Automatic speech recognition system for court proceedings in Ethiopia

想象一个计算机可以倾听人类声音并瞬间将其转化为文字的世界。这并非魔法，而是一个被称为自动语音识别（ASR）的科学领域。可以把它想象成一个超级快速、超级专注的速记员，他从不疲倦，从不掉笔，并且能跟上你说话的速度。多年来，这项技术一直是高科技领域的明星选手，例如在医疗领域帮助医生记录笔记，以及在广播领域为新闻直播提供字幕。但问题在于：这个“超级速记员”主要是在拥有海量数据进行学习的语言（如英语或中文）上进行训练的。对于许多其他语言，特别是那些数字资源较少的地区所使用的语言，这个速记员往往会感到困惑、陷入沉默，或者干脆胡编乱造。

要理解这个速记员是如何学习的，我们需要观察它使用的两个主要工具。首先是“声学模型”，它就像一位正在学习辨别小提琴与长笛特定音色的音乐家。它将语音的原始声波分解成微小的、易于处理的部分，称为音素（语言中最小的声音单位）。其次是“语言模型”，它扮演着语法警察或预测文本应用的角色。它不仅倾听声音，还会根据前文来猜测下一个词应该是什麽，从而帮助系统分辨你说的是“court”（法庭）还是“court”（庭院）（如果它们听起来很相似的话）。当这两个工具结合在一起时，你就得到了一个能够倾听对话并将其记录下来的系统。但是，如果对话发生在嘈杂的法庭上，而且使用的是计算机从未接受过训练的提格里尼尼亚语（Tigrigna），那会发生什么呢？这正是这项研究试图解决的核心问题。

---

失踪的法庭速记员案

在埃塞俄比亚繁忙的法庭上，许多重要的事务都在发生。法官、律师、证人和被告都在发言，必须有人记录下每一个字以创建正式记录。目前，这项工作是由人工速记员完成的。这是一份艰苦的工作。他们必须专注倾听、快速打字，并应对现场辩论带来的压力。如果他们疲劳了或者房间里很吵，错误就会发生，导致法律记录变得混乱。

这时，来自阿克苏姆大学的 Tedros Kebede Bidada 和 Dawit Teklu Weldeslasie 出现了。他们提出了一个简单但有力的疑问：我们能否构建一个既能说提格里尼尼亚语，又能理解埃塞俄比亚法庭特有的复杂语言的计算机速记员？

提格里尼尼亚语是数百万人口使用的主要语言，但在计算机世界中，它被认为是“资源匮乏型”语言。这意味着没有足够的数字化人类说话录音来教计算机如何理解它，尤其是在审判这种高风险、嘈杂的环境中。研究人员希望弥补这一差距，并构建一个“说话人无关”（speaker-independent）的系统。这是一个高级说法，意指他们想要一个能为任何人说话的速记员，而不仅仅是记住某一个特定人声音的系统。

构建数字耳朵

为了构建这个系统，团队并没有凭空猜测；他们使用了一个名为 CMU Sphinx 的工具包，遵循了一套严格的配方。你可以把这个工具包想象成一套巨大的、预制的乐高积木集。

首先，他们需要数据。他们不能只是让人们去读一本书；法庭是混乱的。因此，他们录制了三小时真实的、自发的法庭音频。他们捕捉到了真实的情况：证人紧张的结巴、律师连珠炮式的辩论，以及法官洪亮的嗓音。他们收集了来自 24 位母语使用者（10 名男性和 10 名女性用于训练，另外 4 人用于测试）的录音。

接下来，他们必须教会计算机如何“听”。他们使用了一种称为 MFCC（梅尔频率倒谱系数）的技术。想象一下，这是一款特殊的眼镜，它可以过滤掉背景噪音，并突出人类声音独特的“指纹”。它将扭曲的声波线条转化为计算机可以理解的一系列数字。

然后是词典。团队构建了一个包含 5,205 个独特单词的自定义列表，这些单词常见于法律程序，并将它们与其发音相对应。他们还教会了计算机关于提格里尼尼亚语的 51 种不同声音（音素）的知识，包括一些该语言特有的复杂的喉塞辅音。

最后，他们训练了两类“音乐家”（声学模型）来聆听这些声音：

1. 独奏者（上下文无关模型）： 这个模型一次只听一个声音，就像一位只演奏单个音符而不关心前后音符是什么的音乐家。
2. 乐队（上下文相关模型）： 这个模型不仅听一个声音，还会听它的邻居。它知道“t”的声音会根据后面跟着“a”还是“i”而略有变化。这至关重要，因为在真实的说话过程中，我们的嘴部动作是连续流动的，会将声音融合在一起（这种现象称为协同发音）。

大考：谁胜出了？

研究人员使用他们从未展示过的 10% 数据对系统进行了测试。他们想看看计算机在与人工编写的转录文本对比时，能正确识别多少单词。

结果非常明确，并讲述了一个非常具体的故事。“独奏者”模型（即那个孤立聆听声音的模型）表现挣扎，仅能正确识别约 53.12% 的单词。这就像是通过只听每三个词中的一个来理解句子一样。

然而，“乐队”模型（即上下文相关的模型）成为了游戏规则的改变者。通过聆听声音的上下文，它意识到“court”中的“t”听起来与“test”中的“t”不同。随着他们调整系统以使用更复杂的数学计算（具体来说，是增加“高斯混合成分”的数量，你可以将其理解为为声音指纹添加更多细节层），准确率上升了。

研究人员找到了最佳平衡点，即使用 11 个成分。在此设置下，系统实现了 73.84% 的词汇准确率。这意味着在模拟法庭中每说出 100 个单词，计算机大约能正确转录其中的 74 个。

但故事并未止步于完美得分。研究人员发现系统犯了很多“替换”错误——即将一个词替换为另一个听起来相似的词。这是因为提格里尼尼亚语有很多发音非常接近的单词，计算机有时会感到困惑。此外，他们注意到如果增加过多的层级（例如增加到 12 个成分），系统的表现反而会变差。这就像是一个学生把练习题背得过于完美，以至于在正式考试中失败了，因为他无法处理细微的差异。系统出现了“过拟合”现象，即它是在记忆噪声而非学习规则。

这对未来意味着什么

这篇论文并不声称已经解决了埃塞俄比亚法庭转录的问题。相反，它奠定了一个坚实的基础。它证明了构建一个能够针对不同说话人、并能处理法庭混乱现实的提格里尼尼亚语语音识别系统是可能的。

这项研究明确表明，上下文至关重要。你不能仅仅教计算机单个的声音；你必须教它这些声音如何在句子中翩翩起舞。73.84% 的准确率是一个基准——一个起跑线。它并不完美，但从“完全没有系统”跨越到这一步，是一个巨大的进步。

作者们建议，未来的工作需要从更多样化的人群中收集更多数据，并或许尝试使用更强大、更先进的 AI 技术，以处理真实审判中出现的背景噪音和焦虑引发的言语模式。目前，他们为埃塞俄比亚的法律系统递交了一件新工具：一个正在学习用他们的语言说话的数字速记员，一步一个脚印地学习着。