Sistema de Reconocimiento de Locutor (Data Driven)

Este proyecto implementa un sistema de reconocimiento de locutor utilizando técnicas de procesamiento de señales y aprendizaje automático Data Driven. Se basa en la extracción de características MFCC (Mel-Frequency Cepstral Coefficients) y el modelado mediante "Eigenvoices" (usando SVD/PCA).

🏗️ Arquitectura y Tecnologías

El proyecto sigue una arquitectura modular limpia:

• Gestor de Paquetes: uv (Moderno, rápido, compatible con pip).
• Lenguaje: Python 3.9+.
• Librerías Clave:
  • librosa: Procesamiento de audio y extracción de features.
  • sounddevice: Grabación de audio en tiempo real.
  • scikit-learn: Algoritmos de ML (SVD, SVM, Pipeline).

🚀 Instalación

Este proyecto utiliza uv para una gestión de dependencias ultrarrápida.

1. Instalar uv (si no lo tienes):

   # Windows (PowerShell)
   powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
   
   # macOS/Linux
   curl -LsSf https://astral.sh/uv/install.sh | sh

2. Inicializar entorno y sincronizar: Sitúate en la carpeta raíz del proyecto (voice_recognition) y ejecuta:

   uv sync

   Esto creará el entorno virtual (.venv) e instalará todas las dependencias definidas en pyproject.toml.

🎮 Guía de Uso

Para ejecutar la aplicación de consola (CLI):

uv run src/main_cli.py

(Nota: uv run ejecuta el script dentro del entorno virtual automáticamente).

Flujo de Trabajo:

1. [1] Grabar Muestras:

   • Selecciona la opción 1.
   • Introduce el nombre (ej. "juan").
   • Graba entre 5 y 10 muestras de tu voz diciendo frases diferentes.
   • Repite este paso para al menos 2 personas diferentes.

2. [2] Entrenar Modelo:

   • Selecciona la opción 2.
   • El sistema leerá todos los audios en data/.
   • Extraerá MFCCs, aplicará SVD y entrenará el clasificador.

3. [4] Test Live:

   • Selecciona la opción 4.
   • Habla al micrófono.
   • El sistema predecirá quién eres basándose en el "espacio de voces" aprendido.

🧠 Explicación Metodológica (Data Driven)

El sistema funciona imitando el proceso de audición y reconocimiento de patrones:

1. Oído Digital (MFCC):

   • El audio crudo es solo presión de aire en el tiempo.
   • Usamos MFCC (Coeficientes Cepstrales en las Frecuencias de Mel) para imitar cómo el oído humano percibe el sonido (siendo más sensible a frecuencias bajas que altas).
   • Esto convierte 2 segundos de audio en una "huella digital" numérica compleja.

2. Eigenvoices (SVD - Singular Value Decomposition):

   • Cada grabación es un vector de alta dimensión.
   • Usamos SVD (técnicamente Truncated SVD) para encontrar los patrones principales que diferencian una voz de otra.
   • Imagina que el SVD encuentra las "voces fundamentales" (Eigenvoices). Cualquier voz nueva se puede describir como una mezcla de estas voces fundamentales.
   • Esto reduce drásticamente el ruido y la cantidad de datos, dejando solo la esencia de la identidad del locutor.

3. Clasificación:

   • Una vez reducida la voz a sus componentes principales, usamos un clasificador (SVM) para trazar fronteras matemáticas entre los diferentes usuarios en este espacio reducido.