Automatic speech recognition system for court proceedings in Ethiopia

Imagina un mundo donde las computadoras pueden escuchar las voces humanas y convertirlas instantáneamente en palabras escritas. Esto no es magia; es un campo de la ciencia llamado Reconocimiento Automático del Habla (ASR, por sus siglas en inglés). Piensa en esto como un escriba superrápido y superatento que nunca se cansa, nunca suelta una pluma y puede escribir tan rápido como tú hablas. Durante años, esta tecnología ha sido la estrella en dominios de alta tecnología como la atención médica, donde ayuda a los médicos a dictar notas, y en la radiodifusión, donde subtitula noticias en vivo. Pero aquí está el truco: este "superescriba" ha sido entrenado principalmente en idiomas que tienen montañas de datos para aprender, como el inglés o el mandarín. Para muchos otros idiomas, especialmente aquellos hablados en lugares con menos recursos digitales, el escriba suele estar confundido, en silencio o simplemente inventa palabras.

Para entender cómo aprende este escriba, necesitamos observar dos herramientas principales que utiliza. Primero, está el "modelo acústico", que es como un músico aprendiendo a reconocer el sonido específico de un violín frente a una flauta. Descompone las ondas sonoras puras del habla en piezas diminutas y manejables llamadas fonemas (las unidades más pequeñas de sonido en un idioma). Segundo, el "modelo de lenguaje" actúa como un oficial de la policía de la gramática o una aplicación de texto predictivo. No solo escucha sonidos; adivina qué palabra debería seguir basándose en lo que vino antes, ayudando al sistema a determinar si dijiste "court" o "court" (si sonaran similares). Cuando combinas estos dos, obtienes un sistema que puede escuchar una conversación y escribirla. Pero, ¿qué sucede cuando la conversación tiene lugar en una sala de tribunal bulliciosa, en un idioma como el tigriña, donde el escriba nunca ha sido entrenado antes? Esa es la gran pregunta que aborda esta investigación.

---

El caso del escriba ausente en la sala del tribunal

En las bulliciosas salas de los tribunales de Etiopía, ocurren muchos asuntos importantes. Jueces, abogados, testigos y acusados hablan, y alguien tiene que escribir cada una de las palabras para crear un registro oficial. Actualmente, esto lo hacen transcriptores humanos. Es un trabajo difícil. Tienen que escuchar atentamente, escribir rápido y lidiar con el estrés de una batalla legal en vivo. Si se cansan o si la sala es ruidosa, ocurren errores y el registro legal se vuelve desordenado.

Entran en escena Tedros Kebede Bidada y Dawit Teklu Weldeslasie, de la Universidad de Aksum. Ellos hicieron una pregunta simple pero poderosa: ¿Podemos construir un escriba de computadora que hable tigriña y entienda el lenguaje específico y complicado de los tribunales etíopes?

El tigriña es un idioma importante hablado por millones, pero en el mundo de las computadoras, se considera "de bajos recursos". Esto significa que no hay suficientes grabaciones digitales de personas hablándolo para enseñarle a una computadora cómo entenderlo, especialmente en el entorno de alto riesgo y ruidoso de un juicio. Los investigadores querían cerrar esta brecha y construir un sistema "independiente del hablante". Esta es una forma elegante de decir que querían un escriba que funcione para cualquier persona que hable tigriña, no solo para una persona específica cuya voz haya memorizado.

Construyendo el oído digital

Para construir este sistema, el equipo no solo adivinó; siguieron una receta estricta utilizando un conjunto de herramientas llamado CMU Sphinx. Piensa en este conjunto de herramientas como un gigantesco juego de Lego preconstruido para el reconocimiento de la voz.

Primero, necesitaban datos. No podían simplemente pedirle a la gente que leyera un libro; los tribunales son caóticos. Por ello, grabaron tres horas de audio espontáneo y real de una sala de tribunal. Capturaron la realidad: el tartamudeo nervioso de un testigo, los argumentos rápidos de un abogado y la voz estruendosa de un juez. Reunieron grabaciones de 24 hablantes nativos (10 hombres y 10 mujeres para el entrenamiento, y otros 4 para las pruebas).

Luego, tuvieron que enseñar a la computadora cómo "oír". Utilizaron una técnica llamada MFCC (Coeficientes Cepstrales de Frecuencia Mel). Imagina esto como un par de gafas especiales que filtran el ruido de fondo y resaltan la "huella digital" única de la voz humana. Convierte las líneas onduladas de las ondas sonoras en una lista de números que la computadora puede entender.

Después vino el diccionario. El equipo construyó una lista personalizada de 5,205 palabras únicas encontradas en procedimientos legales y las mapeó con sus sonidos. También le enseñaron a la computadora sobre los 51 sonidos distintos (fonemas) que componen el tigriña, incluyendo algunos complicados como las consonantes glotalizadas que son únicas del idioma.

Finalmente, entrenaron dos tipos de "músicos" (modelos acústicos) para escuchar estos sonidos:

1. El Solista (Independiente del contexto): Este modelo escucha un sonido a la vez, como un músico tocando una sola nota sin importarle qué nota vino antes o después.
2. La Banda (Dependiente del contexto): Este modelo escucha un sonido y a sus vecinos. Sabe que el sonido de una "t" cambia ligeramente dependiendo de si es seguida por una "a" o una "i". Esto es crucial porque en el habla real, nuestras bocas se mueven en un flujo continuo, mezclando los sonidos (un fenómeno llamado coarticulación).

La gran prueba: ¿Quién gana?

Los investigadores pusieron a prueba su sistema utilizando el 10% de los datos que nunca le habían mostrado. Querían ver cuántas palabras acertaba la computadora en comparación con la transcripción escrita por humanos.

Los resultados fueron claros y contaron una historia muy específica. El modelo "Solista" (el que escuchaba los sonidos de forma aislada) tuvo dificultades, acertando solo alrededor del 53.12% de las palabras. Era como intentar entender una oración escuchando solo cada tercera palabra.

Sin embargo, el modelo de la "Banda" (el dependiente del contexto) cambió las reglas del juego. Al escuchar el contexto de los sonidos, se dio cuenta de que la "t" en "court" suena diferente que la "t" en "test". A medida que ajustaban el sistema para usar matemáticas más complejas (específicamente, aumentando el número de "componentes de mezcla gaussiana", que puedes imaginar como añadir más capas de detalle a la huella digital del sonido), la precisión subió.

El punto óptimo se encontró con 11 componentes. En esta configuración, el sistema logró una precisión de palabras del 73.84%. Esto significa que, de cada 100 palabras habladas en una sala de tribunal simulada, la computadora transcribió correctamente unas 74.

Pero la historia no terminó con una puntuación perfecta. Los investigadores descubrieron que el sistema cometía muchos errores de "sustitución": cambiar una palabra por otra que sonaba similar. Esto sucedía porque el tigriña tiene muchas palabras con sonidos muy parecidos, y la computadora a veces se confundía. Además, notaron que si añadían demasiadas capas (como subir a 12 componentes), el sistema en realidad empeoraba. Era como un estudiante que memorizó tan perfectamente el examen de práctica que falló el examen real porque no pudo manejar las ligeras diferencias. El sistema estaba sufriendo de "sobreajuste" (overfitting), o memorizando el ruido en lugar de aprender las reglas.

Lo que esto significa para el futuro

Este artículo no pretende haber resuelto el problema de la transcripción en los tribunales de Etiopía. En cambio, sienta unas bases sólidas. Demuestra que es posible construir un reconocedor de voz en tigriña que funcione para diferentes hablantes y maneje la realidad desordenada de una sala de tribunal.

El estudio muestra explícitamente que el contexto importa. No puedes simplemente enseñarle a una computadora sonidos individuales; tienes que enseñarle cómo esos sonidos danzan juntos en una oración. La precisión del 73.84% es una base; una línea de salida. No es perfecta, pero es un paso gigante hacia adelante comparado con no tener ningún sistema en absoluto.

Los autores sugieren que el trabajo futuro necesita reunir aún más datos de una variedad más amplia de personas y quizás probar técnicas de IA más nuevas y potentes para manejar el ruido de fondo y los patrones de habla inducidos por la ansiedad que ocurren en juicios reales. Por ahora, le han entregado al sistema legal de Etiopía una nueva herramienta: un escriba digital que está aprendiendo a hablar su idioma, sala de tribunal tras sala de tribunal.