FFTranscriber: Software para Transcrição Otimizado para Aplicações Forenses

Transcrição

1 FFTranscriber: Software para Transcrição Otimizado para Aplicações Forenses Renan Moura, Nelson Neto, Carlos Patrick, Pedro Batista e Aldebaro Klautau Laboratório de Processamento de Sinais Universidade Federal do Pará {renanmoura,nelsonneto,patrickalves,pedro,aldebaro}@ufpa.br 1 Introdução A transcrição textual de áudio se faz muito comum nos dias de hoje em várias atividades e verifica-se, com facilidade, como a agilização desse processo ajudaria no cotidiano das pessoas nas mais diversas áreas. Este trabalho foca o desenvolvimento de um aplicativo para transcrição de áudio forense, impactando de forma direta no melhor atendimento à população no que diz respeito ao combate à criminalidade. Apesar do enfoque do trabalho, percebe-se que suas aplicações podem ir desde o uso pessoal doméstico no desenvolvimento de tarefas simples, até o uso corporativo na documentação de áudio de palestras, reuniões, pareceres jurídicos entre outras atividades que usem o áudio e sua respectiva transcrição. A maioria das transcrições de áudio forense feitas no estado do Pará especificamente - apesar de que esta constatação se estende para praticamente todo o Brasil - são feitas de um modo extremamente simples em que um transcritor (perito) através do auxílio de um software de edição de áudio de propósito geral e um outro de edição de texto, ouve um determinado segmento de áudio e então o transcreve. Essa é uma forma bastante ineficaz de realizar esse trabalho, pois os softwares não são integrados para otimizar a produtividade, tornando o processo enfadonho, o que por sua vez aumenta a suscetibilidade a erros do responsável pela transcrição. Com o intuito de otimizar o processo de transcrição textual de áudio, a presente proposta apresenta o aplicativo FFTranscriber, que integra em uma única interface todas as ferramentas necessárias para desempenhar tal atividade. O FFTranscriber consiste de duas interfaces de trabalho integradas, uma para tratamento de áudio e um editor de texto. Outra facilidade é o módulo de reconhecimento de voz, onde o perito responsável pela transcrição pode prover o arquivo de áudio, ou mesmo falar o conteúdo do áudio, para recuperar de forma automática a transcrição correspondente, que pode ser posteriormente editada. O reconhecimento de voz permite que o áudio seja transcrito automaticamente com uma determinada taxa de acerto o que faz com que o trabalho de transcrição manual diminua significativamente. Geralmente, o áudio a ser transcrito é gravado em um ambiente ruidoso o que diminui o desempenho do reconhecedor. Uma forma de melhorar o desempenho dos sistemas de reconhecimento é realçar o sinal de voz (e remover ruído) antes do reconhecimento. É sabido que os algoritmos de realce de voz apresentam dificuldades e, algumas vezes, não é possível melhorar tanto a inteligibilidade quanto a qualidade simultaneamente. O mais importante é tornar o sinal mais inteligível tanto para seres humanos quanto para computadores. 1

2 Softwares para reconhecimento de voz com significativa eficiência já existem para línguas como a inglesa, por exemplo o Dragon NaturallySpeaking Speech Recognition Software da empresa Nuance, mas não há equivalente no mercado para o Português Brasileiro. Assim, o módulo para reconhecimento de voz usado no FFTranscriber foi desenvolvido com recursos próprios [1]. Além do mais, esta ferramenta será distribuída como código-livre, aspecto muito interessante, já que as soluções encontradas atualmente são em sua maioria baseadas em softwares com licenças comerciais. O restante do artigo está organizado da seguinte forma. A Seção 2 descreve o aplicativo FFTranscriber, juntamente com os seus módulos de reconhecimento e realce de voz. Os resultados obtidos em testes realizados em ambiente real serão apresentados na Seção 3. Finalmente, a Seção 4 resume nossas conclusões e direciona trabalhos futuros. 2 O FFTranscriber O aplicativo FFTranscriber, ilustrado na Figura 1, foi implementado usando a linguagem de programação C++ e consiste de duas interfaces otimizadas para transcrição textual de áudio forense. Controle de Áudio Velocidade do Áudio Edição de Áudio Edição de Texto Barra de Seleção Figura 1 - Tela inicial do aplicativo FFTranscriber. Os principais módulos estão identificados por legendas. Percebe-se que o FFTranscriber integra em uma mesma interface os editores de áudio e texto. Essa característica favorece a usabilidade do aplicativo, ou seja, ela fornece a praticidade de se ter as principais ferramentas necessárias ao processo de transcrição integradas em um único ambiente de trabalho. No menu superior encontram-se as opções para controlar a execução do áudio: iniciar, parar, pausar, gravar, avançar e retroceder. Existe também uma barra de controle que permite ao perito ajustar a velocidade de execução do áudio da forma que lhe for mais conveniente. A edição do arquivo de áudio conta com a visualização da forma do áudio em forma de espectro e de energia do sinal. Esse módulo trata os principais formatos de áudio (p.e. wav, mp3) e disponibiliza várias funcionalidades, dentre as principais podemos citar a possibilidade de execução apenas de um dos canais, em caso de arquivos stereo, e a mudança na taxa de amostragem para a gravação de arquivos. 2

3 O editor de texto permite a formatação adequada de arquivos TXT, possibilitando, entre outras funcionalidades, a alteração da fonte, alinhamento de parágrafos, salvar e abrir um arquivo, funções como desfazer e recortar, etc. No menu inferior visualiza-se a barra de seleção que fornece informações sobre o posicionamento do áudio, além de mostrar a taxa de amostragem do arquivo. A seguir serão detalhados os módulos para reconhecimento e realce de voz também disponíveis no aplicativo FFTranscriber. 2.1 Realce de Voz Uma importante funcionalidade que o aplicativo FFTranscriber propõe é a capacidade de lidar com ruídos, dada a pouca robustez dos atuais sistemas de reconhecimento de voz ao ambientes ruidosos. Uma das metas, portanto, deste trabalho é oferecer ferramentas para o processamento digital de sinais de áudio, mais especificamente para o refinamento ou realce ( enhancement ) de voz. O realce é útil para aumentar a inteligibilidade da voz, ou seja, a capacidade de entender o que foi dito. O FFTranscriber possui um módulo responsável pelo pré-processamento da voz para eliminação de ruídos. Além disso, será possível lidar com distorções encontradas em canais típicos de telecomunicações, tais como sistemas de telefonia ou mesmo gravações analógicas em fitas de áudio, a fim de facilitar a inteligibilidade do áudio a ser transcrito. A técnica de realce de voz empregada é baseada no conceito de subtração espectral [2], onde é feita a filtragem do sinal original com base em uma amostra do ruído ambiente. 2.2 O uso do reconhecimento de voz O reconhecimento automático de voz é um relevante desafio enfrentado pela computação moderna (e áreas afins): a construção de máquinas capazes de interagir de forma natural com seres humanos [3]. Um aspecto muito importante da metodologia é que atualmente a tecnologia de reconhecimento de voz não permite que se atinja satisfatória eficiência com sistemas independentes de locutor, o que faz a transcrição feita diretamente do arquivo ser de qualidade bem inferior quando comparada com a feita a partir da voz de um locutor ao qual o sistema já está adaptado [4]. Assim, o aplicativo FFTranscriber faz uso de técnicas para reconhecimento dependente de locutor, onde o sistema é sintonizado para melhor reconhecer a fala de seu usuário, sendo, para tanto, necessário um treinamento prévio do perfil acústico do perito. A proposta é que o perito escute o áudio a ser transcrito e use um microfone para, ao invés de digitar o texto correspondente, enuncie o mesmo através de sua própria voz, diminuindo significativamente o tempo requerido no processo de transcrição. O processo de reconhecimento de voz é feito através da ferramenta código-livre Julius Decoder [5]. A comunicação entre o FFTranscriber e o decodificador Julius é realizada por uma interface de programação (API) própria [1] criada no Laboratório de Processamento Digital de Sinais da Universidade Federal do Pará (LAPS). Assim como a API, todos os demais recursos necessários para a construção de um sistema de reconhecimento de voz, como modelos acústico e de linguagem, também foram desenvolvidos dentro do LAPS através do Projeto FalaBrasil, e encontram-se gratuitamente disponíveis na página do projeto [6]. Atualmente, o sistema de reconhecimento de voz do LAPS possui taxa de acerto igual a 71% no reconhecimento de palavras no modelo independente de locutor, utilizando uma base de teste com 54 minutos 3

4 de áudio. Já no modelo dependente de locutor foram usados dois usuários para adaptação, cada um com 10 minutos de fala, atingindo 86,7% de acerto no reconhecimento de palavras com a mesma base de teste. 3 Resultados Uma versão funcional do aplicativo FFTranscriber foi testada em atividades forenses reais dentro do Instituto de Perícias Científicas Renato Chaves, Belém, Brasil. Os primeiros testes, realizados sem o emprego do reconhecimento de voz, mostraram que o perito deve passar, necessariamente, por um treinamento prévio, para que ele possa se livrar dos vícios adquiridos com a longa e sistemática utilização do método tradicional, como por exemplo, a utilização equivocada de atalhos para realizar certos procedimentos (seleção de trechos de áudio, comandos para controle do áudio, etc.). Tal afirmativa pode ser visualizada nos números mostrados na Tabela 1. Com o decorrer dos testes, o tempo de transcrição entre os métodos tende a se igualar. Outro detalhe importante, os arquivos foram trabalhados de forma intercalada, ou seja, o primeiro arquivo foi transcrito primeiramente usando o método tradicional e depois o FFTranscriber, com os arquivos seguintes adotando o mesmo esquema. Com isso, não houve uma sequência na utilização dos métodos. Tabela 1: Primeira bateria de testes. Audio(seg) Transcrição (min) Inteligibilidade FFTranscriber Tradicional :18:12 2:57:40 100% :31:00 3:08:00 100% :38:47 2:41:02 100% :18:40 1:12:80 100% :24:63 2:21:96 100% :27:53 1:25:15 100% O parâmetro inteligibilidade quantifica o número de palavras pronunciadas que foram corretamente identificadas. Após uma semana de uso do FFTranscriber, o perito fez outra bateria de testes. Agora as transcrições não foram feitas de forma intercalada e o processo de avaliação foi feito em dois estágios: usando e não usando o reconhecimento de voz. Note-se que para serem feitos os teste com reconhecimento de voz, a voz de um perito foi usada para adaptar um modelo acústico o que corresponde a 10 minutos de áudio. Os resultados estão na Tabela 2. Tabela 2: Segunda bateria de testes. Audio(seg) Transcrição (min) Inteligibilidade FFT Tradicional :41:72 2:54:76 100% :30:19 2:43:86 100% :16:23 1:23:78 100% :21:73 1:24:00 100% :01:61 1:13:19 100% :16:59 1:22:16 100% O FFTranscriber mostrou-se capaz de realizar procedimentos compatíveis com softwares pagos ( não houve queda no desempenho e até se ganha um pouco ), no que diz respeito a fatores como eficácia, 4

5 tempo de resposta, facilidade de uso, enfim, tudo aquilo que pode ajudar o perito a realizar seu trabalho de forma eficiente e em menor tempo possível. Já nos testes com reconhecimento de voz, o tempo de transcrição foi em média o dobro. As principais dificuldades encontradas foram: o tempo de reconhecimento (cerca de 1 segundo por palavra) e o tempo que o perito perde formatando o texto resultante, isto é, corrigindo erros de reconhecimento, adicionando pontuação, etc. Como vantagem podemos citar a maior comodidade, já que o tempo destinado a digitação é reduzido. Isso pode ser comprovado calculando a taxa de erro de palavras para os arquivos testados. Por exemplo, em um dos arquivos verificou-se que de 40 palavras o sistema erra apenas 4, ou seja, taxa de erro igual a 10%. 4 Conclusão Este trabalho apresentou o FFTranscriber, um software otimizado para transcrição de áudio. O FFTranscriber mostrou-se capaz de resolver o problema proposto quando submetido a um ambiente real de atividade forense. Visando melhorar os resultados apresentados, há alguns aprimoramentos em vista, tais como: Melhorar a taxa de reconhecimento utilizando bases de treino dentro do domínio da perícia científica, visto que a base usada para treinar os modelos de linguagem e acústico é independente de domínio; Adicionar mais funcionalidades ao editor de texto; e Disponibilizar a opção de reconhecimento diretamente de arquivos de áudio; Por fim, está sendo elaborada uma versão do FFTranscriber para o sistema operacional Linux. Referências [1] P. Silva, P. Batista, N. Neto, and A. Klautau, An open-source speech recognizer for brazilian portuguese with a windows programming interface, The International Conference on Computational Processing of Portuguese (PROPOR), [2] S. F. Boll, Suppression of acoustic noise in speech using spectral subtraction, IEEE Transactions on Acoustics, Speech, and Signal Processing, Vol. ASSP-27, NO. 2, [3] L. Rabiner and B. Juang, Fundamentals of speech recognition. Englewood Cliffs, N.J.: PTR Prentice Hall, [4] P. Silva, N. Neto, and A. Klautau, Novos recursos e utilização de adaptação de locutor no desenvolvimento de um sistema de reconhecimento de voz para o Português Brasileiro, In XXVII Simpósio Brasileiro de Telecomunicações, [5] A. Lee, T. Kawahara, and K. Shikano, Julius - an open source real-time large vocabulary recognition engine, Proc. European Conference on Speech Communication and Technology, pp , [6] Visitado em Junho,