Software brněnských informatiků může identifikovat hlasy teroristů

V Brně skupina zpracování řeči Speech@FIT na Ústavu počítačové grafiky a multimédií Fakulty informačních technologií VUT potvrdila nedávno své špičkové postavení v analýze a rozpoznávání mluvené řeči. V prestižních evaluacích pořádaných americkým Národním úřadem pro standardizaci a technologie (National Institute of Standards and Technology - NIST) se brněnská skupina po dvou letech znovu umístila mezi předními světovými pracovišti (pravidla zakazují zveřejnit přesné pořadí účastníků). Na workshopu pořádaném v Orlandu na Floridě byla navíc oceněna nejen za své opakované úspěchy, ale i za příspěvek k mezinárodní spolupráci v oboru. Programy vyvinuté brněnskými odborníky pro rozpoznávání jazyka a mluvčího využívají bezpečnostní a zpravodajské služby i armáda. Podle vedoucího skupiny Jana Černockého může jejich software vytřídit z obrovského množství nahrávek v různých jazycích právě ty, které zpravodajce zajímají. Toho je možné dobře využít v boji s mezinárodním terorismem. Nahrávky lze třídit podle klíčových slov - když se např. mluví o teroristických akcích, nebo také podle toho, kdo a jakým jazykem mluví – ve zpravodajských databázích jsou již dnes zaznamenány hlasy stovek osob činných v teroristických organizacích. NIST, který je agenturou vlády USA, pořádá každoročně evaluace různých technologií zpracování řeči, jako je rozpoznávání, identifikace mluvčího, strojový překlad atd. Před evaluací je známa pouze metodologie vyhodnocení výsledků, a je k dispozici tzv. development data-set, na kterém mají participující laboratoře možnost ověřit si své algoritmy. Vlastní evaluace probíhá v přesně daném čase (obvykle dva týdny), na jehož začátku obdrží všichni neznámá data – krátké sekvence nahrávek cizí řeči; do konce soutěžního období pak musí odeslat výsledky, které NIST pak vyhodnotí a následuje workshop konaný v USA, kde jsou vyhlášeny výsledky a probírány technologie použité v jednotlivých systémech. Skupina Speech@FIT se věnuje analýze a rozpoznávání mluvené řeči již několik let – na VUT vznikla v roce 1997. „Vytváříme například programy, které umí převést mluvené slovo do psané podoby. Nebo ve skupině nahrávek najít úseky, v nichž se vyskytuje určité klíčové slovo,” říká vedoucí skupiny docent Jan Černocký. Co všechno se dá v řeči podle něj rozpoznávat? l „Co bylo řečeno“ – toto je úkolem rozpoznávání řeči. U celkového přepisu hovoříme většinou o rozpoznávání plynulé řeči s velkým slovníkem (large vocabulary continuous speech recognition - LVCSR). Je možné se ale zaměřit jen na určitá klíčová slova nebo klíčové fráze. l „Jakou řečí se mluví“ - je řešeno rozpoznáváním jazyka. l „Kdo to řekl“ - je úkolem rozpoznávání mluvčího. Výběr jednoho mluvčího z množiny se nazývá identifikací mluvčího, ověření předpokládané identity pak verifikací.. „Všechny uvedené řečové aplikace jsou vysoce zajímavé pro složky zajišťující bezpečnost a obranu. Speech@FIT již dlouhodobě spolupracuje s Ministerstvem obrany ČR, ale zájem o její algoritmy a software je i ze zahraničí. Není překvapující, že NIST evaluace i workshop sponzoruje americké Ministerstvo obrany a zpravodajské služby,“ dodává Černocký. Identifikace mluvčího na základě vzorku výšky jeho hlasu či intonace může sloužit ovšem také v civilním sektoru – např. k bezpečnějším výběrům z bankomatu nebo třeba usnadní operátorům v telefonních centrech již po několika sekundách rozpoznat notorického stěžovatele. V evaluační soutěži NIST měli brněnští specialisté rozlišit celkem 12 cizích řečí, a to včetně čínštiny, tamilštiny, arabštiny, korejštiny, bengálštiny nebo japonštiny. „Náš program správně určil 97 procent nahrávek,” pochlubil se vědecký ředitel skupiny Lukáš Burget. Počet nahrávek, u nichž měli jednotlivé skupiny specialistů určit jazyk, v němž jsou namluvené, přitom přesáhl 10 000. Některé sekvence trvaly půl minuty, jiné jen několik sekund. Odborníkům navíc komplikovaly práci záznamy, na kterých mluvčí nemluvili svou rodnou řečí, ale jazykem, který jim byl cizí. „Náš program se například nedokázal vyrovnat s ukázkou, na níž hovořil anglicky Ind se silným přízvukem – určil ji chybně za hindštinu,” poznamenal Ondřej Glembek. Samotný počítačový program jazykům nerozumí. Na základě testovacích dat ve formě několika set krátkých nahrávek v jednom jazyce je ale schopen vytvořit soubor jeho typických parametrů. „Zkoumá například artikulační trakt – postavení mluvidel a hlasivek nebo intonaci typickou pro daný jazyk. Druhým způsobem je rozložení projevu na jednotlivé hlásky a statistické sledování jejich pravidelných posloupností ve dvojicích či ve trojicích,“ vysvětlil Lukáš Burget. Aby se program naučil rozeznávat určitý jazyk, musí mít k dispozici dostatek odpovídajících nahrávek. Ty vědci získávají z mezinárodních databází nebo si je vyměňují s jinými výzkumníky. V samotném rozpoznávání jazyka podle Burgeta příliš velké rozdíly nejsou, špičky v oboru ale dokážou lépe eliminovat komunikační šumy. Na workshopu v Orlandu byla skupina Speech@FIT jako jeden z nejlepších účastníků vyzvána nejen k detailní prezentaci svého systému, ale také několikrát zmiňována jako skupina, která přispěla k mezinárodní spolupráci v rozpoznávání jazyka. Několik výzkumných skupin z různých kontinentů použilo s úspěchem fonémový rozpoznávač, vyvinutý výzkumníkem Speech@FIT Petrem Schwarzem. Aktivity skupiny Speech@FIT (nejen v rozpoznávání jazyka) jsou integrovány ve výzkumném záměru MŠMT ČR „Výzkum informačních technologií z hlediska bezpečnosti“, řešeném na FIT. Společně s dalšími českými laboratořemi zabývajícími se zpracováním řeči se Speech@ FIT účastní projektu „Překlenutí jazykové bariéry, komplikující vyšetřování financování terorismu a závažné finanční kriminality“, který je sponzorován Ministerstvem vnitra ČR. Speech@ FIT je rovněž podporována několika evropskými výzkumnými projekty (6. a 7. rámcový program). Roční rozpočet 20členné výzkumné skupiny složené z pedagogů, doktorandů i studentů FIT činí téměř 10 mil. Kč. l Igor Maukš