación de reconocimiento ha terminado),
mediante la siguiente variable del dialplan: VASR_REC_FILE.
154
VerbioStreamAndRec(audio_file[|initsil][|maxsil][|asr_conf][|asr_lang][|abs_timeout][|option
s])
Descripción:
Lanza (al mismo tiempo) la reproducción de un fichero de sonido y un reconocimiento.
Esta aplicación, igual que la anterior, nos permite realizar 'bargein'.
Parámetros:
audio_file : fichero a reproducir.
initsil : máxima duración de silencio de inicio (unidades de 10ms) (opcional)
maxsil : máxima duración de silencio final (unidades de 10ms) (opcional)
asr_conf : configuración de reconocimiento (opcional).
asr_lang : lenguaje (del reconocedor) a utilizar (opcional).
abs_timeout : timeout absoluto de reconocimiento (segundos) (opcional)
options : opciones.Las opciones disponibles son:
- v (verbose)
- a (descolgar el canal)
- b (beep antes de reconocer)
- g (activar bargein. Permitir al usuario interrumpir a la máquina. Esta
opción desactivará 'b'.)
- i (interrumpir de manera inmediata el stream al detectar voz. Esta opción
activará 'g'.)
- d (habilitar la detección de dtmf)
- n (no ejecutar colgado cuando se produzca un error referente a Verbio)
Cuando usemos bargein, hay que tener mucho cuidado al seleccionar los parámetros
'initsil', 'maxsil' y 'abs_timeout'.Si, por ejemplo, seleccionamos un 'initsil' o 'abs_timeout'
demasiado pequeño, no le daremos suficiente tiempo de escucha al usuario, y nuestro
fichero a reproducir se verá interrumpido.
155
Si no indicamos un valor para 'initsil', 'maxsil' o 'abs_timeout', se utilizarán los valores
indicados en el fichero de configuración (verbio.conf)
Para acceder al resultado del reconocimiento, podemos consultar (desde el dialplan de
Asterisk) las siguientes variables de canal (una vez la aplicación 'VerbioPromptAndRec'
haya terminado):
- VASR_WORDS : Número de palabras reconocidas (n).
- VASR_INDEXn : Índice (dentro de la gramática) de la palabra-n reconocida.
- VASR_RESULTn : Resultado-n del reconocimiento.
- VASR_SCOREn : Score-n (confianza) del reconocimiento.
- VASR_UTTERANCEn : Utterance el resultado n.
- VASR_WEIGHTn : Peso del resultado n dentro de la gramática.
- VASR_RULEn : Regla a la que pertenece el resultado n.
Para compatibilidad con anteriores versiones:
- VASR_INDEX = VASR_INDEX0
- VASR_RESULT = VASR_RESULT0
- VASR_SCORE = VASR_SCORE0
- VASR_UTTERANCE = VASR_UTTERANCE0
- VASR_WEIGHT = VASR_WEIGHT0
- VASR_RULE = VASR_RULE0
Si la detección de dtmf (opción 'd') está habilitada, podemos consultar su estado con las
siguientes variables de canal:
- VDTMF_DETECTED :TRUE (se ha detectado un tono) o FALSE (no se ha detectado
tono)
- VDTMF_RESULT :si VDTMF_DETECTED = TRUE, VDTMF_RESULT contiene el
valor de la tecla pulsada -0,1,2,3,4,5,6,7,8,9,*,#...-.
Se puede configurar el número máximo de dtmf a detectar y el dtmf de
terminación, configurando (set) las siguientes variables del dialplan:
156
- VERBIO_DTMF_MAXLEN
- VERBIO_DTMF_TERMINATOR
Nota: si la opción 'keep_recorded_files' está activada en 'verbio.conf', podemos consultar
el nombre del fichero generado (una vez la aplicación de reconocimiento ha terminado),
mediante la siguiente variable del dialplan: VASR_REC_FILE.
VerbioLastErr(var)
Descripción:
Esta aplicación permite consultar el último mensaje de error referente a las funciones
Verbio.
Parámetros:
var: variable de canal donde guardaremos el mensaje de error.
Las aplicaciones Verbio deberán ser ejecutadas con la opción 'n' (para evitar, cuando se
produzca un error por parte de las funciones de Verbio, el cuelgue de la llamada).
Códigos de error:
EVX_NOERROR NO ERROR
EVX_INVSETUP Vox ERROR (Files may be corrupted. Check disk and repeat Vox
Setup)
EVX_NOMEM OUT OF MEMORY. (Check memory leakages)
EVX_VCBFILE THE VOCABULARY FILE NAME IS NOT VALID. (Check the
vocabulary file name and path writing permission)
EVX_INVWORD THE VOCABULARY CONTAINS AN INVALID WORD. (Check and
correct invalid words)
EVX_NOLICFILE NO LICENSE FILE WAS FOUND. (Use Setup and CheckOut to
obtain the Vox directory structure and the license file)
EVX_INVLIC THE LICENSE FILE IS NOT VALID. (Use CheckOut to obtain a valid
license file)
EVX_SYSTEM SYSTEM ERROR (Check errno)
157
EVX_NOLIBINIT VOXLIB WAS NOT SUCCESSFULLY LOADED. (Call vox_libinit()
before using any Vox function)
EVX_NOLIC NO LICENSE
EVX_NOSETVCB NO ACTIVE VOCABULARY. (Use vox_setvcb() to set the active
vocabulary)
EVX_NORECSTR NO RECOGNITION. (Use vox_recstr() to init recognition)
EVX_NOLINE NO MORE LINES ARE AVAILABLE FOR THE SPECIFIED CHANNEL
DEVICE
EVX_BADPARM INVALID PARAMETER IN FUNCTION CALL
EVX_NOTIMP NOT IMPLEMENTED
EVX_NORECIND NO RECIND OR NBEST. (Call vox_recind() before calling
ATVOX_NIND())
EVX_INVFILE INVALID FILENAME
EVX_NETWORK NETWORK ERROR
EVX_DICFILE THE DICTIONARY FILE NAME IS NOT VALID
EVX_PARSER ABNF PARSER ERROR
EVX_INVVER THE VOXSERVER VERSION DOES NOT MATCH THE CLIENT
VERSION
EVX_UNKNOWN Unknown error
2.8 - VerbioInfo()
Descripción:
Esta aplicación imprimirá información diversa sobre la configuración de Verbio (locutores
instalados, configuraciones de reconocimiento instaladas, versiones, licencias, etc...).
Esta aplicación creará las siguientes variables de canal:
- VTTS_SPEAKERS : locutores disponibles (formato:
'id1:name1:gender1:age1:lang1;id2:name2:gender2:age2:lang2;')
- VASR_CONFIGS : configuraciones de reconocimiento disponibles.
158
VerbioFreeChannel
Descripción:
Esta aplicación liberará los recursos (licencias y memoria) del servidor Verbio para el
canal actual. Esta aplicación deberá ser ejecutada SIEMPRE, antes de terminar una
llamada que haga uso de las aplicaciones Verbio. Esta aplicación es equivalente a
ejecutar VerbioUnloadVcb con el parámetro vcb_handle a -1.
Ejemplo de uso de las aplicaciones Verbio en Asterisk.
Consideraciones previas:
- Previamente a la ejecución del ejemplo, deberemos copiar el fichero de gramática
'vdemo.txt' a la carpeta '/var/lib/asterisk/verbio/gram'.
- Este ejemplo supone un fichero de configuración verbio.conf, tal como el mostrado
anteriormente
- Los parámetros marcados como 'opcional' se han obviado a la hora de realizar las
llamadas a las aplicaciones Verbio.
Ejemplo (con todos los parámetros):
exten => s,n,VerbioLoadVcb(vdemo.txt,isolated,es,es,v)
Ejemplo (solo con los parámetros 'obligatorios'):
exten => s,n,VerbioLoadVcb(vdemo.txt,isolated)
Ejemplo (algunos parámetros 'obviados'):
exten => s,n,VerbioLoadVcb(vdemo.txt,isolated,,,v)
Ejemplo:
;[...]
exten => 802,1,Goto(VERBIO_TEST,s,1)
;[...]
;;;;;;;;;;;;;;;;;;;;;;;;
; VERBIO TEST Context ;
159
;;;;;;;;;;;;;;;;;;;;;;;;
[VERBIO_TEST]
; (1) Cargar el vocabulario (vdemo.txt)
exten => s,1,Answer()
exten => s,n,VerbioLoadVcb(vdemo.txt,isolated,,,v)
exten => s,n,VerbioPrompt(Establecido vocabulario ${VVCB_HANDLE}.)
; Guardar el último posible error de Verbio (opcional)
exten => s,n,VerbioLastErr(VERROR)
exten => s,n,NoOp(${VERROR})
; (2) Ejemplo de reconocimiento y prompt
exten => s,n,VerbioPromptAndRec(Hola\,indícame una entrada de la gramática.
Recuerda que\,si la opción baryin está activada\, esta aplicación te permite interrumpirme
en cualquier momento.Gracias por llamar.,1500,100,,,,,,vg)
exten => s,n,VerbioPrompt("Palabras ${VASR_WORDS}. Resultado: ${VASR_RESULT0}.
Score: ${VASR_SCORE0}",,,v)
; (3) Ejemplo de prompt
;exten => s,n,VerbioPrompt(/var/lib/asterisk/verbio/text/test.txt,,,fv)
exten => s,n,VerbioPrompt(Hola\,indícame una entrada de la gramática.,,,v)
; (4) Ejemplo de reconocimiento
exten => s,n,VerbioRec(,,,,,vb)
exten => s,n,VerbioPrompt("Palabras ${VASR_WORDS}. Resultado: ${VASR_RESULT}.
Score: ${VASR_SCORE}",,,v)
; (5) Descargar vocabulario establecido previamente
exten => s,n,VerbioUnloadVcb(${VVCB_HANDLE},,,v)
; (6) Liberar recursos (tanto licencias como memoria)
exten => h,1,VerbioFreeChannel()
160
ANEXO 4: MANUAL DE INCORPORACIÓN DE EXTENSIONES SIP
Para incorporar extensiones sip en el sistema asterisk, es necesario editar el
fichero de configuración sip.conf situado en /etc/asterisk. Una vez editado es necesario
situarse al final del mismo e introducir nuevas extensiones con el siguiente formato
[nueva_extensión]
;parámetros necesarios para la extensión
type=friend
host=dynamic
username=nueva_extensión
secret=password_sip_nueva_extensión
…
Como ejemplo se pueden incluir diferentes extensiones, similares a la existente
3001 si al final del fichero sip.conf se incluye por ejemplo el siguiente contenido.
[3002]
type=friend
host=dynamic
username=3002
secret=password3002
callerid="ALONSO" <3002>
context=extensiones-internas
disallow=all
allow=alaw
qualify=yes
161
canreinvite=no
Una vez realizados los cambios en el fichero sip.conf es necesario activarlos a
través del comando
Asterisk –rx “sip reload”
De la misma forma se pueden incorporar todas las extensiones sip que se
deseen variando el número o nombre de la extensión sip. Una vez habilitadas las
extensiones en el servidor asterisk, es necesario configurar en algún dispositivo que
implemente el protocolo sip, los datos de extensión, password sip y codecs configurados
previamente en el servidor asterisk y comprobar en el propio servidor que las extensiones
introducidas se registran correctamente.
162
ANEXO 5: MANUAL DE CREACIÓN DE CONSULTAS EN BASE DE DATOS
Para realizar diferentes consultas a una base de datos desde asterisk, es
necesario definir todas las consultas que se deseen realizar en el fichero func_odbc.conf.
Las diferentes consultas se crearán editando el fichero func_odbc.conf, situándose al final
del mismo e incluyendo líneas con el siguiente contenido.
[NOMBRE_CONSULTA1]
prefix=PREFIJO1
dsn=asterisk
readsql=Consulta_1_sql_a_realizar_con_parámetros
[NOMBRE_CONSULTA2]
prefix=PREFIJO2
dsn=asterisk
readsql=Consulta_2_sql_a_realizar_con_parámetros
…
[NOMBRE_CONSULTAn]
prefix=PREFIJOn
dsn=asterisk
readsql=Consulta_n_sql_a_realizar_con_parámetros
Una vez definidas las diferentes consultas a realizar, podrán ejecutarse desde el
dialplan de asterisk a través del uso de diferentes variables de canal que almacenen los
respectivos resultados de las consultas definidas.
A continuación se expone el dialplan necesario para almacenar el resultado de
las tres consultas indicadas anteriormente. La sentencia set debe tener el formato
indicado para que la consulta se efectúe correctamente
163
Exten,200,Set(variable_resultado_consulta1=${PREFIJO1_NOMBRE_CONSULTA1
("${Parametro1_consulta_sql1}",${ Parametro2_consulta_sql1},${ Parametron_consulta_s
ql1})})
Exten,201,Set(variable_resultado_consulta2=${PREFIJO2_NOMBRE_CONSULTA2
("${Parametro1_consulta_sql2}",${ Parametro2_consulta_sql2},${ Parametron_consulta_s
ql2})})
Exten,202,Set(variable_resultado_consultan=${PREFIJOn_NOMBRE_CONSULTA3
("${Parametro1_consulta_sqln}",${ Parametro2_consulta_sqln},${ Parametron_consulta_s
qln})})
El guión bajo de color rojo lo indicamos para diferenciar de forma clara que el
nombre del prefijo debe estar separado por un guión bajo del nombre de la consulta
definido en el fichero func_odbc.conf. En los ejemplos anteriores se han supuesto 3
extensiones diferentes 200, 201 y 202 para almacenar las respectivas variables de canal
que almacenarán el resultado de la consulta.
Cada una de las sentencias anteriores debe estar en una única línea.
Las variables ${Parametro1_consulta_sqln}, ${Parametro2_consulta_sqln},
${Parametron_consulta_sqln} deben ser datos almacenados previamente en estas
variables. Estos datos serán los argumentos que se pasarán a la consulta para que
devuelva los respectivos resultados.
En el caso del presente proyecto estos parámetros serán el DNI del alumno, el
nombre de la asignatura y la convocatoria.