Automatic speech recognition system for court proceedings in Ethiopia

Stellen Sie sich eine Welt vor, in der Computer menschliche Stimmen hören und sie sofort in geschriebene Worte verwandelt können. Das ist keine Magie; es ist ein wissenschaftliches Feld namens Automatische Spracherkennung (ASR). Denken Sie an sie als einen superschnellen, supersensiblen Schreiber, der niemals müde wird, niemals einen Stift fallen lässt und so schnell tippt, wie Sie sprechen. Jahrelang war diese Technologie der Starspieler in hochtechnologischen Bereichen wie dem Gesundheitswesen, wo sie Ärzten hilft, Notizen zu diktieren, und im Rundfunk, wo sie Live-Nachrichten untertitelt. Aber hier ist der Haken: Dieser „Super-Schreiber“ wurde hauptsächlich mit Sprachen trainiert, die über Berge von Daten verfügen, aus denen er lernen kann, wie Englisch oder Mandarin. Für viele andere Sprachen, insbesondere für solche, die in Regionen mit weniger digitalen Ressourcen gesprochen werden, ist der Schreiber oft verwirrt, verstummt oder erfindet einfach Wörter.

Um zu verstehen, wie dieser Schreiber lernt, müssen wir uns zwei Hauptwerkzeuge ansehen, die er verwendet. Zuerst gibt es das „akustische Modell“, das wie ein Musiker ist, der lernt, den spezifischen Klang einer Violine gegenüber einer Flöte zu erkennen. Es bricht die rohen Schallwellen der Sprache in winzige, handhabbare Teile namens Phoneme auf (die kleinsten Soundeinheiten einer Sprache). Zweitens gibt es das „Sprachmodell“, das wie ein Grammatikpolizist oder eine Predictive-Text-App fungiert. Es hört nicht nur auf Klänge; es rät, welches Wort als Nächstes kommen sollte, basierend auf dem, was zuvor kam, und hilft dem System zu entscheiden, ob Sie „court“ oder „court“ gesagt haben (falls sie ähnlich klangen). Wenn man diese beiden kombiniert, erhält man ein System, das einem Gespräch zuhören und es aufschreiben kann. Aber was passiert, wenn das Gespräch in einem geschäftigen Gerichtssaal stattfindet, in einer Sprache wie Tigrigna, für die der Schreiber noch nie trainiert wurde? Das ist die große Frage, die diese Forschung angeht.

---

Der Fall des fehlenden Gerichtssäle-Schreibers

In den geschäftigen Gerichtssälen Äthiopiens finden viele wichtige Angelegenheiten statt. Richter, Anwälte, Zeugen und Angeklagte sprechen alle, und jemand muss jedes einzelne Wort aufschreiben, um ein offizielles Protokoll zu erstellen. Derzeit wird dies von menschlichen Transkribenten erledigt. Es ist ein harter Job. Sie müssen aufmerksam zuhören, schnell tippen und mit dem Stress eines Live-Rechtsstreits umgehen. Wenn sie müde werden oder wenn der Raum laut ist, passieren Fehler, und das rechtliche Protokoll wird unordentlich.

Hier kommen Tedros Kebede Bidada und Dawit Teklu Weldeslasie von der Aksum University ins Spiel. Sie stellten eine einfache, aber kraftvolle Frage: Können wir einen Computer-Schreiber bauen, der Tigrigna spricht und die spezifische, knifflige Sprache äthiopischer Gerichtssäle versteht?

Tigrigna ist eine bedeutende Sprache, die von Millionen Menschen gesprochen wird, aber in der Welt der Computer gilt sie als „ressourcenarm“. Das bedeutet, dass es nicht genügend digitale Aufnahmen von Menschen gibt, die es sprechen, um einen Computer zu lehren, wie er es versteht, insbesondere in der hochsensiblen, lauten Umgebung eines Prozesses. Die Forscher wollten diese Lücke schließen und ein „sprecherunabhängiges“ System bauen. Dies ist eine schicke Art zu sagen, dass sie einen Schreiber wollten, der für jeden funktioniert, der Tigrigna spricht, und nicht nur für eine bestimmte Person, deren Stimme er auswendig gelernt hat.

Den digitalen Ohren beim Bauen helfen

Um dieses System zu bauen, sind die Teams nicht einfach nur geraten; sie folgten einem strengen Rezept unter Verwendung eines Werkzeugkastens namens CMU Sphinx. Betrachten Sie diesen Werkzeugkasten als einen riesigen, vorgefertigten Lego-Satz für Spracherkennung.

Zuerst brauchten sie Daten. Sie konnten die Leute nicht einfach bitten, ein Buch vorzulesen; Gerichtssäle sind chaotisch. Also nahmen sie drei Stunden echter, spontaner Gerichtsaudioaufnahmen auf. Sie fingen das echte Geschehen ein: das nervöse Stottern eines Zeugen, die Schlagabtauschen eines Anwalts und die dröhnende Stimme eines Richters. Sie sammelten Aufnahmen von 24 Muttersprachlern (10 Männer und 10 Frauen für das Training, und 4 weitere für den Test).

Als Nächstes mussten sie den Computer lehren, wie man „hört“. Sie verwendeten eine Technik namens MFCC (Mel-Frequency Cepstral Coefficients). Stellen Sie sich dies als eine spezielle Brille vor, die das Hintergrundrauschen herausfiltert und den einzigartigen „Fingerabdruck“ der menschlichen Stimme hervorhebt. Sie verwandelt die zackigen Linien der Schallwellen in eine Liste von Zahlen, die der Computer verstehen kann.

Dann kam das Wörterbuch. Das Team erstellte eine benutzerdefinierte Liste von 5.205 einzigartigen Wörtern, die in Gerichtsverfahren vorkommen, und ordnete sie ihren Klängen zu. Sie lehrten den Computer auch etwas über die 51 distinkten Laute (Phone), aus denen Tigrigna besteht, einschließlich einiger schwieriger Klänge wie glottalisierter Konsonanten, die einzigartig für die Sprache sind.

Schließlich trainierten sie zwei Arten von „Musikern“ (akustische Modelle), um auf diese Klänge zu hören:

1. Der Solist (Kontextunabhängig): Dieses Modell hört sich einen Sound nach dem anderen an, wie ein Musiker, der eine einzelne Note spielt, ohne sich darum zu kümören, welche Note davor oder danach kommt.
2. Die Band (Kontextabhängig): Dieses Modell hört sich einen Sound und seine Nachbarn an. Es weiß, dass der Klang eines „t“ sich leicht verändert, je nachdem, ob es von einem „a“ oder einem „i“ gefolgt wird. Dies ist entscheidend, da sich unsere Münder in der echten Sprache in einem kontinuierlichen Fluss bewegen und Klänge miteinander verschmelzen lassen (ein Phänomen namens Koartikulation).

Der große Test: Wer gewinnt?

Die Forscher stellten ihr System mit den 10 % der Daten auf die Probe, die sie ihm noch nie gezeigt hatten. Sie wollten sehen, wie viele Wörter der Computer im Vergleich zum menschlich geschriebenen Transkript richtig bekam.

Die Ergebnisse waren eindeutig und erzählten eine sehr spezifische Geschichte. Das „Solisten“-Modell (dasjenige, das Klänge isoliert hörte) hatte Schwierigkeiten und bekam nur etwa 53,12 % der Wörter richtig. Es war, als versuche man, einen Satz zu verstehen, indem man nur jedes dritte Wort hört.

Das „Band“-Modell (das kontextabhängige) war jedoch ein Gamechanger. Indem es auf den Kontext der Klänge achtete, erkannte es, dass das „t“ in „court“ anders klingt als das „t“ in „test“. Als sie das System so anpassten, dass es komplexere Mathematik verwendete (speziell durch Erhöhung der Anzahl der „Gaußschen Mischkomponenten“, was man sich als Hinzufügen von mehr Detailschichten zum Klangfingerabdruck vorstellen kann), stieg die Genauigkeit.

Der optimale Punkt wurde bei 11 Komponenten gefunden. Bei dieser Einstellung erreichte das System eine Wortgenauigkeit von 73,84 %. Das bedeutet, dass von jeweils 100 gesprochenen Wördn in einem simulierten Gerichtssaal der Computer etwa 74 korrekt transkribierte.

Aber die Geschichte endete nicht mit einer perfekten Punktzahl. Die Forscher stellten fest, dass das System viele „Substitutionsfehler“ machte – also Wörter durch andere ersetzte, die ähnlich klangen. Dies geschah, weil Tigrigna viele Wörter mit sehr ähnlichen Klängen hat und der Computer manchmal verwirrt war. Außerdem bemerkten sie, dass das System tatsächlich schlechter wurde, wenn sie zu viele Schichten hinzufügten (wie beim Aufstieg auf 12 Komponenten). Es war, als wäre ein Schüler, der die Übungsprüfung so perfekt auswendig gelernt hat, dass er die echte Prüfung verfehlte, weil er die geringfügigen Unterschiede nicht bewältigen konnte. Das System war „überangepasst“ (Overfitting), oder es hatte das Rauschen auswendig gelernt, anstatt die Regeln zu lernen.

Was dies für die Zukunft bedeutet

Dieses Paper behauptet nicht, das Problem der Gerichtstranskription in Äthiopien gelöst zu haben. Stattdessen legt es ein solides Fundament. Es beweist, dass es möglich ist, einen Tigrigna-Spracherkenner zu bauen, der für verschiedene Sprecher funktioniert und die chaotische Realität eines Gerichtssaals bewältigt.

Die Studie zeigt explizit, dass Kontext zählt. Man kann einen Computer nicht einfach nur einzelne Laute lehren; man muss ihn lehren, wie diese Laute in einem Satz zusammen tanzen. Die Genauigkeit von 73,84 % ist ein Ausgangswert – eine Startlinie. Es ist nicht perfekt, aber es ist ein massiver Schritt nach vorn im Vergleich zu gar keinem System zu haben.

Die Autoren schlagen vor, dass zukünftige Arbeit mehr Daten von einer größeren Vielfalt an Menschen sammeln und vielleicht neuere, leistungsstärkere KI-Techniken ausprobieren muss, um das Hintergrundrauschen und die angstbedingten Sprachmuster zu bewältigen, die in echten Prozessen auftreten. Für den Moment haben sie dem Rechtssystem von Äthiopien ein neues Werkzeug an die Hand gegeben: einen digitalen Schreiber, der lernt, ihre Sprache zu sprechen, einen Gerichtssaal nach dem anderen.