Referat i stedet for optagelse: Sådan skal AI-transskription bygges til retssalen

Et særtilfælde inden for talegenkendelse

Talegenkendelse er for længst blevet hverdag: dikteringsprogrammer, undertekster, referater fra videokonferencer. Den, der ønsker at anvende den samme teknologi under en straffesags hovedforhandling, opdager hurtigt, at de sædvanlige værktøjer er bygget til andre situationer. Et dikteringsprogram forventer én enkelt stemme tæt på mikrofonen. En videokonference leverer hver deltager over sin egen kanal. I retssalen derimod ligger en laptop på forsvarsbordets kant, og foran den taler retsformanden, evt. assessorer, lægdommere, anklagemyndigheden, vidner og sagkyndige fra varierende afstande, i rumklang, med tilråb og mange egennavne.

Hertil kommer krav, som intet kontorprogram kender. Lyden må ikke forlade enheden. Om den overhovedet må lagres, er et retligt spørgsmål med væsentlige konsekvenser: Behandles den kun flygtigt i arbejdshukommelsen, opstår der retligt set et referat; lagres den, opstår der en lydoptagelse, som kræver rettens tilladelse. Og forsvareren har ikke en ledig hånd til at betjene software under afhøringen. Denne artikel beskriver, hvordan et transskriptionsprogram skal være opbygget for at leve op til disse betingelser.

Grundprincip 1: Alt forbliver på enheden

Nutidens laptops indeholder specialiserede KI-beregningsenheder, der muliggør talegenkendelse i realtid uden brug af cloud. I retssalen er det ikke et spørgsmål om komfort, men en forudsætning. Kører genkendelsen lokalt, er der ingen databehandler, ingen overførsel til tredjelande og intet spørgsmål om advokatens tavshedspligt over for en tjenesteudbyder.

Lokalt betyder i denne sammenhæng konsekvent lokalt. Genkendelsesmodellerne hører til i programpakken og indlæses ikke under kørslen. Lydstien har ingen adgang til netværket. Der hvor softwaren overhovedet behøver en forbindelse – f.eks. for at hente stamdata fra en sag i kancelliets software – forbliver denne forbindelse begrænset til kancellinetværket, er kun læsende og berører hverken lyd eller transskript. Disse egenskaber bør ikke blot loves, men håndhæves af operativsystemets rettighedsstyring.

Grundprincip 2: Lyden er råmateriale, ikke resultat

Resultatet af et referat er tekst. Lyden er blot det materiale, som denne tekst skabes ud fra. Heraf følger den vigtigste arkitektoniske beslutning: Vejen fra mikrofon til tekst skal være konstrueret således, at intet, der er nødvendigt for selve referatet, mangler uden lydlagring.

Forløbet er i kernen altid det samme. Mikrofonsignalet konverteres til et format egnet til genkendelse, holdes i korte afsnit i en buffer og overføres til genkendelsesmodellen. Det, der returneres, er ikke blot tekst, men til hvert ord også dets tidspunkt og en værdi for, hvor sikker modellen er. Disse supplerende oplysninger er maskinens egentlige værdi, idet taleridentifikation, søgning og fejlmarkering bygger på dem.

Ved rent flygtig behandling overskrives bufferen løbende. Det afgørende er, at dette er en egenskab ved arkitekturen og ikke en indstilling, der først skriver en fil og siden sletter den. Den, der i stedet vælger at lagre lyd, skal behandle den i overensstemmelse med dens følsomhed:

• en egen nøgle pr. session, som selv kun kan læses med en hovednøgle, der er bundet til enhedens sikkerhedschip, så dataene ikke kan dekrypteres på nogen anden computer,
• kryptering i små blokke, så et nedbrud ikke gør hele optagelsen ubrugelig,
• en fast slettefrist, som en systemtjeneste håndhæver, også når applikationen ikke kører,
• sletning ved destruktion af nøglen (Crypto-Shredding), så eventuelle rester på lagringsmediet bliver ulæselige,
• udelukkelse fra sikkerhedskopier, så ingen kopi overlever slettfristen.

To trin af genkendelse

Til live-transskription kræves en hurtig, strømbesparende model. Den viser foreløbig tekst med det samme og erstatter den, så snart den har truffet en afgørelse. Sådanne modeller er gode til hverdagssprog, men mærkbart svagere ved egennavne, stednavne, tal og datoer. Netop disse oplysninger er ofte afgørende i en vidneforklaring.

Hvis lyden er gemt, kan man efter sessionen tilføje et andet trin: en betydeligt større genkendelses­model, der transskriberer retsdagen på ny hen over natten. For at dette andet trin ikke skal forringe resultatet, kræver det beskyttelses­mekanismer. Manuelt korrigerede passager må ikke overskrives, fjernede passager skal forblive tomme, og live-versionen skal kunne gendannes. Store modeller har desuden en tendens til at opfinde sætninger i stilleperioder, som aldrig blev sagt. Sådanne typiske hallucinationer skal identificeres og filtreres fra.

Uden lydlagring bortfalder det andet trin. Det er prisen for den juridisk sikre variant, og softwaren må kompensere herfor andetsteds – først og fremmest via ordbogen og anmærkningskolonnen, som beskrives nedenfor.

Hvem taler? Taler­adskillelse uden tastetryk

Et transskript uden taler­angivelse er af ringe værdi i retssalen. Forsvareren kan imidlertid ikke trykke på en tast ved hvert talerskifte, mens han selv forbereder spørgsmål eller rådgiver sin klient. Tildelingen skal derfor ske automatisk.

Taler­adskillelsen (diarisering) arbejder i tre trin: Den opdeler lyden i afsnit med én stemme i hvert, beregner et stemmeaftryk for hvert afsnit – det vil sige en talvektor med stemmens karakteristika – og samler lignende aftryk til talere. Jo mere lyd der foreligger, desto mere stabil bliver denne tildeling. Det giver derfor mening løbende at genberegne adskillelsen over hele den hidtidige forløb under sessionen, frem for kun at betragte det seneste stykke.

Dette skaber et praktisk problem: Hvert nyt kørsel nummererer talerne på ny. Har forsvareren allerede benævnt "Taler 2" som den rettens formand, må denne tildeling ikke gå tabt ved næste kørsel. Softwaren skal derfor matche gamle og nye talere på baggrund af deres fælles taletider. En rolle tildeles således kun én gang pr. taler og gælder for hele dagen. Det er desuden nyttigt med et forslag til, hvem der er vidnet i en afhøring – kendeligt ved, hvem der har den største taletid. Et sådant forslag skal forblive markeret som forslag, indtil forsvareren bekræfter det.

Stemmaftryk er ikke lyd, men de er personoplysninger og under visse omstændigheder biometriske data. De skal derfor beskyttes og slettes med samme omhu som lyden selv.

Gør usikkerhed synlig

Nøjagtigheden af transskriptionssoftware ligger på cirka 95 procent. En flydende læsbar tekst skjuler denne fejlrate. Softwaren skal derfor vise, hvor den er usikker. Ord, hvor modellen rapporterer en lav sikkerhedsværdi, fremhæves med farve – både i programmet og i eksporten. Hvert dokument, som softwaren producerer, bør desuden være udtrykkeligt mærket som automatisk referat, der ikke er en officiel protokol.

Den anden kolonne: ordlyd og bemærkning side om side

Det vigtigste element i grænsefladen er en tostolpevisning: til venstre den genkendte ordlyd, til højre forsvararens bemærkninger. Her noterer han, hvad maskinen ikke kan levere: en korrektion, påtegningen „usikker", en observation om vidnets forklaringsmåde, en henvisning til et bilag i sagen. Maskintekst og menneskelig opfattelse står side om side, men forbliver adskilte.

Et enkelt detalje afgør brugbarheden: En bemærkning skal knyttes til det afsnit, der blev talt, da forsvareren begyndte at skrive – ikke det afsnit, der kører, når han gemmer. Den, der taster en note, bruger nogle sekunder på det, og i den tid fortsætter vidnet med at tale. Kolonnen suppleres af markeringer for vigtige steder, modsigelser og mulige begæringer samt af strukturpunkter, der afspejler forløbet af en afhøring: vejledning, personoplysninger, sagens oplysninger, spørgsmål fra de enkelte procesdeltagere, konfrontationer, løsladelse.

Uden lydoptagelse er denne kolonne det centrale korrektionsinstrument. Den erstatter den senere gennemlytning med opfattelsen i det øjeblik, begivenheden finder sted.

Lær af korrektioner

Egennavne er svaghedspunktet i enhver talegenkendelse. Mange systemer tilbyder mulighed for at angive en liste over forventede navne på forhånd. I praksis viser denne mulighed ingen målbar effekt ved visse live-modeller, og ved visse store modeller kan en sådan forudindstillet tekst endda medføre, at sætninger går tabt.

Mere pålidelig er en ordbog, der lærer af brugerens korrektioner. Når forsvareren retter et afsnit, sammenligner softwaren den gamle og den nye tekst ord for ord og foreslår de fundne ændringer som erstatningspar. Par, der ligner egennavne, er valgt på forhånd. Bekræftede par gælder straks for hele sessionen og for al fremtidig genkendelse. Rettes et vidnes navn på den første retsmødedag, staves det korrekt fra begyndelsen på den anden dag.

Hvad der ikke hører til i transskriptionen

Ikke alt, der når mikrofonen, hører hjemme i et referat. To tilfælde skal softwaren håndtere.

Det første er forhandlingsafsnit, der ikke må registreres – for eksempel efter lukning af dørene eller under en rådslagning ved bordet. Her kræves en tydeligt synlig afbryder, der faktisk slukker for mikrofonen og ikke blot skjuler visningen. I transskriptionen efterlades udelukkende en påtegning om, fra hvornår til hvornår intet blev registreret.

Det andet er samtaler, der utilsigtet er blevet optaget, f.eks. en dæmpet udveksling med klienten. De skal efterfølgende kunne fjernes. Er lyden gemt, er det ikke tilstrækkeligt at slette teksten: Også lyden på dette sted skal uigenkaldeligt overskrives, med en lille sikkerhedsmargen før og efter, ellers kunne det andet genkendelsesniveau genskabe indholdet hen over natten. I eksporten fremgår der intet fra et sådant sted.

Værktøjer til den daglige forhandlingspraksis

Det egentlige udbytte af et referat opstår først, når det arbejder under forhandlingen og ikke først bagefter.

• Søgning under den løbende nedskrivning. Hævder et vidne om eftermiddagen det modsatte af, hvad vedkommende sagde om formiddagen, skal stedet kunne findes på få sekunder, uden at nedskrivningen stopper. Fundstederne vises med klokkeslæt og taler og kan kopieres som citat til et konfrontationsspørgsmål.
• Antrag nach § 273 Abs. 3 StPO. Kommer det an på ordlyden af en ytring, kan forsvareren anmode om, at den nedskrives fuldstændigt og oplæses. Softwaren overfører den markerede ordlyd direkte til en forudformuleret anmodning.
• Eksport. En tekstbehandlingsfil med sagsoplysninger i hovedet og en tabel med ordlyd og bemærkninger for hvert afhør, med markerede usikre ord og en liste over de satte mærker.
• Driftssikkerhed. Skærmen må ikke låse under nedskrivningen. Modtages der ingen lyd, eller er niveauet næsten umåleligt over længere tid, skal softwaren advare. Og den bør selv vælge mikrofonen: På mange computere er der via videokonference- eller optageprogrammer installeret virtuelle lydenheder, som registrerer sig selv som standardindgang. Software, der baserer sig på denne standard, kan risikere at transkribere timevis af stilhed.

Det centrale arkitekturspørgsmål: Gemme lyden eller ej?

I sidste ende udmunder enhver designbeslutning i en afvejning. Gemt lyd muliggør det andet genkendelsesniveau, gennemlytning af enkelte steder under korrektionen og en senere genberegning af taleradskilningen. Uden lyd bevares realtidsnedskrivningen, markeringen af usikre ord, bemærkningskolonnen, det lærende ordforråd, søgningen og eksporten fuldt ud.

Retligt skal den flygtige behandling ifølge den relevante litteratur behandles som en nedskrivning og er tilladt. Lagring af lyd kræver derimod tilladelse fra den præsiderende dommer og indebærer strafferetlig risiko under ikke-offentlige forhandlingsafsnit. Den, der udformer sådan software, bør drage konsekvensen heraf: Den flygtige behandling er normaltilfældet, lydlagring en bevidst tilvalgt undtagelse for sager, hvori retten har tilladt det.

Teknologi i forsvarets tjeneste

God transskriptionssoftware til retssalen er mindre et spørgsmål om den bedste genkendelsesmodel end et spørgsmål om arkitektur. Den arbejder lokalt, behandler lyden som et flygtigt råmateriale, tildeler talere uden menneskelig indgriben, viser sin usikkerhed åbent, lader forsvareren notere ved siden af den genkendte ordlyd, hvad han selv har hørt, og lærer af hver korrektion. Bygget på denne måde erstatter den den usikre hukommelse med ordlyden og giver forsvareren opmærksomheden tilbage til vidnet.