Automatic speech recognition system for court proceedings in Ethiopia

Immaginate un mondo in cui i computer possono ascoltare le voci umane e trasformarle istantaneamente in parole scritte. Questa non è magia; è un campo della scienza chiamato Riconoscimento Automatico del Parlato (ASR). Pensatelo come a un amanuense super veloce e super attento che non si stanca mai, non fa cadere la penna e può scrivere alla stessa velocità con cui parlate. Per anni, questa tecnologia è stata la protagonista in domini high-tech come la sanità, dove aiuta i medici a dettare appunti, e nel broadcasting, dove inserisce i sottotitoli nelle notizie in diretta. Ma ecco il problema: questo "super amanuense" è stato addestrato principalmente su lingue che hanno montagne di dati da cui imparare, come l'inglese o il mandarino. Per molte altre lingue, specialmente quelle parlate in luoghi con meno risorse digitali, lo scriba è spesso confuso, silenzioso o semplicemente inventa parole.

Per capire come questo amanuense impari, dobbiamo guardare a due strumenti principali che utilizza. Primo, c'è il "modello acustico", che è come un musicista che impara a riconoscere il suono specifico di un violino rispetto a un flauto. Esso scompone le onde sonore grezze del parlato in piccoli pezzi gestibili chiamati fonemi (le unità minime di suono di una lingua). Secondo, c'è il "modello linguistico", che agisce come un poliziotto della grammatica o un'app di testo predittivo. Non ascolta solo i suoni; indovina quale parola dovrebbe venire dopo in base a ciò che è venuto prima, aiutando il sistema a capire se avete detto "court" o "court" (se suonavano simili). Quando unite queste due cose, ottenete un sistema che può ascoltare una conversazione e scriverla. Ma cosa succede quando la conversazione avviene in un'aula di tribunale affollata, in una lingua come il tigrino, dove lo scriba non è mai stato addestrato prima? Questa è la grande domanda che questa ricerca affronta.

---

Il Caso dello Scriba Mancante in Aula

Nelle vivaci aule di tribunale dell'Etiopia, si svolge molta attività importante. Giudici, avvocati, testimoni e imputati parlano, e qualcuno deve scrivere ogni singola parola per creare un verbale ufficiale. Attualmente, questo compito è svolto da trascrittori umani. È un lavoro duro. Devono ascoltare intensamente, digitare velocemente e gestire lo stress di una battaglia legale dal vivo. Se si stancano o se la stanza è rumorosa, gli errori accadono e il verbale legale diventa disordinato.

Entrano in gioco Tedros Kebede Bidada e Dawit Teklu Weldeslasie dell'Università di Aksum. Si sono posti una domanda semplice ma potente: Possiamo costruire uno scriba computerizzato che parli tigrino e comprenda il linguaggio specifico e complicato degli tribunali etiopi?

Il tigrino è una lingua importante parlata da milioni di persone, ma nel mondo dei computer è considerata "a scarse risorse". Ciò significa che non ci sono abbastanza registrazioni digitali di persone che lo parlano per insegnare a un computer come capirlo, specialmente nell'ambiente rumoroso e ad alta tensione di un processo. I ricercatori volevano colmare questo divario e costruire un sistema "indipendente dal parlatore". Questo è un modo elegante per dire che volevano uno scriba che funzionasse per chiunque parlasse tigrino, non solo per una persona specifica la cui voce ha memorizzato.

Costruire l'Orecchio Digitale

Per costruire questo sistema, il team non ha solo tirato a indovinare; ha seguito una ricetta rigorosa utilizzando un toolkit chiamato CMU Sphinx. Pensate a questo toolkit come a un enorme set di Lego pre-assemblato per il riconoscimento vocale.

Per prima cosa, avevano bisogno di dati. Non potevano semplicemente chiedere alle persone di leggere un libro; le aule di tribunale sono caotiche. Così, hanno registrato tre ore di audio spontaneo proveniente da un'aula di tribunale reale. Hanno catturato la realtà pura: l'esitazione nervosa di un testimone, le argomentazioni rapide di un avvocato e la voce tonante di un giudice. Hanno raccolto registrazioni da 24 parlanti nativi (10 uomini e 10 donne per l'addestramento, e altri 4 per il test).

Successivamente, dovevano insegnare al computer come "sentire". Hanno utilizzato una tecnica chiamata MFCC (Coefficienti Cepstrali delle Frequenze Mel). Immaginatelo come un paio di occhiali speciali che filtrano il rumore di fondo e mettono in evidenza l' "impronta digitale" unica della voce umana. Trasforma le linee sinuose delle onde sonore in una lista di numeri che il computer può comprendere.

Poi arrivò il dizionario. Il team costruì un elenco personalizzato di 5.205 parole uniche presenti nei procedimenti legali e le mappò ai loro suoni. Insegnarono anche al computer i 51 suoni distinti (fonemi) che compongono il tigrino, inclusi alcuni suoni complicati come le consonanti glottalizzate che sono uniche della lingua.

Infine, addestrarono due tipi di "musicisti" (modelli acustici) per ascoltare questi suoni:

1. Il Solista (Indipendente dal contesto): Questo modello ascolta un suono alla volta, come un musicista che suona una singola nota senza preoccuparsi di quale nota sia venuta prima o dopo.
2. La Band (Dipendente dal contesto): Questo modello ascolta un suono e i suoi vicini. Sa che il suono di una "t" cambia leggermente a seconda che sia seguita da una "a" o da una "i". Questo è fondamentale perché nel parlato reale, le nostre bocche si muovono in un flusso continuo, fondendo i suoni insieme (un fenomeno chiamato coarticolazione).

Il Grande Test: Chi Vince?

I ricercatori hanno messo alla prova il loro sistema utilizzando il 10% dei dati che non gli erano mai stati mostrati prima. Volevano vedere quante parole il computer avesse indovinato rispetto alla trascrizione scritta dall'umano.

I risultati sono stati chiari e raccontavano una storia molto specifica. Il modello "Solista" (quello che ascoltava i suoni in isolamento) ha faticato, ottenendo solo circa il 53,12% delle parole corrette. Era come cercare di capire una frase sentendo solo una parola ogni tre.

Tuttavia, il modello "Band" (quello dipendente dal contesto) è stato un vero punto di svolta. Ascoltando il contesto dei suoni, ha capito che la "t" in "court" suona diversamente dalla "t" in "test". Man mano che perfezionavano il sistema usando una matematica più complessa (specificamente, aumentando il numero di "componenti della miscela Gaussiana", che potete immaginare come l'aggiunta di ulteriori strati di dettaglio all'impronta digitale del suono), l'accuratezza è salita.

Il punto di equilibrio è stato trovato con 11 componenti. A questa impostazione, il sistema ha raggiunto un'accuratezza di parole del 73,84%. Ciò significa che, su ogni 100 parole pronunciate in un'aula di tribunale simulata, il computer ne ha trascritte correttamente circa 74.

Ma la storia non finiva con un punteggio perfetto. I ricercatori hanno scoperto che il sistema commetteva molti errori di "sostituzione" — scambiando una parola con un'altra dal suono simile. Questo accadeva perché il tigrino ha molte parole con suoni molto simili, e il computer a volte si confondeva. Inoltre, hanno notato che se aggiungevano troppi strati (come salendo a 12 componenti), il sistema diventava effettivamente peggior. Era come uno studente che aveva imparato a memoria il test di pratica così perfettamente da fallire l'esame reale perché non riusciva a gestire le piccole differenze. Il sistema stava facendo "overfitting", ovvero stava memorizzando il rumore invece di imparare le regole.

Cosa Significa per il Futuro

Questo articolo non sostiene di aver risolto il problema della trascrizione giudiziaria in Etiopia. Inveve, pone una solida base. Dimostra che è possibile costruire un sistema di riconoscimento vocale per il tigrino che funzioni per diversi parlanti e gestisca la realtà disordinata di un'aula di tribunale.

Lo studio mostra esplicitamente che il contesto conta. Non si può semplicemente insegnare a un computer i singoli suoni; bisogna insegnargli come quei suoni danzano insieme in una frase. L'accuratezza del 73,84% è un valore di riferimento — un punto di partenza. Non è perfetta, ma è un passo avanti enorme rispetto all'avere un sistema assente.

Gli autori suggeriscono che il lavoro futuro debba raccogliere ancora più dati da una varietà più ampia di persone e forse provare tecniche di IA più recenti e potenti per gestire il rumore di fondo e i modelli di parlato indotti dall'ansia che si verificano nei veri processi. Per ora, hanno consegnato al sistema legale dell'Etiopia un nuovo strumento: uno scriba digitale che sta imparando a parlare la loro lingua, un'aula di tribunale alla volta.