Sistema de reconocimiento de voz a texto de ingredientes y recetas de cocina: audio sense

Abstract

El presente trabajo aborda la falta de un sistema de reconocimiento de voz especializado en el contexto culinario, enfocado en ingredientes y recetas. Mediante técnicas de deep learning, específicamente redes neuronales, se desarrolla una solución para transcribir instrucciones de voz a texto preciso. Se investigan modelos de vanguardia como Wav2Vec 2.0 y Transformer. Luego se diseña y entrena una arquitectura neuronal sobre un conjunto de datos en español. Finalmente, se evalúa con métricas estándar. Los resultados sentarán bases para una incorporación efectiva en la app FoodieSpal, mejorando la experiencia gastronómica de los usuarios.This paper addresses the lack of a speech recognition system specialized in the culinary context, focused on ingredients and recipes. Using deep learning techniques, specifically neural networks, a solution is developed to transcribe voice instructions into accurate text. State-of-the-art models such as Wav2Vec 2.0 and Transformer are investigated. Then, a neural architecture is designed and trained on a Spanish data set. Finally, it is evaluated with standard metrics. The results will lay the groundwork for an effective incorporation into the FoodieSpal app, improving the users' dining experience.