Características utilizadas en los métodos de verificación del hablante

Los parámetros utilizados en voz, idealmente, deberían cumplir con las siguientes condiciones (^{Rose, 2002}): (a) gran variabilidad entre-hablantes y baja variabilidad intra-hablante; (b) ser robustos ante condiciones de ruido y distorsión por efectos del canal; (c) que ocurran de manera frecuente y natural en el habla; (d) fáciles de medir; (e) que sean difíciles de imitar por otras personas, y (f) que no se vean afectados por cambios en la salud y la edad. Una forma de clasificar las características es como sigue (^{Kinnunen & Li, 2010}): 1) características de tiempo corto, y relacionadas con la fuente de voz; 2) características espectro-temporales, y 3) características prosódicas y de información de alto nivel.

Características espectrales de tiempo corto y características relacionadas con la fuente

Las características de tiempo corto, como su nombre lo indica, son estimadas en segmentos cortos entre 20 y 30 ms. Aunque son fáciles de estimar y requieren de una menor longitud total de audio, estas características tienden a ser más afectadas por ruido y desacople en el canal (^{Kinnunen & Li, 2010}). Dentro de las características de tiempo corto utilizadas en sistemas de verificación y reconocimiento del hablante tenemos: MFCC (mel-frequency cepstrum coefficients) (^{González-Rodríguez, Drygajlo, Ramos-Castro, García-Gomar & Ortega-García, 2006}), los cuales, aun con el pasar de los años, es difícil encontrarles reemplazo. Los parámetros MFCC están relacionados con la envolvente espectral, la cual entrega información acerca de la forma tracto vocal y ha mostrado ser de bastante utilidad en propósitos de reconocimiento del hablante. Aunque no solo los MFCC entregan información de la forma del tracto vocal, están además los PLP (perceptual linear prediction), LPC (linear predictive coding) y el cepstrum, entre otros. Los MFCC son comúnmente utilizados en aplicaciones de software automáticas de tipo comercial.

Por otra parte, las características relacionadas con la fuente caracterizan el comportamiento de la señal de excitación glotal de sonidos del tipo sonoro (^{Kinnunen & Li, 2010}). En experimentos previos se ha encontrado que el valor discriminante de las características asociadas a la fuente es menor que los asociados al tracto vocal; sin embargo, los primeros contribuyen a mejorar el desempeño del sistema como un todo (^{Zheng, Lee & Ching, 2007}).

Características espectro-temporales

Dentro de este tipo de características se destacan los formantes. Los formantes han sido preferiblemente utilizados en el método acústico-fonético, aunque también han sido eventualmente utilizados en métodos del tipo automático. En particular, la bondad de las trayectorias de los formantes en tareas de verificación del hablante ha sido probada bajo el nuevo paradigma de la razón de verosimilitud en ^{Morrison (2009a)}. En general, el segundo formante tiende a verse menos afectado que los formantes primero y tercero debido a su ubicación dentro del ancho de banda de la voz. Los formantes cuarto y quinto simplemente no se utilizan debido a las consideraciones de ancho de banda del canal. En contraste, la estimación de la frecuencia fundamental se ve poco afectada por efectos del canal. Otro tipo de parámetros que han sido probados con éxito corresponde a los componentes principales de tiempo-frecuencia (^{Magrin-Chagnolleau, Durou & Bimbot, 2002}), que consisten en una representación reducida en parámetros obtenida mediante la aplicación de análisis de componentes principales sobre los valores de energía de los átomos de tiempo-frecuencia calculado entre un tiempo t _a y t _b .

Características de alto nivel

Estas características son más robustas contra ruido y desacople del canal, pero son más difíciles de estimar, requieren de una mayor longitud de audio y son más fáciles de imitar (^{Kinnunen & Li, 2010}). El tipo de palabras y los sonidos que los hablantes utilizan en su conversación pueden también ayudar a determinar su identidad. En ^{Campbell, Campbell, Gleason, Reynolds y Shen (2007)}, fonemas y secuencias de fonemas se agregaron a modo de entrada a un sistema de verificación del hablante, junto con características cepstrales, con el fin de mejorar la rata de clasificación. A este grupo también pertenecen las características prosódicas, las cuales están relacionadas con el estrés sobre las silabas, patrones de entonación, rata de habla y ritmo. El parámetro prosódico más importante es la frecuencia fundamental (Fo). La combinación de parámetros relacionados con la Fo y los espectrales ha mostrado ser relevantes para el mejoramiento del desempeño de los sistemas de reconocimiento del hablante (Kinnunen & Li, 2010). En ^{Leung, Mak, Siu y Kung (2006)} se usan los patrones de pronunciación de las personas para diseñar un sistema VH, representados estos en un modelo que relaciona características articulatorias (manera y punto de articulación) con los fonemas. Aunque características de alto nivel han sido ya probadas en sistemas de VH, aún permanece abierta la pregunta acerca de exactamente cuáles características usar de la señal de voz con fines de incrementar la robustez (Kinnunen & Li, 2010); además, en ^{Fazel y Chakrabartty (2011)} se plantea el uso de parámetros de alto nivel para mejorar la robustez de estos sistemas. Por otra parte, en ^{Univaso, Ale y Gurlekian (2015)} se muestra que además de características de tono, aquellas relacionadas con la calidad y duración de las emisiones de la voz tienen también buena capacidad para tareas de discriminación de hablantes.

Métodos de comparación forense de hablantes

Estos métodos, según ^{Rose (2002)} y ^{Morrison (2010)}, pueden clasificarse en las siguientes cuatro categorías: auditivo, auditivo-espectrográfico, fonético-acústico y automático. De estos métodos, solo los dos últimos están basados en medidas objetivas de las propiedades acústicas de la señal de voz; sin embargo, los incluimos en la presente sección debido a que estos aún (año 2018) se mencionan en procedimientos realizados por entidades oficiales de algunos países: entre ellos Colombia y Perú. Adicional a los métodos mencionados anteriormente, en ^{Univaso (2017)} se agrega una nueva familia de métodos denominados semiautomáticos. En estos métodos existe una notable interacción entre el analista y la aplicación de software, buscando mezclar las ventajas de algunos métodos pertenecientes a los métodos automáticos con el conocimiento de expertos en fonética.

Método auditivo

También conocido como auditivo-perceptual, se basa en las habilidades auditivas de profesionales del área de la comunicación hablada, previo entrenamiento, para así realizar la identificación de personas a través de su voz. En este método las diferencias percibidas son usadas para estimar la similitud entre las voces. En general, los parámetros de voz utilizados en este método corresponden a parámetros de alto nivel. Aunque el humano está provisto de habilidades a la hora de reconocer hablantes, varios factores afectan la confiabilidad de este método (^{Bonastre et al., 2003}): la familiaridad con el hablante, duración de la muestra, el contexto, la prosodia e imitación, y el grado de entrenamiento del experto. Por otra parte, se ha establecido que es posible encontrar voces que se escuchen igual, aunque su contenido acústico muestre diferencias notables (^{Rose, 2002}).

Respecto a la capacidad de reconocimiento de personas por parte de humanos, en ^{Van Lancker, Kreiman y Emmorey (1985)} se reporta una tasa de reconocimiento de hablantes del 71% a partir de audios de personas famosas, y en ^{Nielsen y Stern (1985)} se obtiene un valor del 88% para el caso en el que se busca reconocer voces familiares a partir de audios sin distorsiones. Aunque se reportan éxitos respecto al uso del método auditivo-perceptual, para ello se requiere que sea cuidadosamente aplicado bajo condiciones específicas y controladas, y que los resultados sean cuidadosamente interpretados, lo cual limita su uso. Además, la alta intervención humana convierte al profesional practicante de la prueba en una posible fuente de error, lo cual limita aún más su utilidad en el campo forense (^{Hollien, Didla, Harnsberger & Hollien, 2016}). A pesar de ello, la experiencia en este método podría llegar a ser útil para el desarrollo de nuevos métodos.

Por otra parte, con la aparición y posterior progreso de los métodos automáticos de verificación se han realizado experimentos en los que se busca comparar el desempeño del oído humano frente a las máquinas. En particular, en ^{Schmidt-Nielsen y Crystal (2000)} se obtiene que la capacidad de reconocimiento del oído humano es similar a la de los métodos automáticos de ese entonces, aunque el desempeño del humano fue más robusto en condiciones de degradación de los registros. Sin embargo, experimentos reportados en varios trabajos posteriores muestran que el desempeño de métodos automáticos recientes es superior al oído humano (^{Hansen & Hasan, 2015}), incluso en voz imitada (^{Hautamäki, Kinnunen, Hautamäki & Laukkanen, 2014}).

Método auditivo-espectrográfico

Este método involucra la comparación de las voces dubitadas e indubitadas teniendo en cuenta como se escuchan los segmentos de voz, así también como se ven en el espectrograma (^{Rose, 2002}). El examen auditivo se realiza con el propósito de buscar diferencias y similitudes entre las voces dubitada e indubitada. De manera complementaria, el examen visual busca comparar y analizar patrones acústicos en la voz a partir de los espectrogramas (^{Tosi, 1979}). Este proceso es desarrollado por un experto entrenado para tal tarea. Como primer paso se le hace al sospechoso una sesión de recolección de audios, donde se le solicita que repita varias veces un conjunto de frases seleccionadas. Las frases se seleccionan de forma tal que coincidan tanto como sea posible con las frases pronunciadas en el audio a analizar (audio dubitado) (Tosi, 1979); sin embargo, oponentes al presente método exponen que al pedirle al sospechoso que trate de imitar aspectos prosódicos y temporales del audio dubitado, se podría caer en el riesgo de implicar a una persona inocente (Gruber & Poza, I995; Rose, 2002).

A pesar de que la comunidad científica tiene varias reservas respecto a la confiabilidad y error estadístico de este método, que por naturaleza es subjetivo, aún se sigue referenciando su uso en países como Colombia³ y Perú⁴. La entidad IAFPA (International Association for Forensic Phonetics and Acoustics) emitió una resolución en el 2007 en la cual la mencionada asociación descalifica el proceso de verificación del hablante basado en espectrogramas (http://www.iafpa.net/voicepintsres.htm) (^{Morrison, 2010}). Similares medidas se tomaron en Francia (^{Add-Decker et al., 1999}).

Método acústico-fonético

Es practicado sobre todo por expertos debidamente entrenados, los cuales realizan mediciones de propiedades acústicas de la voz y luego hacen un análisis estadístico sobre estas. Como un primer paso se identifican unidades acústicas equiparables, tanto en la señal dubitada como en la indubitada, y se procede a efectuar las mediciones acústicas sobre estos segmentos. Seguidamente, se buscan aquellas unidades acústicas para las cuales se cumple que la cantidad de estas es suficiente, desde el punto de vista estadístico, dentro de la muestra de voz dubitada, y luego para la voz indubitada. Ha de cumplirse que la cantidad de realizaciones (segmentos) de la unidad acústica bajo análisis sea la suficiente a fin de poder entregar resultados confiables (^{Rose, 2002}). Para el análisis pueden utilizarse fonemas de variados tipos tales como vocales, sonidos fricativos (^{Cicres, 2011}) y nasales (^{Amino & Arai, 2009}), entre otros. Además, es posible utilizar segmentos de voz de tamaño superior a los de un fonema mediante el uso de propiedades acústicas consideradas como relevantes para la identificación de personas. A modo de ejemplo, se mencionan la frecuencia fundamental, los formantes (^{Morrison, 2009b}), jitter y shimmer (^{Farrús & Ejarque, 2007}), entre otros.

Debido a que este método está basado en mediciones acústicas, está habilitado para realizar análisis de tipo estadístico tendientes a entregar medidas de desempeño, tales como el grado de coincidencia y razón de verosimilitud entre las voces objeto de análisis; además, algunas de las medidas utilizadas en este método son robustas ante efectos de distorsión provocados por el canal y el ruido. La principal desventaja corresponde al hecho de requerir gran cantidad de horas/hombre durante el desarrollo del procedimiento. Aunque el método está basado en mediciones, aún se tiene un grado menor de subjetividad relacionado con la determinación de inicio y fin de las unidades fonéticas.

Método combinado

En Colombia, durante el análisis comparativo de hablantes, los peritos del Cuerpo Técnico de Investigación (CTI) utilizan el método combinado⁵, el cual involucra tres tipos de análisis: 1) análisis perceptual-auditivo; 2) análisis lingüístico; 3) análisis acústico. Este método combinado podría ser visto como una combinación entre los métodos auditivo, auditivo-espectrográfico y acústico-fonético, arriba mencionados. Un procedimiento que guarda similitudes es el realizado en Perú, donde se sigue una metodología que denominan "integrada", y que consiste en la aplicación de las siguientes fases⁶: (a) fase auditiva, reproducción de la señal de audio e identificación de los rasgos fono-articulatorios lingüísticos; (b) fase espectrográfica y evaluación estadística de los parámetros físicos en las muestras analizadas.

El método combinado involucra procedimientos que utilizan observaciones y mediciones que dan lugar a la subjetividad, especialmente aquellos procedimientos relacionados con el método auditivo-perceptivo y auditivo-espectrográfico, lo cual afecta la objetividad. Además, dificulta la repetibilidad y la verificación de los experimentos por parte de la defensa o la comunidad científica, en caso de ser requerida.

Método automático

Una práctica muy extendida es usar un modelo de referencia UBM (Universal background Model) (^{Hasan & Hansen, 2011}), el cual se usó por primera vez en ^{Reynolds (1997)} y Reynolds, Quatieri y Dunn (2000). El elemento UBM es, en esencia, una función de densidad de probabilidad que representa las propiedades de la voz de la población que se utiliza a modo de referencia. En tal sentido, los modelos de los registros de voz dubitados e indubitados se comparan respecto al modelo de referencia UBM. En tal caso, se tienen dos modelos: modelo del hablante X _s , y el modelo de referencia UBM-GMM X _o . Al pasar las observaciones correspondientes a la señal interceptada % se obtienen dos valores de probabilidad p(X | 𝜆_s) y p(X | 𝜆_o), respectivamente; con los cuales se construye la razón de verosimilitud (LR, Likelihood Ratio). Pero usualmente se usa el valor logarítmico del LR,

A medida que este valor 𝓛 (x) aumenta, la evidencia de que los registros dubitado e indubitado corresponden se hace más fuerte. Es decir, se fortalece la hipótesis de que el indiciado es la fuente de la voz dubitada. En la tabla 1 se muestra los valores de equivalentes verbales propuestos en ^{Rose (2002)}.

Tabla 1 Equivalentes verbales de los valores logarítmicos de la razón de verosimilitud. 

Aunque el desarrollo del método GMM-UBM fue un evento muy importante, se han creado nuevos métodos que mejoran aún más el desempeño de la tarea VH. Después de los GMM se desarrolló el método de súper-vectores, que corresponde a un vector de valores obtenido a partir de concatenar los parámetros de los modelos GMM (^{Kenny, Mihoubi & Dumouchel, 2003}), por ejemplo, sus valores esperados. Aunque estos súper-vectores también pueden obtenerse sobre otros modelos tales como redes neuronales autoasociativas (^{Garimella & Hermansky, 2013}). Los súper-vectores GMM se utilizaron en ^{Campbell, Sturim y Reynolds (2006)} a modo de características para un clasificador basado en SVM (support vector machines). Con esta estrategia se combina la habilidad del modelado de los GMM con la habilidad para la clasificación de las SVM. El uso de súper-vectores ayudó al desarrollo de técnicas que mejoraron la robustez, por ejemplo el caso de proyección de atributos no convenientes (NAP, nuisance attribute projection) (^{Castaldo, Colibro, Dalmasso, Laface & Vair, 2007}) y análisis conjunto de factores (JFA, join factor analysis) (^{Dehak, Kenny, Dehak, Dumouchel & Ouellet, 2011}; Kenny, Ouellet, Dehak, Gupta & Dumouchel, 2008). Sin embargo, estas técnicas también son aplicables sobre los parámetros acústicos, como se muestra en ^{Hasan y Hansen (2013)}.

Posteriormente, aparecen los i-vectors, los cuales en esencia corresponden a versiones reducidas en dimensión de los súper-vectores. Un súper-vector GMM m _h del hablante h puede representarse mediante (^{Dehak et al., 2011})

donde m corresponde al súper-vector GMM-UBM que representa aquella componente independiente del hablante y del canal; y T, es una matrix de rango reducido, llamada matrix de variabilidad total, que contiene aquellas direcciones más relevantes obtenidas a partir de una cantidad suficiente de datos (^{Kanagasundaram, 2014}). Por otra parte, w _h Ɲ(o,I) corresponde a un vector de variables ocultas estimadas, llamadas i-vectors, con la capacidad de encapsular la información de los registros de audio en unos pocos valores, lo que permite que posteriormente sean aplicados métodos de compensación del canal (^{Hansen & Hasan, 2015}). Los i-vectors son utilizados en una buena cantidad de sistemas de verificación del hablante del estado del arte. El desempeño de estos, probados siguiendo los lineamientos propuestos por los protocolos de evaluación NIST SRE 2012⁷, se muestra en ^{Saedi et al. (2013)}, en donde se reportan valores de hasta 4% en el valor EER. Finalmente, con el advenimiento del aprendizaje profundo las mejoras en desempeño podrían ser aún mayores (^{Li, Chen, Shi, Tang & Wang, 2017}; ^{Snyder, García-Romero, Povey & Khudanpur, 2017}).

Propiedades de los registros de señales de voz y su influencia en el desempeño de los sistemas de verificación de hablantes

Se ha mostrado que el desempeño de los procedimientos de comparación forense de voces se ve afectado por propiedades tales como codificación, longitud de los audios, contenido de ruido, presencia de artefactos en la señal, entre otros. Por otra parte, este efecto es diferente dependiendo del método, ya sea el método automático o el método acústico-fonético. Para el caso del método acústico-fonético se muestra la influencia de las propiedades del audio sobre parámetros acústicos comúnmente utilizados en estos procedimientos: frecuencia fundamental y formantes.

Codificación

La codificación corresponde al proceso de encontrar una representación que permita transmitir o almacenar la voz de tal manera que se pueda transmitir más eficientemente por los diferentes canales (e.g., canales inalámbricos). La gran mayoría de las redes de comunicación son de tipo digital y todas las señales enviadas a través de la misma red son codificadas en paquetes de bits a variadas ratas de bits, que dependen, entre otras cosas, del tipo de codificación; y dado que buena parte de los tipos de codificación son del tipo con pérdida, es inevitable que se introduzcan distorsiones (^{Moreno-Daniel, 2004}).

En ^{Polacký, Jarina y Chmulik (2016)} se reporta un sistema del tipo automático en el que el EER (equal error rate) se reduce (equivale a decir que su desempeño aumenta) al incrementar la rata de bits. Además, en Polacký et al. (2016) se menciona que, dentro de los sistemas de codificación, el G.711 es uno de los que ofrece menos degradación en el desempeño en sistemas de verificación del hablante basados en métodos automáticos del tipo GMM-UBM. En contraste, el formato AMR5.9 resulta ser de los menos convenientes al utilizar GMM-UBM. Este resultado se confirma con lo hallado en Jarina, Polacký, Poeta y Chmulík (2017), donde además se muestra que la técnica de i-vectors es más robusta ante cambios en la codificación respecto a GMM. Parte de los resultados reportados en estos trabajos se transcriben en la figura 1, donde puede observarse el desempeño medido en EER para diferentes tipos de codificación. Se observa que el mejor desempeño es para la codificación G.711, seguido por el EVS13.2. En contraste, el peor desempeño es para los tipos de codificación AMR5.9 y G.729.

Fuente: los datos de la presente figura se toman de los trabajos ^{Polacký et al. (2016)} y Jarina et al. (2017), quienes usan el conjunto de datos TIMIT.

Figura 1 Valor EER [%] aproximado para el caso en el que se tiene la señal de voz dubitada en diferentes estándares de codificación si se utilizan los métodos de GMM-UBM e i-vectors. 

El estándar G.711, operando a 64 Kb/s, ha sido comúnmente utilizado en telefonía fija; y para el caso de telefonía móvil, versiones de ancho de banda angosta son la selección por defecto; por ejemplo, el AMR-NB, que operan usualmente a tasas de 12 Kb/s. Un estándar más reciente es el EVS, el cual no tiene el problema de tener un reducido ancho de banda, puede representar señales acústicas diferentes a la voz a diferencia del AMR, y opera con ratas de bits similares a los de telefonía celular. El estándar EVS se está difundiendo ampliamente en comunicaciones sobre redes LTE (la sucesora indiscutible de la tecnología 3G) (Jarina et al., 2017). Por tanto, se espera que a futuro buena parte de las comunicaciones de voz estén codificadas en EVS.

Por otra parte, los esquemas de codificación pueden ser del tipo de banda angosta (NB, narrow band) y de banda ancha (WB, wide band). En los de banda angosta el mues-treo se realiza a 8.000 Hz y cubre el rango de frecuencias de la voz de entre los 300 Hz y 3.400 Hz del espectro de voz, aproximadamente; y en los de banda ancha se cubre el rango de frecuencias entre los 50 Hz y 7.000 Hz, con una frecuencia de muestreo de 16.000 Hz. En Jarina et al. (2017) se muestra que con la codificación del tipo WB se obtienen desempeños superiores que con los del tipo NB (de I% a 3% en términos absolutos en un sistema del tipo automático), lo cual sugiere que existe información por arriba de los 3.400 Hz de la señal de voz que resulta ser útil para propósitos de reconocimiento de personas.

Referente al método acústico-fonético de verificación de hablantes, la codificación también afecta la estimación de los parámetros en sí misma. En comunicaciones móviles, la codificación más ampliamente utilizada es la codificación multitasa adaptiva (AMR, adaptive multi-rate). Para esta codificación en particular se tiene la opción de banda ancha y de banda angosta (AMR-NB) que codifica el rango de frecuencias 200-3.400 Hz a tasas variables, y la opción de banda ancha (AMB-WB) que codifica la banda 50-6.400 Hz. La codificación AMR-NB genera archivos de muy bajo peso, pero de baja calidad. En ^{Ireland, Knuepffer y Mcbride (2015)} se estima la influencia de la codificación AMR sobre parámetros acústicos medidos en vocales, en el cual se reporta que la influencia sobre los parámetros F ₀ (frecuencia fundamental) y HNR (relación armónico-ruido) es despreciable tanto para la codificación AMR-NB como para AMR-WB. En contraste, la distorsión es alta para el caso de los parámetros acústicos jitter y shimmer. Para el caso de los formantes y los coeficientes MFCC, la distorsión es considerable para la codificación de banda angosta AMR-NB, pero muy poca para la de banda ancha AMR-WB. Según el mismo trabajo, para todos los casos se observa una tendencia en la cual la distorsión aumenta a medida que se decrementa la rata de bits por segundo en la codificación. En la tabla 2 se muestran la diferencia en la medición en porcentaje entre las señales de voz sin codificación y señales con codificación en AMR de banda angosta para diferentes valores de rata de bits.

Tabla 2 Diferencia en la medición en porcentaje entre las señales de voz sin codificación y señales con codificación en AMR de banda angosta para diferentes valores de rata de bits. Si el valor es positivo indica que hay sobreestimación. De lo contrario, si es negativo indica que se tiene una subestimación. 

Fuente: estos valores se tomaron del trabajo ^{Ireland et al. (2015)}. El valor en negrilla indica que este corresponde a una diferencia estadísticamente significativa.

Longitud de audio

Longitudes de audio relativamente cortas afectan en mayor manera al método acústico-fonético debido a que debe contar con una cantidad estadísticamente suficiente de realizaciones de aquellos fonemas a analizar, las cuales no siempre ocurren de manera frecuente en la señal de voz. Además, el grado de afectación dependería de qué tan común son esos rasgos que se utilizan para el proceso de comparación forense. Al respecto, en ^{Poddar, Sahidullah y Saha (2018)} se muestra que la cantidad promedio de fonemas encontrados una única vez dentro de un registro de audio se reduce de manera exponencial con la longitud de este mismo audio. En cuanto a la frecuencia de ocurrencia de los fonemas, en ^{Hasan et al. (2013)} se muestra el histograma esperado de ocurrencia de fonemas del idioma inglés para varias longitudes de audio. Para el caso del castellano colombiano, en González y Mejía (2011) se muestra cuáles son aquellos fonemas más frecuentes.

Por otra parte, es importante tener en cuenta que en el método acústico-fonético comúnmente se hace uso de medidas de tiempo largo, tales como LTFo (long term fundamental frecuency) y LTAS (long term average spectrum), las cuales requieren de un tiempo de análisis mínimo para que estas medidas para ese hablante en particular sean confiables. En ^{Arantes y Eriksson (2014)} se estima cuánto tiempo se requiere a fin de obtener una medición estable del valor promedio y la mediana de la frecuencia fundamental, para 26 idiomas. Se encuentra que estas medidas se estabilizan en, a lo mucho, 30 segundos, y que el umbral a partir del cual estas medidas se inician a estabilizar es de alrededor de 10 segundos. Es decir, para obtener medidas confiables del promedio de la frecuencia fundamental, las longitudes de audio han de ser de mínimo I0 segundos, con un valor recomendado 20% superior, es decir, 12 segundos.

En cuanto a métodos del tipo automático, se ha encontrado que el desempeño en EER se reduce notablemente cuando la longitud del audio se reduce. En la figura 2 se muestra el gráfico de desempeño frente a la longitud de audio dubitado (2, 5, I0, 20 y 40 segundos). Para el caso del entrenamiento del modelo de hablante a cuestionar se utilizan varios minutos de audio, lo mismo que para el caso del valor de etiquetado como "larga". Se puede observar para el caso de la técnica de i-vectors, que se pasa de tener un EER de 22,1% a 4,6% al pasar de contar con 2 segundos a 40 segundos de longitud en el registro de audio. De contar con varios minutos tanto para el audio dubitado como indubitado el valor EER estimado es de 3,5%.

Figura 2 Desempeño en EER para diferentes valores de longitud de señal de audio dubitada, si se utilizan los métodos de GMM-UBM e i-vectors. 

Aunque en los estudios previos se analiza la longitud de los audios, hay que tener en cuenta que en las interceptaciones telefónicas los audios podrían incluir segmentos de silencio que no proveen información útil para el proceso. Al medir la longitud efectiva del audio se descartan aquellas zonas de silencio de información irrelevante. Al contar con audios de mayor tamaño en su longitud efectiva se agrega mayor información al proceso de verificación de hablantes, y, por tanto, el desempeño de estos sistemas mejora (^{Hautamäki, Cheng, Rajan & Lee, 2013}; ^{Sarkar, Driss, Bousquet & Bonastre, 2012}). Sin embargo, la relación entre longitud efectiva de audio y desempeño en EER es un tema aún por investigar.

Relación señal-ruido

El nivel de contenido de ruido se mide mediante la relación señal-ruido (SNR, signal-to-noise ratio). La SNR es una medida que compara la potencia de la señal de interés con la del ruido de fondo y se expresa en dB. Un valor SNR mayor que 0 dB indica que hay más señal que ruido; y si valiese 0 dB el nivel de ruido sería igual al nivel de la señal. El ruido de fondo suele presentarse en las grabaciones y afecta la comparación directa entre las señales dubitada e indubitada. A modo de ejemplo, en el ámbito forense de Chile se ha comprobado que las condiciones de canal y ruido tienen un alto impacto en el análisis de casos (^{Rosas & Sommerhoff, 2009}).

Para el caso del método acústico-fonético, es importante tener en cuenta que el ruido afecta las estimaciones de parámetros acústicos de voz en mayor o menor grado, dependiendo del parámetro acústico, del método usado y (2017) muestran los porcentajes de error promedio para del nivel de ruido (SNR). diferentes niveles de ruido y tipos de ruido.

^{Nakatani y Irino (2004)} muestran el desempeño del método de estimación de la F _O que ellos desarrollan (DASH, dominance spectrum based harmonics extraction) respecto a otros métodos, tales como el basado en cepstrum y el método YIN reportado en ^{Cheveigné y Kawahara (2002)}. La comparación se realiza en presencia tanto de ruido blanco gaussiano como de ruido tipo babble. Según los datos reportados, el método basado en cepstrum es el de menor desempeño. Para este método, si el nivel de SNR fuese de 5 dB, se esperarían errores de estimación superiores al ± 5% para el 22% de los valores correspondientes a las ventanas de análisis, en caso de que el ruido fuese del tipo blanco gaussiano. Por otra parte, si el ruido fuese de tipo babble, para ese mismo nivel de SNR, se esperaría que 48% de las estimaciones tuviesen errores de estimación superiores al 5%. En la gráfica 4 del trabajo presentado por Nakatani y Irino (2004) se muestra el desempeño de la estimación de la frecuencia fundamental utilizando varios métodos respecto al nivel de ruido, tanto para ruido blanco como para ruido tipo babble.

De manera similar, el contenido de ruido afecta la estimación de los formantes, tal como se muestra en ^{Jameel, Fattah, Goswami, Zhu y Ahmad (2017)} para el caso de ruido blanco gaussiano. En Jameel et al. (2017) puede observarse que para un nivel de ruido de aproximadamente 5 dB se espera encontrar errores de estimación del 16% a 18% dependiendo del método que se usó para la estimación de los formantes. Dentro de los métodos analizados están LPC (linear predictive coding), WaveSur-fer y AFB (adaptive filter bank [^{Mustafá & Bruce, 2006}]). Las gráficas 7 y 8 del trabajo presentado en Jameel et al.

Referente a los métodos automáticos, varios estudios han demostrado que el ruido afecta el desempeño de sistemas de verificación de hablantes; sin embargo, estos efectos pueden ser disminuidos aplicando métodos desde el punto de las características de representación de la voz y desde el punto del modelo (^{Li & Mak, 2015}). El primero busca encontrar características que sean más robustas que las MFCC convencionales utilizadas en métodos automáticos, mientras que el segundo busca entrenar los modelos de manera que estos sean más resistentes al ruido. En ^{Mandasari, McLaren y Van Leeuwen (2012)} se evalúa el desempeño ante condiciones de ruido de dos métodos ampliamente conocidos: GMM-UBM e i-vectors con PLDA. En el mencionado trabajo se muestra que, en presencia de ruido de automóvil, la caída relativa de EER de los sistemas de i-vectors fue de entre I0%-20% por cada degradación del ruido de magnitud de 5 dB. Para el caso del ruido tipo coktail, la caída reportada en desempeño fue de entre 40%-60%. En general, los resultados muestran que el método de i-vectors tiene mejor desempeño que el tradicional GMM-UBM. En la figura 3 se muestran algunos valores de EER para algunas configuraciones de nivel de ruido y tipo de ruido.

Figura 3 Valor EER [%] para diferentes niveles de ruido para los tipos de ruido bubble y tipo carro. En a) cuando se utiliza el método GMM-UBM, y en b) cuando se utiliza la técnica de i-vectors con PLDA. 

Saturación del rango dinámico

El efecto de saturación del rango dinámico ocurre cuando la señal de entrada a un dispositivo de grabación excede el rango dinámico disponible del dispositivo (^{Bie, Wang, Wang & Zheng, 2015}; ^{Eaton & Naylor, 2013}), lo que provoca un achatamiento de la señal en los límites del rango dinámico.

Un ejemplo del efecto del clipping sobre la señal de audio se observa en la figura 4, en la cual puede apreciarse la aparición de componentes adicionales de frecuencia que podrían afectar los algoritmos de estimación de los formantes. En contraste, en ^{Bie et al. (2015)} se muestra que el efecto de clipping es relativamente bajo en sistemas de reconocimiento de hablantes basados en i-vectors, lo cual, según los mismos autores, podría deberse al aumento en robustez entregado por la técnica de i-vectors.

Figura 4 En a), señal en el tiempo con el efecto de saturación; y en b) el efecto de la saturación es del 20%. 

Presencia de transitorios

Este tipo de perturbación, al que se le denomina comúnmente clicks, corresponde a un tipo particular de ruido impulsivo que degrada una pequeña porción de la señal de audio y cuyo tiempo de duración es de alrededor de 1 ms (^{Ávila y Biscainho, 2012}). Este fenómeno se manifiesta como cambio abrupto de corta duración en el espectrograma con presencia de energías en un rango amplio de frecuencias (^{Manikandan, Yadav & Ghosh, 2017}; ^{Nongpiur, 2008}; ^{Wan, Ma & Li, 2018}). En el estado del arte, hasta donde nuestro conocimiento llega, no se tienen reportes en los que se evalúe el efecto de estas afectaciones en sistemas de verificación de hablantes.

Conclusiones

Se analizó la influencia de las propiedades de los audios sobre los métodos de verificación de hablantes que utilizan parámetros de voz medibles de manera objetiva; es decir, los métodos de verificación de hablantes del tipo acústico-fonético y automático. El utilizar medidas y procedimientos objetivos permite que los experimentos y resultados asociados a diligencias judiciales sean repetibles. Se encontró que las propiedades de los audios analizadas afectan las mediciones de parámetros acústicos, al tiempo que también afectan el desempeño de sistemas del tipo automático. Respecto a los otros métodos (auditivo y auditivo-espectrográfico), se encontró que varios estudios previos recomiendan no utilizar estos dos métodos.

Según la revisión presentada, el método automático funciona mejor que el método acústico-fonético, para el caso en él se tienen audios cuya longitud efectiva es más corta. En cuanto a la influencia de la saturación del rango dinámico y de transitorios existe poca información reportada, lo cual dificulta establecer la influencia de las mismas; sin embargo, estos son fenómenos que suelen presentarse sobre segmentos cortos del audio; por tanto, estos segmentos se podrían descartar sin afectar demasiado la confiabilidad de los resultados totales.

Analizar todas las influencias posibles sobre la señal de voz que repercuten en los diferentes métodos de verificación de hablantes en el campo forense está más allá del alcance del presente trabajo. Dentro de estas influencias se podrían analizar: la reverberación, la edad, las afectaciones de salud, los estados emocionales, entre otros.