See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/228458502

Estudio de la transmisión de emociones mediante voz sintética por vía

telefónica

Article · September 2005

CITATION READS

1 274

4 authors:

Nestor Garay-Vitoria Inmaculada Fajardo

Universidad del País Vasco / Euskal Herriko Unibertsitatea University of Valencia
114 PUBLICATIONS   990 CITATIONS    84 PUBLICATIONS   1,352 CITATIONS   

SEE PROFILE SEE PROFILE

Juan Miguel López Idoia Cearreta

Universidad del País Vasco / Euskal Herriko Unibertsitatea Universidad del País Vasco / Euskal Herriko Unibertsitatea
82 PUBLICATIONS   502 CITATIONS    27 PUBLICATIONS   385 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Lectura crítica en Intenet: evaluación, desarrollo e intervención View project

INREDIS View project

All content following this page was uploaded by Juan Miguel López on 28 May 2014.

The user has requested enhancement of the downloaded file.

 Estudio de la transmisión de emociones mediante voz sintética
por vía telefónica

Nestor Garay, Inmaculada Fajardo, Juan Miguel López, Idoia Cearreta

Laboratorio de Interacción Persona-Computador para Necesidades Especiales
Facultad de Informática. Universidad del País Vasco
Manuel Lardizabal 1; E-20018 Donostia
E-mail: [nestor, acbfabri, acblogij]@si.ehu.es, icearreta001@ikasle.ehu.es
Teléfono: +34 943018000; Fax: +34 943015590

Resumen
Los dispositivos de comunicación alternativa son
muy útiles para personas carentes de la capacidad
del habla, debido a diversas discapacidades
motoras y/o orales, pero, a menudo, resultan ser
lentos y carentes de expresión emocional. A pesar
de los avances en aspectos tales como la velocidad
de comunicación (e.g. mediante la anticipación de
palabras), el problema de la falta de expresión
emocional de estos dispositivos no está hoy en día
tan bien analizado. La aparición de la
computación emocional abre una puerta a la
inclusión de información de contexto para reflejar
emociones, estados de ánimo y actitudes en las
ayudas a la comunicación. Una de las áreas de
comunicación potencialmente más problemática
es el uso de voz sintética emocional a través del
teléfono. En este documento presentamos los
resultados de un experimento en el que
verificamos empíricamente que la expresión de
voz sintética emocional a través de la línea
telefónica no deviene en una pérdida significativa
de la percepción de las emociones que se
pretenden transmitir.
Palabras clave: Computación emocional,
Dispositivos de interacción, Interacción para
personas con necesidades especiales, Interacción
persona-ordenador-persona.
1. Introducción
Se ha apreciado que las personas con severas
discapacidades motoras y del habla (esto incluye a
usuarios afectados por un variado espectro de
discapacidades, con diferentes orígenes y niveles
de afectación: parálisis cerebral, apraxia,
esclerosis múltiple y esclerosis lateral amiotrófica,
afasia, etc. [1]) necesitan recurrir a sistemas de
Comunicación Aumentativa y Alternativa para
hacerse entender por los demás. La comunicación
alternativa requiere a menudo dispositivos
externos al usuario, en cuyo caso se habla de
comunicación asistida. Con este fin, y desde hace
tiempo, se vienen utilizando diversos tipos de
dispositivos de ayuda a la comunicación, tales
como los tableros silábicos.
Sin embargo, la difusión de los ordenadores
personales ha hecho posible el diseño de ayudas
informatizadas a la comunicación, a menudo
llamadas comunicadores, que toman un papel de
intermediario activo que puede dinamizar
enormemente la comunicación. Estos dispositivos
de comunicación no son más que ordenadores
portátiles dotados de una interfaz especial. Por
ejemplo, una de las aplicaciones desarrolladas en
el Laboratorio Interacción Persona-Computador
para Necesidades Especiales (LIPCNE) ha sido
GESTELE, que consiste en una ayuda para
posibilitar conversaciones telefónicas a personas
carentes del habla [9, 10].
El uso de dispositivos como intermediarios en
la conversación presenta varios problemas. Uno
de los más graves consiste en que el comunicador
transmite mensajes en un estilo neutro, carentes
del contexto que usualmente acompaña a la
comunicación oral y que da importante
información acerca de la emoción y, en general,
de la situación personal del hablante [4, 28]. Por
lo tanto, el usuario de sistemas de comunicación
asistida frecuentemente se ve en dificultades para
expresar los matices que son usuales en la
conversación humana [8].
En este sentido, diversos autores han
contrastado que la interacción humana incluye
información emocional de los interlocutores,
transmitida de manera explícita a través del
lenguaje y de manera implícita a través de la
comunicación no verbal [15]. Se han realizado
muchos esfuerzos en mejorar la comunicación
explícita, como técnicas de predicción en texto y
adaptación de velocidad de comunicación en
sistemas de comunicación aumentativa y
alternativa [8, 11]. Sin embargo, la mejora de la
comunicación implícita ha recibido
tradicionalmente menos atención.
La información no verbal o implícita, que
frecuentemente se transmite mediante gestos
corporales, actitudes, modulaciones de la voz,
expresiones faciales, etc., es de gran importancia
en la comunicación humana, ya que tiene un gran
efecto sobre la disposición comunicativa de los
interlocutores y sobre la inteligibilidad del
discurso [7]. Sin embargo, y de acuerdo con
Picard [22, 23], estas características que se
asocian a las relaciones interpersonales también
aparecen en la comunicación con los ordenadores.
Por esta razón, el principal objetivo de la
computación emocional es captar y procesar la
información emocional con el fin de mejorar la
comunicación entre la persona y el ordenador.
Dicha información también podrá servir para
mejorar la comunicación entre varias personas
haciendo uso de tecnología informática.
Pese a hacerse evidente que la carencia de
transmisión emocional mediante sistemas
informáticos afecta inicialmente a personas con
discapacidad que hacen uso de dichos sistemas
para comunicarse con el resto de la población, esa
misma carencia afecta a toda la población ante la
misma situación. Por ejemplo, piénsese en la
comunicación vía correo electrónico, chat o SMS,
en la actualidad notablemente extendidos entre la
población: al principio no se sabía el estado
anímico del remitente y una de las primeras
salidas que se dio a este problema y que está muy
extendida hoy en día es el uso de emoticones o
pequeños iconos expresando esos estados.
En el presente artículo se presentan los
resultados de un estudio empírico sobre la
transmisión de voz sintética por medio de la línea
telefónica. Se analiza si el uso del medio
telefónico interfiere en el reconocimiento de
emociones en voz sintética.
2. Computación emocional
La computación emocional o afectiva es el área
que trabaja en la detección y respuesta a las
emociones del usuario. Un importante campo
dentro de este área es la mediación emocional, que
utiliza tecnología basada en computadores para
habilitar la comunicación de dos o más personas
reflejando sus estados emocionales [9, 22]. La
mediación emocional tiene aplicación directa
dentro de la Comunicación Aumentativa y
Alternativa. Por ejemplo, GESTELE incorpora en
su interfaz diversos elementos que posibilitarían la
mediación emocional a través de emoticones y
voz sintética transmitida por línea telefónica. Sin
embargo, la usabilidad de estos elementos de
mediación emocional necesita ser contrastada
empíricamente.
La hipótesis básica de la computación
emocional es que si se tienen en cuenta las
características emocionales del usuario se puede
mejorar notablemente la comunicación. Pero,
¿cómo puede reconocer el ordenador los estados
emocionales del usuario? Para ello, se utiliza la
fuente de conocimientos sobre comunicación
emocional humana proveniente de campos como
la psicología experimental y trata de que los
sistemas informáticos usen las mismas claves que
usa el ser humano para expresar emociones (voz,
gestos faciales, gestos corporales, etc.). Lang [16]
propone que existen tres sistemas que estarían
implicados en la expresión de las emociones y que
podrían servir como indicadores de detectar la
emoción del usuario:
1. Información Verbal
2. Conducta
3. Respuestas psicofisiológicas
Por tanto, para que un sistema informático
registre y reconozca las emociones del usuario
será necesario determinar qué emociones básicas
se van medir y cuáles son sus correlatos subjetivo-
verbales, conductuales y psicofisiológicos. Con
este fin, es necesario operacionalizar dichos
correlatos. Por ejemplo, respecto a los correlatos
conductales, se suele hacer un análisis de gestos,
tanto faciales como corporales, así como algunos
parámetros de la voz. En cuanto a los correlatos
psicofisiológicos, se podrían usar parámetros
como el pulso, la conductancia de la piel, etc. Un
ejemplo de los subjetivo-verbales sería la
semántica de las locuciones. A menudo, esas
detecciones requieren métodos invasivos en los
casos en los que hay que aplicar sensores o vestir
al usuario de trajes especiales. Sin embargo, la
miniaturización de los circuitos permitirá que se
reduzca el tamaño de los sensores y puedan
integrarse en complementos de vestir, como
propone Picard [23].
Prosiguiendo con esta línea de trabajo, se
espera que la información que mande el
computador a la persona será mejor entendida y
aceptada si cuenta con un contexto de información
emocional similar a la que hay durante la
interacción entre personas. Por tanto, es
interesante que el computador no sólo reconozca
las emociones del interlocutor sino que también
pueda mandar su propia información emocional,
por ejemplo, modulando la voz sintética o siendo
representado por una serie de caracteres o
avatares. Ello permitirá no solo la transmisión de
información textual o explícita, sino también la
transmisión implícita de su emoción asociada.
En el siguiente apartado, se realiza un somero
repaso sobre los diferentes aspectos considerados
en estudios relativos a la transmisión de voz
sintética emocional.
3. Aspectos considerados en estudios
sobre síntesis de voz emocional
En el transcurso de la investigación sobre
emociones, se han propuesto una serie de
diferentes taxonomías referentes a emociones en
el habla, en las que se contemplan desde dos hasta
veinte emociones básicas [22]. Por ejemplo, según
Plutchnik [25] existen ocho emociones básicas:
miedo, sorpresa, tristeza, disgusto, ira, esperanza,
alegría y aceptación. Otros autores, como Lee
[17], restringen las emociones a un total de seis:
enfado, alegría, tristeza, disgusto, miedo y
sorpresa. En cambio, en otros estudios sobre
síntesis de voz emocional, como los de Alm [3],
se restringe el número de emociones básicas
estudiadas a cuatro. En el caso de [5, 6], estas
cuatro emociones son: neutral, alegría, tristeza y
enfado.
Un aspecto a tener en cuenta asociado a la
síntesis de voz emocional es el hecho de que las
variaciones culturales y lingüísticas pueden
modificar los parámetros de la voz necesarios para
poder realizar una síntesis correcta. Este aspecto
ha sido analizado de manera precisa en estudios
como [2, 24, 27], en los que se ha demostrado que
existe poca diferencia en la detección de
emociones entre sujetos provenientes de diferentes
entornos lingüísticos y culturales, además de
constatar que el índice de acierto en los usuarios
está lejos de ser perfecto. En cuanto a idiomas de
ámbito estatal se refiere, se han hecho diferentes
estudios como los de [12, 18] para el castellano,
[13] para el catalán y [21] para el euskera.
Otro aspecto a considerar sobre las
características de la síntesis de voz emocional
consiste en los diferentes parámetros específicos a
analizar [7], que pueden variar según los
diferentes estudios (e.g. en cuanto a la frecuencia
se pueden considerar características tan variadas
como la frecuencia fundamental, los formantes
[F1, F1, F3], contorno de la frecuencia, etc.) Por
otra parte, también hemos de tener en cuenta el
auge de los sintetizadores que realizan síntesis de
manera concatenada [19], ya que mediante su uso
parece ser que se mejora la calidad de la voz
sintetizada obtenida.
4. Estudio empírico: análisis de voz
emocional directa y por vía telefónica
4.1. Objetivos del estudio
El objetivo principal de este experimento es
conocer si la distorsión causada por la línea
telefónica (truncando las altas frecuencias) tiene
algún efecto sobre el reconocimiento de las
emociones expresadas vía voz sintética. La
validación de este tipo de medio de transmisión
sería muy útil para el desarrollo de sistemas que
sean utilizados dentro de la mediación emocional
(similares a GESTELE).
Dicha distorsión introducida por el uso del
teléfono, tanto en la voz natural como en la
sintetizada, probablemente afecta a parámetros
paralingüísticos tales como el tono. Por esta razón,
no se puede garantizar que la comprensión de los
parámetros expresivos vía telefónica sea similar a
oír directamente la misma voz sintética. Intención Frase
La idea de partida es ampliar los estudios Alegría I enjoy cooking in the kitchen.
realizados por Pierre-Yves [24] con voces Neutral Wait a moment, I am writing.
sintéticas, comparándolas con las que se Enfado Your mother is worse than mine
consiguen cuando se oyen con una calidad menor is!
por vía telefónica. En este estudio preliminar se Tristeza I feel very tired and exhausted.
han tenido en cuenta cuatro emociones: neutral,
alegría, tristeza y enfado. Tabla 1. Frases usadas.

Por último, los rangos de los parámetros

4.2. Método (frecuencia, velocidad e intensidad) para cada
estado emocional son amplios y las variaciones en
Participantes los valores seleccionados o las combinaciones de
Los participantes fueron veinticinco voluntarios valores pueden afectar la eficiencia en el
entre los estudiantes y profesores de la Facultad reconocimiento de dicho estado emocional. Por
de Informática de la Universidad del País Vasco, tanto, se seleccionaron 3 combinaciones de
diecisiete varones (con una media de edad de valores de cada parámetro por emoción (ver
33,47 años) y ocho mujeres (con una media de Tablas 2 y 3). Los rangos y unidades de los
edad de 39,37 años). Su idioma materno era el parámetros que se muestran en las Tablas 2 y 3
castellano. son los siguientes [26]:
• Volumen: los valores posibles van de 0 a 100,
Material y Estímulos siendo 100 el valor por defecto. La escala es
Siguiendo la metodología propuesta por [12, 19, en porcentajes; por ejemplo un valor de 50
20, 24], en el caso concreto de este estudio, para indica que se escucha al 50% del volumen.
reflejar emociones a través del sintetizador de voz, • Velocidad: los valores posibles van de -10 a
se seleccionaron tres parámetros (tono, volumen +10, siendo 0 el valor por defecto. El valor
y velocidad). Asimismo, las emociones más bajo, -10, expresa que se habla a un tercio
contempladas son las que figuran en [6, 9]: de la velocidad por defecto, mientras que el
neutral, alegría, tristeza y enfado. valor de +10 implica que la velocidad es tres
Se usaron frases escritas en un idioma distinto veces la de por defecto.
del materno, en este caso el inglés, y con frases • Tono: los valores posibles van de -10 a +10,
semánticamente significativas (lo que [21] siendo 0 el valor por defecto. El valor –10
denomina textos específicos). Ya que sólo nos expresa que se habla a tres cuartos del tono
interesan los parámetros paralingüísticos de la por defecto, mientras que el valor de +10
voz, se pensó que el uso de un idioma extranjero implica que el tono es cuatro tercios el valor
permitiría controlar mejor el efecto de la por defecto.
semántica de la frase sobre el reconocimiento de En la Tabla 2 se indican los valores genéricos
la emoción. Aún así, se evaluó el nivel de inglés y en la Tabla 3, las combinaciones concretas
de los participantes siguiendo la clasificación de la usadas en el experimento.
Universidad de Cambridge. La distribución de los
participantes por niveles fue la siguiente: Volumen Velocidad Tono
Elemental (12% de la muestra), Intermedio (56% Rango 0/100 -10/+10 -10/+10
de la muestra), nivel First (24%), nivel Advanced Por defecto DV=100 DR = 0 DP = 0
(4%) y nivel Proficiency (4%). Este dato se utilizó Máximo 100% DR*3 DP*4/3
como variable covariada en los análisis Mínimo 0 DR/3 DP*3/4
estadísticos posteriores. Incremento 1% Velocidad Tono+
Para mejorar más aún el control del peso 10
semántico de las frases, se usaron cuatro tipos de
+ 3 24
2
frases, dotadas de semántica neutral, alegría, Escala Linear Logarít- Logarít-
mica mica
tristeza y enfado que se combinaron con cada tipo
de voz (ver Tabla 1). Tabla 2. Características de la voz sintética
 una pequeña pausa de dos segundos entre ambas.
Emocio Volumen Veloci Tono Combi Tras la segunda presentación, los participantes
nes dad nación debían seleccionar la emoción que pensaban que
80 0 0 N1 expresaba la voz sintética (neutral, alegría,
Neutral 85 0 0 N2 tristeza y enfado), en un formulario que se
90 0 0 N3 mostraba en la pantalla. Se repetía este
100 3 8 H1 procedimiento con cada frase hasta completar el
Alegría 80 1 10 H2 bloque. Para asegurar la comprensión del
90 2 9 H3 procedimiento por parte de los sujetos
60 -4 -8 S1 experimentales, realizaron un bloque de
Tristeza 45 -2 -10 S2 entrenamiento previo a la tarea experimental.
55 -3 -9 S3
100 2 3 A1 Diseño
Enfado 100 3 7 A2 Se adoptó un diseño multifactorial intrasujeto. Las
100 2 5 A3 variables independientes fueron el tipo de voz
(directa o por vía telefónica), el estado emocional
Tabla 3. Valores por parámetros de la voz y emoción (neutral, alegría, tristeza y enfado) y una
seleccionados para el estudio. combinación de valores de parámetros para cada
estado emocional (1, 2 y 3). La variable
En total se usaron 48 frases distintas como dependiente fue la tasa de aciertos (medida en %)
resultado de multiplicar 4 (emociones) x 4 (tipos entre la respuesta de los participantes y la
de contenido semántico) x 3 (combinaciones de emoción programada por la voz sintética. A esta
valores de parámetros). variable le denominamos “aciertos”.

Aparatos 4.3. Resultados

Se hizo uso de un motor Microsoft SDK 5.1 TTS
para sintetizar la voz de forma mono-oral PCM.
Las frases fueron pronunciadas de dos formas: 1)
La calidad de la voz directa fue haciendo uso de
22050 Hz con 16 bits, y 2) la calidad telefónica
fue simulada por medio de 8000 Hz con 8 bits.
Se diseñó una aplicación para automatizar la
presentación aleatoria de estímulos y la recogida
de las respuestas de los participantes.
Procedimiento
A cada persona se le solicitó que escuchase por
medio de auriculares dos bloques de cuarenta y
ocho frases cada uno y que escogiese el estado
emocional que reflejaba cada una de ellas. Un
bloque de las frases fue pronunciado directamente
con el sintetizador y el otro, con calidad
telefónica. La mitad de los voluntarios empezó el
experimento con la voz directa y la otra mitad, en
orden inverso. El orden de la presentación fue
asignado de manera aleatoria a cada participante.
De la misma manera, para evitar cualquier
dependencia, el orden de presentación de cada
estado emocional fue distribuido de manera
aleatoria dentro de cada bloque de frases. Los
participantes escuchaban dos veces cada frase con
El nivel de significatividad de los contrastes
estadísticos realizados fue establecido en el 0,05.
Con los datos obtenidos se hizo un estudio
ANCOVA multifactorial. Así, las variables
independientes intrasujeto fueron el Tipo de Voz
(Directa o Telefónica), la Emoción (Neutral,
Alegría, Tristeza y Enfado) y la Combinación de
los Parámetros de la Voz (1, 2, 3) (ver Tablas 2 y
3). El conocimiento del inglés fue introducido
como una variable covariada. El porcentaje de
aciertos fue la variable dependiente. El efecto
principal del Tipo de Voz no resultó significativa
y por ello se aceptó la hipótesis nula. Esto es, no
hay diferencias en la percepción directa de la voz
y la realizada por vía telefónica.
Además, se obtuvo un efecto significativo de
la variable Tipo de Emoción F (3, 72) = 18.52,
Mse = 0.14. La Tristeza obtuvo en promedio una
tasa de aciertos de M= 0.80; el Enfado, M = 0.70;
el Neutral, M=0.66; y la Alegría, M = 0.66; como
puede verse en la Figura 1, la emoción Neutral y
Alegría son más difíciles de detectar que la
Tristeza y el Enfado: F (1, 24) = 416.34, Mse =
0.12. De la misma manera, la Tristeza es
significativamente más fácil de detectar que el
Enfado: F (1, 24) = 5.74; Mse = 0.13. tales como el volumen, la velocidad y el tono de la
De modo similar, el efecto de interacción de voz sintética posibilita expresar emociones. No
segundo orden entre la Emoción y los Valores de obstante, también se observa que hay emociones
los Parámetros de la Voz fue significativo: F (6, difíciles de reproducir o reconocer, principalmente
144) = 6.62, Mse = 0.05. Para clarificar la causa las emociones “alegría” y “neutral”, mientras que
de las interacciones, el análisis de los efectos la “tristeza” y “enfado” se perciben con una
simples revela que la voz sintética expresa mejor mayor eficiencia.
la emoción Neutral con la combinación N2 que Estos datos serían coherentes con los
con N1 y N3: F (1, 24) = 13.82, Mse = 0.04. La provenientes de los estudios realizados sobre
Alegría se expresa mejor con H3 que con H1 o percepción de emociones a partir de voz humana.
H2: F (1, 24) = 11.34, Mse = 0.06. La Tristeza se De acuerdo a Johnstone [14], parece ser que las
percibe mejor con la combinación S1 que con S2 diferentes emociones son expresadas y percibidas
o S3: F (1, 24) = 10.4, Mse = 0.04. En el caso del más o menos fácilmente en la voz humana. Como
Enfado, las tres combinaciones de parámetros en el experimento aquí presentado, el enfado sería
fueron igualmente eficientes y no se observaron una de las emociones mejor expresadas
diferencias significativas entre ellas. vocalmente por los seres humanos. Los citados
autores sugieren que está asimetría en la
0,9
efectividad de la expresión vocal de las emociones
0,8
vendría explicada por aspectos evolutivos. Las
emociones de miedo y enfado para expresar
Porcentaje de Aciertos

peligro tienen que ser comunicadas a largas

0,7

0,6
distancias con el fin de que sean captadas por los
0,5
demás miembros del grupo o el enemigo. En este
caso, la voz sería el medio más efectivo. Otras
emociones como el asco, deben ser comunicadas a
0,4

0,3
distancias cortas por lo que los sistemas visuales
0,2 Voz Directa
serían más efectivos.
Por otro lado, se hace necesario extender el
Combinat 2 Combinat 2 Combinat 2 Combinat 2
1 3 1 3 1 3 1 3 Voz Telefónica

Neutral Alegría Tristeza Enfado

estudio para ser llevado a cabo con hablantes
Figura 1. Interacción entre el tipo de emoción (neutral, ingleses nativos. Para controlar el posible efecto
alegría, tristeza y enfado), el tipo de voz extraño del idioma se introdujo la variable “nivel
(directa o por vía telefónica) y el tipo de de inglés de los participantes” como variable
combinación de parámetros (1, 2 y 3). covariada pero dado que sólo el 8% de los
participantes tuvo un nivel alto de conocimiento
de inglés, no podemos descartar que la
comprensión del mensaje de las frases haya
4.4. Discusión podido afectar a la comprensión de la emoción de
las frases en nuestro experimento.
Los resultados empíricos demuestran que las Asimismo, se están realizando estos
claves emocionales transmitidas por medio del experimentos con sintetizadores para el euskera y
teléfono no son más difíciles de interpretar que las el castellano y usuarios nativos de dichos idiomas
escuchadas directamente. Es decir, la interferencia y se confía mostrar los resultados relevantes en
producida por el uso del teléfono no produce futuras comunicaciones.
diferencias significativas en la eficiencia de la
percepción por parte del oyente. Por tanto, 5. Conclusiones
podemos concluir que la percepción de las pistas
emocionales asociadas a la voz sintética es tan
Como se ha visto, aplicar técnicas emocionales en
eficiente cuando se escucha a través del teléfono
sistemas de Comunicación Aumentativa y
como cuando se escucha directamente.
Alternativa para mejorar la rehabilitación,
Además, este estudio replica parcialmente los
integración y comunicación de personas con
resultados conseguidos por Pierre-Yves [24],
discapacidad es un campo prometedor. En
mostrando que la manipulación de parámetros
particular, el trabajo presentado en este artículo se
está empleando en contrastar la validez de algunos
sistemas de mediación emocional desarrollados
(GESTELE), con el fin de mejorar las capacidades
de expresividad de los usuarios y la capacidad de
interpretar los mensajes en desarrollos posteriores.
La pregunta principal del estudio realizado ha
sido si la distorsión introducida por la transmisión
de voz sintética por vía telefónica provoca alguna
degradación en la transmisión de información
afectiva. Se ha podido apreciar empíricamente que
no ha sido así.
Los sintetizadores de voz están pasando de
producir texto únicamente inteligible a añadirle
connotaciones prosódicas relativas a las
emociones. De acuerdo a los datos preliminares a
este estudio, esta aproximación es válida con
algunas emociones tales como el enfado o la
tristeza, tanto por vía telefónica como
directamente. Asimismo, las mejoras que se
logren en la calidad de los sistemas sintetizadores
de voz conseguirán que la voz obtenida resulte
más natural en los desarrollos que se vayan
haciendo.
Futuros estudios contemplarán nuevas
emociones o clasificaciones emocionales, tanto
para hablantes como oyentes, sean nativos o no.
En cualquier caso, se prevé que habrá que tener en
cuenta las características propias del entorno
cultural de las personas.
Referencias
[1] AAC. Alternative and Augmentative
Communication, 1989. 5 (1).
[2] Abelin, A., Allwood, J., 2000. Cross-linguistic
interpretation of emotional prosody.
Proceedings of the ISCA Workshop
on Speech and Emotion.
[3] Alm N., Arnott J. L., Newell A. F., 1992.
Prediction and Conversational
Momentum in an Augmentative
Communication System.
Communications of the ACM, 35
(5), 46-57.
[4] Alm N., Ellis K., 1999. Computer-assisted
swearing. Communicating Together.
16 (2), 4-7.
[5] Bulut M, Narayanan S. S, Syrdal A. K., 2002.
Expressive speech synthesis using a
concatenative synthesizer. ICSLP-
2002, 1265-1268.
[6] Busso C., Deng Z., Yildirim S., Bulut M., Lee
C. M., Kazemzadeh A., Lee S.
Neumann U., Narayanan S., 2004.
Analysis of emotion recognition
using facial expressions, speech and
multimodal information. ICMI
Proceedings of the 6th international
conference on Multimodal
interfaces.
[7] Cowie R., Douglas-Cowie E., Tsapatsoulis N.,
Votsis G., Kollias S., Fellenz W.,
Taylor J. G., 2001. Emotion
Recognition in Human-Computer
Interaction. IEEE Signal Processing
Magazine, Vol 18(1), 32-80.
[8] Garay N., 2001. Sistemas de Predicción
Lingüística. Aplicación a Idiomas
con Alto y Bajo Grado de Flexión,
en el Ámbito de la Comunicación
Aumentativa y Alternativa. Servicio
Editorial de la Universidad del País
Vasco, Leioa (Spain). ISBN: 84-
8373-355-2.
[9] Garay N., Abascal J., Gardeazabal L., 2002.
Mediación emocional en sistemas de
Comunicación Aumentativa y
Alternativa. Revista Iberoamericana
de Inteligencia Artificial. 16, 65-70.
[10] Garay-Vitoria N., Abascal J. G., Urigoitia-
Bengoa S., 1995. Application of the
Human Conversation Modelling in a
Telephonic Aid. Proceedings of the
15th International Symposium on
Human Factors in
Telecommunications (HFT '95),
Melbourne (Australia), 131-138.
[11] Gardeazabal L., 2000. Aplicaciones de la
Tecnología de Computadores a la
Mejora de la Velocidad de
Comunicación en Sistemas de
Comunicación Aumentativa y
Alternativa. Servicio Editorial de la
Universidad del País Vasco, Leioa
(Spain). ISBN: 84-8373-301-3.
[12] Iriondo I., Guaus R., Rodríguez A., Lázaro
P., Montoya N., Blanco J. Mª,
Bernadas D., Oliver J. M., Tena D.,
Longhi L., 2000. Validation of an
Acoustical Modelling of Emotional
Expression in Spanish Using Speech
Synthesis Techniques. Proceedings
 of the ISCA Workshop on Speech modelling in standard Basque.
and Emotion. LNAI/LNCS 3206. 393-400..
http://www.qub.ac.uk/en/isca/index. Springer-Verlag, Berlin
htm [22] Picard R. W., 1997. Affective Computing.
[13] Iriondo I., Alías F., Melenchón J., Llorca M. MIT Press.
A., 2004. Modeling and synthesizing [23] Picard R. W., 1998. Towards Agents that
emotional speech for Catalan Text- Recognize Emotion. Acts
To-Speech synthesis. Tutorial and Proceedings IMAGINA (Monaco),
research workshop on affective 153-165.
dialogue systems, ADS 2004, [24] Pierre-Yves O., 2003. The production and
Kloster Irsee, Germany. recognition of emotions in speech:
LNAI/LNCS 3068, 197-208. features and algorithms. Int. J.
[14] Johnstone, T., Scherer, K. R., 2000. Vocal Human-Computer Studies 59, 157-
Communication of Emotion. In M. 183.
Lewis & J. Haviland (Eds.). [25] Plutchnik R., 1980 Emotion: A
Handbook of Emotion, Second psychoevolutionary synthesis. New
Edition, 220-235. York: Harper and Row.
[15] Knapp M. L., 1980. Essentials of nonverbal [26] SAPI 5.0 TTS XML Grammar format
communication. Holt, Rinehart & http://www.research-
Winston. lab.com/help/dictation2005/xmlsapi.
[16] Lang P.J., 1984. Cognition in emotion: htm
Concept and action. In Emotions, [27] Tickle, A., 2000. English and Japanese
cognition and behavior., C. Izard, J. speaker’s emotion vocalizations and
Kagan, and R. Zajonc (eds). New recognition: a comparison
York, NY. Cambridge University highlighting vowel quality. ISCA
Press. Workshop on Speech and Emotion,
[17] Lee C. M., Yildirim S., Bulut M., Belfast.
Kazemzadeh A., Busso C., Deng Z., [28] Van Santen, J., Black, L., Cohen, G., Kain,
Lee S., Narayanan S., 2004. Emotion A., Klabbers, E., Mishra, T., de
Recognition based on Phoneme Villiers, J., Niu, X., 2003.
Classes. Proceedings of 8th Applications of computer generated
International Conference on Spoken expressive speech for
Language Processing (ICSLP), Jeju communication disorders. In
Island, Korea, 889-892. EUROSPEECH-2003, 1657-1660.
[18] Montero, J.M., Arriola, G.J., Colas, J.,
Enriquez, E., and Pardo, J.M., 1999.
Analysis and Modeling of Emotional
Speech in Spanish, Proc. of ICPhS,
vol. 2, San Francisco, USA, 957-
960.
[19] Murray R., 2000. Emotion in concatenated
speech. Proceedings of the IEE
Seminar State of the Art in Speech
Synthesis. London. 7/1-7/6.
[20] Murray R., Arnott J. L., Rohwer E. A., 1996.
Emotional stress in synthetic speech:
Progress and future directions.
Speech Communication 20 (1-2), 85-
91.
[21] Navas E. Hernáez I., Castelruiz A., Luengo
I., 2004. Obtaining and evaluating an
emotional database for prosody

View publication stats