Automatic speech recognition system for court proceedings in Ethiopia

Imaginez un monde où les ordinateurs peuvent écouter les voix humaines et les transformer instantanément en mots écrits. Ce n'est pas de la magie ; c'est un domaine de la science appelé Reconnaissance Automatique de la Parole (RAP). Voyez cela comme un scribe super rapide et super attentif qui ne se fatigue jamais, ne fait jamais tomber son stylo et peut taper aussi vite que vous parlez. Pendant des années, cette technologie a été l'acteur vedette dans des domaines de haute technologie comme la santé, où elle aide les médecins à dicter des notes, et dans la diffusion, où elle légende les informations en direct. Mais voici le hic : ce « super scribe » a principalement été entraîné sur des langues qui disposent de montagnes de données pour apprendre, comme l'anglais ou le mandarin. Pour beaucoup d'autres langues, en particulier celles parlées dans des endroits disposant de moins de ressources numériques, le scribe est souvent confus, silencieux ou invente simplement des mots.

Pour comprendre comment ce scribe apprend, nous devons examiner deux outils principaux qu'il utilise. Premièrement, il y a le « modèle acoustique », qui est comme un musicien apprenant à reconnaître le son spécifique d'un violon par rapport d'une flûte. Il décompose les ondes sonores brutes de la parole en morceaux minuscules et gérables appelés phonèmes (les plus petites unités de son d'une langue). Deuxièmement, il y a le « modèle de langue », qui agit comme un agent de la police grammaticale ou une application de saisie prédictive. Il n'écoute pas seulement les sons ; il devine quel mot devrait suivre en fonction de ce qui a été dit précédemment, aidant le système à déterminer si vous avez dit « court » ou « court » (si les sons étaient similaires). Lorsque vous combinez ces deux éléments, vous obtenez un système capable d'écouter une conversation et de la transcrire. Mais que se passe-t-il lorsqu'une conversation a lieu dans une salle d'audience animée, dans une langue comme le tigrigna, où le scribe n'a jamais été entraîné auparavant ? C'est la grande question que cette recherche aborde.

---

Le cas du scribe de salle d'audience manquant

Dans les salles d'audience animées d'Éthiopie, beaucoup d'affaires importantes s'y déroulent. Des juges, des avocats, des témoins et des prévenus parlent tous, et quelqu'un doit noter chaque mot pour créer un compte rendu officiel. Actuellement, cela est fait par des transcripteurs humains. C'est un travail difficile. Ils doivent écouter attentivement, taper vite et gérer le stress d'un procès en direct. S'ils se fatiguent ou si la pièce est bruyante, des erreurs se produisent et le dossier juridique devient désordonné.

Entrez Tedros Kebede Bidada et Dawit Teklu Weldeslasie de l'Université d'Aksum. Ils ont posé une question simple mais puissante : Pouvons-nous construire un scribe informatique qui parle le tigrigna et comprend le langage spécifique et complexe des salles d'audience éthiopennes ?

Le tigrigna est une langue majeure parlée par des millions de personnes, mais dans le monde de l'informatique, elle est considérée comme « sous-ressourcée ». Cela signifie qu'il n'y a pas assez d'enregistrements numériques de personnes parlant cette langue pour apprendre à un ordinateur comment la comprendre, surtout dans l'environnement à enjeux élevés et bruyant d'un procès. Les chercheurs voulaient combler ce fossé et construire un système « indépendant du locuteur ». C'est une façon sophistiquée de dire qu'ils voulaient un scribe qui fonctionne pour n'importe qui parlant le tigrigna, et non pas seulement pour une personne spécifique dont il aurait mémorisé la voix.

Construire l'oreille numérique

Pour construire ce système, l'équipe n'a pas seulement deviné ; elle a suivi une recette stricône en utilisant une boîte à outils appelée CMU Sphinx. Considérez cette boîte à outils comme un immense kit de construction de type LEGO déjà pré-assemblé pour la reconnaissance vocale.

D'abord, ils avaient besoin de données. Ils ne pouvaient pas simplement demander aux gens de lire un livre ; les salles d'audience sont chaotiques. Ils ont donc enregistré trois heures d'audio réel et spontané de salle d'audience. Ils ont capturé la réalité : le bégaiement nerveux d'un témoin, les arguments rapides d'un avocat et la voix tonitruante d'un juge. Ils ont recueilli des enregistrements de 24 locuteurs natifs (10 hommes et 10 femmes pour l'entraînement, et 4 autres pour les tests).

Ensuite, ils ont dû apprendre à l'ordinateur comment « entendre ». Ils ont utilisé une technique appelée MFCC (Coefficients Cepstraux de la Fréquence de Mel). Imaginez cela comme une paire de lunettes spéciales qui filtre le bruit de fond et met en évidence l'« empreinte digitale » unique de la voix humaine. Cela transforme les lignes sinueuses des ondes sonores en une liste de nombres que l'ordinateur peut comprendre.

Puis vint le dictionnaire. L'équipe a construit une liste personnalisée de 5 205 mots uniques trouvés dans les procédures juridiques et les a associés à leurs sons. Ils ont également appris à l'ordinateur les 51 sons distincts (phones) qui composent le tigrigna, y compris certains sons complexes comme les consonnes glottalisées qui sont uniques à la langue.

Enfin, ils ont entraîné deux types de « musiciens » (modèles acoustiques) pour écouter ces sons :

1. Le Soliste (Indépendant du contexte) : Ce modèle écoute un son à la fois, comme un musicien jouant une seule note sans se soucier de la note qui précède ou suit.
2. Le Groupe (Dépendant du contexte) : Ce modèle écoute un son et ses voisins. Il sait que le son d'un « t » change légèrement selon qu'il est suivi d'un « a » ou d'un « i ». Ceci est crucial car, dans la parole réelle, nos bouches bougent dans un flux continu, mélangeant les sons (un phénomène appelé coarticulation).

Le Grand Test : Qui gagne ?

Les chercheurs ont mis leur système à l'épreuve en utilisant les 10 % de données qu'ils n'avaient jamais présentées au système. Ils voulaient voir combien de mots l'ordinateur réussissait par rapport à la transcription écrite par l'humain.

Les résultats étaient clairs et racontaient une histoire très spécifique. Le modèle « Soliste » (cel celui qui écoutait les sons de manière isolée) a eu des difficultés, ne réussissant qu'environ 53,12 % des mots. C'était comme essayer de comprendre une phrase en n'entendant que un mot sur trois.

Cependant, le modèle « Groupe » (celui dépendant du contexte) a changé la donne. En écoutant le contexte des sons, il a réalisé que le « t » de « court » sonne différemment du « t » de « test ». À mesure qu'ils ajustaient le système pour utiliser des mathématiques plus complexes (plus précisément, en augmentant le nombre de « composantes de mélange gaussien », que vous pouvez voir comme l'ajout de plus de couches de détails à l'empreinte sonore), la précision a grimpé.

Le point optimal a été trouvé avec 11 composantes. À ce réglage, le système a atteint une précision de mots de 73,84 %. Cela signifie que sur 100 mots prononcés dans une salle d'audience simulée, l'ordinateur en a correctement transcrit environ 74.

Mais l'histoire ne s'est pas terminée sur un score parfait. Les chercheurs ont constaté que le système faisait beaucoup d'erreurs de « substitution » — échangeant un mot pour un autre qui sonnait de manière similaire. Cela se produisait parce que le tigrigna possède de nombreux mots aux sonorités très proches, et l'ordinateur se confondait parfois. De plus, ils ont remarqué que si l'on ajoutait trop de couches (comme en passant à 12 composantes), le système devenait en fait moins performant. C'était comme un étudiant qui avait tellement bien mémorisé l'examen blanc qu'il avait échoué à l'examen réel parce qu'il ne pouvait pas gérer les légères différences. Le système faisait du « surapprentissage » (overfitting), ou mémorisait le bruit au lieu d'apprendre les règles.

Ce que cela signifie pour l'avenir

Ce document ne prétend pas avoir résolu le problème de la transcription judiciaire en Éthiopie. Au contraire, il pose une base solide. Il prouve qu'il est possible de construire un système de reconnaissance vocale en tigrigna qui fonctionne pour différents locuteurs et gère la réalité désordonnée d'une salle d'audience.

L'étude montre explicitement que le contexte compte. Vous ne pouvez pas simplement apprendre à un ordinateur des sons individuels ; vous devez lui apprendre comment ces sons dansent ensemble dans une phrase. L'exactitude de 73,84 % est une base — une ligne de départ. Ce n'est pas parfait, mais c'est un pas de géant par rapport à l'absence totale de système.

Les auteurs suggèrent que les travaux futurs devront collecter encore plus de données provenant d'un plus large éventail de personnes et peut-être essayer des techniques d'IA plus récentes et plus puissantes pour gérer le bruit de fond et les schémas de parole induits par l'anxiété qui surviennent lors de vrais procès. Pour l'instant, ils ont remis au système juridique éthiopien un nouvel outil : un scribe numérique qui apprend à parler leur langue, une salle d'audience à la fois.