Automatic speech recognition system for court proceedings in Ethiopia

Imagine um mundo onde os computadores podem ouvir vozes humanas e transformá-las instantaneamente em palavras escritas. Isso não é mágica; é um campo da ciência chamado Reconhecimento Automático de Fala (ASR). Pense nisso como um escrivão super-rápido e superatento que nunca se cansa, nunca deixa cair uma caneta e consegue digitar tão rápido quanto você fala. Por anos, essa tecnologia tem sido a peça principal em domínios de alta tecnologia, como a saúde, onde ajuda médicos a ditar notas, e na radiodifusão, onde legenda notícias ao vivo. Mas aqui está o detalhe: este "super-escrivão" foi treinado principalmente em línguas que possuem montanhas de dados para aprender, como o inglês ou o mandarim. Para muitas outras línguas, especialmente as faladas em lugares com menos recursos digitais, o escrivão fica frequentemente confuso, silencioso ou simplesmente inventa palavras.

Para entender como esse escrivão aprende, precisamos olhar para duas ferramentas principais que ele utiliza. Primeiro, há o "modelo acústico", que é como um músico aprendendo a reconhecer o som específico de um violino versus uma flauta. Ele decompõe as ondas sonoras brutas da fala em pedaços minúsculos e gerenciáveis chamados fonemas (as menores unidades de som de uma língua). Segundo, há o "modelo de linguagem", que atua como um policial da gramática ou um aplicativo de texto preditivo. Ele não apenas ouve sons; ele adivinha qual palavra deve vir a seguir com base no que veio antes, ajudando o sistema a descobrir se você disse "court" ou "court" (caso soassem semelhantes). Quando você combina esses dois, obtém um sistema que pode ouvir uma conversa e escrevê-la. Mas o que acontece quando a conversa está ocorrendo em um tribunal movimentado, em uma língua como o tigrinya, onde o escrivão nunca foi treinado antes? Essa é a grande questão que esta pesquisa aborda.

---

O Caso do Escrivão de Tribunal Ausente

Nos movimentados tribunais da Etiópia, muitos negócios importantes acontecem. Juízes, advogados, testemunhas e réus todos falam, e alguém tem que escrever cada palavra para criar um registro oficial. Atualmente, isso é feito por transcritores humanos. É um trabalho difícil. Eles têm que ouvir atentamente, digitar rápido e lidar com o estresse de uma batalha jurídica ao vivo. Se eles se cansarem ou se a sala estiver barulhenta, erros acontecem, e o registro legal fica bagunçado.

Entram em cena Tedros Kebede Bidada e Dawit Teklu Weldeslasie, da Universidade de Aksum. Eles fizeram uma pergunta simples, mas poderosa: Podemos construir um escrivão de computador que fale tigrinya e entenda a linguagem específica e complicada dos tribunais etíopes?

O tigrinya é uma língua importante falada por milhões, mas no mundo dos computadores, é considerada "de baixo recurso". Isso significa que não existem gravações digitais suficientes de pessoas falando a língua para ensinar um computador a entendê-la, especialmente no ambiente de alto risco e barulhento de um julgamento. Os pesquisadores queriam preencher essa lacuna e construir um sistema "independente de locutor". Esta é uma forma elegante de dizer que eles queriam um escrivão que funcione para qualquer pessoa que fale tigrinya, não apenas para uma pessoa específica cuja voz o sistema memorizou.

Construindo o Ouvido Digital

Para construir este sistema, a equipe não apenas adivinhou; eles seguiram uma receita rigorosa usando um kit de ferramentas chamado CMU Sphinx. Pense neste kit de ferramentas como um conjunto gigante de Lego pré-montado para reconhecimento de fala.

Primeiro, eles precisavam de dados. Eles não podiam simplesmente pedir às pessoas para lerem um livro; tribunais são caóticos. Então, eles gravaram três horas de áudio real e espontâneo de tribunal. Eles capturaram a realidade: o gaguejar nervoso de uma testemunha, os argumentos rápidos de um advogado e a voz estrondosa de um juiz. Eles reuniram gravações de 24 falantes nativos (10 homens e 10 mulheres para treinamento, e outros 4 para teste).

Em seguida, eles tiveram que ensinar o computador a "ouvir". Eles usaram uma técnica chamada MFCC (Coeficientes Cepstrais de Frequência Mel). Imagine isso como um par especial de óculos que filtra o ruído de fundo e destaca a "impressão digital" única da voz humana. Ele transforma as linhas onduladas das ondas sonoras em uma lista de números que o computador pode entender.

Depois veio o dicionário. A equipe construiu uma lista personalizada de 5.205 palavras únicas encontradas em procedimentos legais e as mapeou para seus sons. Eles também ensinaram o computador sobre os 51 sons distintos (fonemas) que compõem o tigrinya, incluindo alguns sons complicados como consoantes glotalizadas que são únicas da língua.

Finalmente, eles treinaram dois tipos de "músicos" (modelos acústicos) para ouvir esses sons:

1. O Solista (Independente de Contexto): Este modelo ouve um som de cada vez, como um músico tocando uma nota única sem se importar com qual nota veio antes ou depois.
2. A Banda (Dependente de Contexto): Este modelo ouve um som e seus vizinhos. Ele sabe que o som de um "t" muda ligeiramente dependendo se é seguido por um "a" ou um "i". Isso é crucial porque, na fala real, nossas bocas se movem em um fluxo contínuo, misturando os sons (um fenômeno chamado coarticulação).

O Grande Teste: Quem Vence?

Os pesquisadores colocaram seu sistema à prova usando os 10% dos dados que nunca haviam mostrado a ele antes. Eles queriam ver quantas palavras o computador acertou em comparação com a transcrição escrita por humanos.

Os resultados foram claros e contaram uma história muito específica. O modelo "Solista" (aquele que ouvia os sons isoladamente) teve dificuldades, acertando apenas cerca de 53,12% das palavras. Era como tentar entender uma frase ouvindo apenas cada terceira palavra.

No entanto, o modelo "Banda" (o dependente de contexto) foi um divisor de águas. Ao ouvir o contexto dos sons, ele percebeu que o "t" em "court" soa diferente do "t" em "test". À medida que eles ajustavam o sistema para usar matemática mais complexa (especificamente, aumentando o número de "componentes de mistura Gaussiana", que você pode pensar como adicionar mais camadas de detalhe à impressão digital do som), a precisão subia.

O ponto ideal foi encontrado com 11 componentes. Nesse ajuste, o sistema alcançou uma precisão de palavras de 73,84%. Isso significa que, de cada 100 palavras faladas em um tribunal simulado, o computador transcreveu corretamente cerca de 74 delas.

Mas a história não terminou com uma pontuação perfeita. Os pesquisadores descobriram que o sistema cometia muitos erros de "substituição" — trocando uma palavra por outra que soava semelhante. Isso aconteceu porque o tigrinya possui muitas palavras com sons muito parecidos, e o computador às vezes ficava confuso. Além disso, eles notaram que, se adicionassem muitas camadas (como subir para 12 componentes), o sistema na verdade piorava. Era como um aluno que memorizou tão perfeitamente o teste de prática que falhou no exame real porque não conseguiu lidar com as pequenas diferenças. O sistema estava sofrendo de "overfitting", ou memorizando o ruído em vez de aprender as regras.

O Que Isso Significa para o Futuro

Este artigo não afirma ter resolvido o problema da transcrição de tribunais na Etiópia. Em vez disso, ele estabelece uma base sólida. Ele prova que é possível construir um reconhecedor de fala em tigrinya que funcione para diferentes locutores e lide com a realidade caótica de um tribunal.

O estudo mostra explicitamente que o contexto importa. Você não pode apenas ensinar um computador sons individuais; você tem que ensiná-lo como esses sons dançam juntos em uma frase. A precisão de 73,84% é um patamar — uma linha de partida. Não é perfeito, mas é um passo gigantesco à frente de não ter nenhum sistema.

Os autores sugerem que o trabalho futuro precisa reunir ainda mais dados de uma variedade maior de pessoas e talvez tentar técnicas de IA mais novas e poderosas para lidar com o ruído de fundo e os padrões de fala induzidos pela ansiedade que ocorrem em julgamentos reais. Por enquanto, eles entregaram ao sistema jurídico da Etiópia uma nova ferramenta: um escrivão digital que está aprendendo a falar sua língua, um tribunal de cada vez.