Nová generace automatického přepisu mluveného slova

Tým profesora Jana Nouzy z Ústavu informačních technologií a elektroniky na Fakultě mechatroniky Technické univerzity v Liberci představil novou generaci automatického přepisu mluveného slova a rozpoznání hlasu řečníka. Účastníci se přesvědčili, že přepis je nejen rychlý, ale i spolehlivý. Chyby prakticky nebylo možné postřehnout. Jedná se o systém ATT 3 (Audio Transcription Toolkit), který používá rozsáhlý slovník asi 320 000 slov. Zvládá přepis mluvené řeči nejen přímo z mikrofonu, ale také z televize a rozhlasu. Velkým úspěchem je, že s tímto obrovským slovníkem zvládá i on-line režim, například přímé titulkování aktuálního projevu, případně pořadu v televizi či v rádiu. Titulkování je podle Nouzy nejtěžší úlohou při přepisu. „Přepisovací systém musí zpracovat aktuálně mluvený proud slov a vypisovat text s minimálním zpožděním. Systém musí být schopen okamžitě reagovat na měnící se témata a výměnu hovořících osob. Při tak velkém počtu slov to je technicky náročné i pro velmi výkonné počítače. Přesnost přepisu je závislá na tom jak daný řečník vyslovuje, na tom jaký je v prostoru hluk a také na tom, zda řečník užívá běžné nebo specifické výrazy. V současné době se pohybuje mezi 85 až 95 procenty,“ přiblížil nový systém profesor Nouza. Předchozí verze systému ATT je již dva roky v provozu ve firmě Newton Media a za tu dobu zpracovala více než 10 000 hodin záznamů, jejichž přepisy jsou pak po kontrole poskytovány mnoha klientům z veřejné i soukromé sféry. Jako jedno z nejbližších možných využití v běžné praxi vidí Jan Nouza diktování do počítače při soudních nebo jiných, na přesnost náročných jednání. Důležité podle něj je také to, že liberecký systém rozpoznávání řeči je nezávislý na řečníkovi, a není nutné ho proto zaučovat pro každou novou osobu. Na druhé straně je ale možné provést rychlou adaptaci pro osoby s méně obvyklou výslovností. „Program může značně zrychlit a zefektivnit práci soudů. Je schopný hned na místě přepisovat zvukový záznam ze soudních jednání do písemné podoby. Lze využít standardní slovník, doplněný o specifické termíny,“ souhlasí člen realizačního týmu Petr Červa. Tento systém podle něj do určité míry zastane nákladnou a zdlouhavou práci soudních zapisovatelek, které místo zdlouhavého zapisování, budou napsaný text jen editovat. „Systém jsme před rokem vyzkoušeli přímo v soudních síních. Tehdy byla úspěšnost asi 75procentní. Dnes již program zvládnul i naši soudní terminologii a přesnost přepisu se výrazně zvýšila. Pro soudnictví by tento systém přinesl významnou úsporu práce i času. Rádi bychom tento program začali využívat co nejdříve,“ uvedla ředitelka správy Okresního soudu v Liberci Kamila Břachová. Systém automatického přepisu mluveného slova se líbí i libereckému hejtmanu Petru Skokanovi. „Přesvědčil jsem se, že program je schopný prakticky souběžně přepisovat zvukový záznam z jednání do písemné podoby. Myslím, že by se to dalo využít pro záznamy z jednání krajského zastupitelstva. Podle klíčových slov by se pak dalo vyhledat, kdo co přesně řekl. Umím si představit, že bychom vytvořili archiv záznamů jednání přístupný veřejnosti,“ řekl Skokan po shlédnutí textového záznamu běžícího souběžně s projevy zastupitelů ze zasedání krajského zastupitelstva. Systém ATT podle profesora Nouzy otevírá dosud netušené možnosti sběru a třídění informací. Umožňuje například nepřetržité monitorování, přepisování a archivování pořadů konkrétních televizních a rozhlasových stanic. Tyto přepisy jsou přitom takzvaně zaindexovány, to znamená, že pro každé slovo automaticky vytvořeného přepisu se ukládají informace o pořadu a stanici, kde se vyskytly a o přesném času výskytu.Tak lze kdykoliv přesně najít předmětný pořad nebo záznam a okamžitě ho přehrát. „Původní záznamy přitom stále zůstávají na svém místě, například na veřejně přístupném webu televizní či rozhlasové stanice, takže vyhledávání i případné přehrávání je v souladu s autorskými právy,“ zdůraznil Nouza. Vědci z Technické univerzity v Liberci počítají s tím, že systémy hlasového ovládaní počítače usnadní život také hendikepovaným občanům. Hlasový systém My Voice, který umožňuje ovládat počítač bez použití rukou, již našel na šedesát uživatelů v České republice, na Slovensku a ve Španělsku. Vůbec první uživatelka Dita Horochovská může díky tomuto systému studovat střední školu a hlasem píše svůj blog. Letošní novinkou je systém MyDictate, který pracuje se slovníkem s více než půl miliony slov a umožňuje nejen diktovat do počítače bez použití rukou, ale také text editovat a formátovat. „Použitá strategie diktování po jednotlivých slovech umožňuje hendikepovaným uživatelům okamžitě provádět změny a opravovat případné chyby. Náš první klient využil program při psaní své diplomové práce a nyní již také při své praxi na Nejvyšším správním soudu v Brně. Nemůže psát rukama, přesto vykonává vysoce kvalifikovanou a náročnou práci,“ uvedl spoluautor programu Petr Červa. Pomocí dalšího programu Voi- Center (Hlasové centrum) mohou zase hendikepovaní lidé ovládat přístroje a spotřebiče ve své domácnosti. Ve světě se podobné technologie také vyvíjejí, v Česku se však zatím jejich vývojem nikdo nezabýval. Pilotní projekt řeší liberečtí vědci ve spolupráci s jabloneckou firmou Jablotron. „Pro postiženou osobu lze vytvořit něco, co nazýváme SmartRoom, neboli inteligentní místnost. Stačí k tomu běžný počítač, náš program a několik jednoduchých bezdrátových spínačů. Pak stačí mluvenými povely zapínači vypínat spotřebiče ovládané z počítače. Může to být lampa, topení, ventilace, televize, rádio, ale i zámek nebo kamerová kontrola vstupu. Program nyní testují různí lidé v naší předváděcí místnosti na univerzitě,“ představil program další člen týmu Josef Chaloupka. Laboratoř počítačového zpracování řeči vznikla na Technické univerzitě v Liberci před 15 lety. Během té doby se na její půdě zrodila celá řada programů, nástrojů i komplexních systémů, z nichž několik je již komerčně nasazeno v praxi. V roce 1993 zde vznikl i první český rozpoznávač řeči, který byl nezávislý na řečníkovi a umožňoval jednoduché operace, například hlasem ovládané kreslení či hraní jednoduchých her. Historický rozpoznávač je nyní k vidění v Národním technickém muzeu v Praze. JAROSLAVA KOČÁRKOVÁ FOTO AUTORKA