Протокол вместо записи: каким должен быть ИИ-транскрайбер для зала суда
Особый случай распознавания речи
Распознавание речи давно стало обыденностью: программы для диктовки, субтитры, протоколы видеоконференций. Однако тот, кто попытается применить ту же технологию в ходе судебного разбирательства по уголовному делу, быстро обнаружит, что привычные инструменты создавались для совершенно иных условий. Программа для диктовки рассчитана на один голос вблизи микрофона. Видеоконференция передаёт каждого участника по отдельному каналу. В зале судебных заседаний же на столе защиты лежит ноутбук, перед которым на разном расстоянии говорят председательствующий, при необходимости заседатели, присяжные, прокуратура, свидетели и эксперты – в условиях акустического эха, с репликами с места и большим количеством имён собственных.
Ко всему прочему возникают требования, незнакомые ни одной офисной программе. Звук не должен покидать устройство. Вопрос о том, допустимо ли его вообще сохранять, является правовым и влечёт существенные последствия: если звук обрабатывается лишь во временной памяти, юридически возникает рукописная запись; если же он сохраняется, возникает звуковая запись, требующая разрешения суда. При этом во время допроса у защитника нет свободной руки для управления программой. В настоящей статье описывается, каким должно быть программное обеспечение для транскрипции, отвечающее этим условиям.
Принцип 1: всё остаётся на устройстве
Современные ноутбуки оснащены специализированными процессорами для работы с ИИ, позволяющими распознавать речь в режиме реального времени без облака. В условиях зала суда это не вопрос удобства, а обязательное требование. Если распознавание выполняется локально, нет ни обработчика данных, ни передачи в третьи страны, ни вопроса об адвокатской тайне в отношении стороннего поставщика услуг.
Локально – значит последовательно локально. Модели распознавания должны входить в состав программного пакета и не загружаться во время работы. Звуковой тракт не имеет доступа к сети. Там, где программное обеспечение всё же нуждается в подключении – например, для получения основных данных дела из программы юридической фирмы, – это подключение ограничивается внутренней сетью фирмы, носит исключительно читающий характер и не затрагивает ни звук, ни транскрипт. Эти свойства не должны быть лишь декларативными – они должны обеспечиваться средствами управления правами операционной системы.
Принцип 2: звук – сырьё, а не результат
Результатом записи является текст. Звук – лишь материал, из которого этот текст создаётся. Отсюда следует важнейшее архитектурное решение: путь от микрофона к тексту должен быть выстроен так, чтобы при отсутствии сохранения звука не утрачивалось ничего, необходимого для самой записи.
Процесс в своей основе всегда одинаков. Сигнал микрофона преобразуется в формат, пригодный для распознавания, короткими отрезками сохраняется в буфере и передаётся модели распознавания. В ответ поступает не только текст, но и временна́я метка каждого слова, а также значение уверенности модели. Эти дополнительные данные и есть главная ценность машинного подхода: на них строятся атрибуция говорящего, поиск и маркировка ошибок.
При исключительно временной обработке буфер непрерывно перезаписывается. Принципиально важно, что это является свойством архитектуры, а не настройкой, при которой файл сначала записывается, а затем удаляется. Тот, кто всё же сохраняет звук, обязан обращаться с ним в соответствии с его конфиденциальностью:
- отдельный ключ для каждого сеанса, который в свою очередь доступен только с помощью мастер-ключа, привязанного к чипу безопасности устройства, так что данные невозможно расшифровать ни на каком другом компьютере,
- шифрование небольшими блоками, чтобы сбой не делал всю запись непригодной к использованию,
- фиксированный срок удаления, который системная служба соблюдает даже тогда, когда приложение не запущено,
- удаление путём уничтожения ключа (Crypto-Shredding), чтобы даже остаточные данные на носителе стали нечитаемыми,
- исключение из резервных копий, чтобы ни одна копия не пережила срок удаления.
Два уровня распознавания
Для ведения записей в режиме реального времени необходима быстрая, энергоэффективная модель. Она немедленно отображает предварительный текст и заменяет его, как только делает окончательный вывод. Такие модели хорошо справляются с повседневной речью, однако заметно хуже работают с именами собственными, географическими названиями, числами и датами. Именно эти сведения зачастую оказываются ключевыми в показаниях свидетеля.
Если звук записан, после завершения заседания можно подключить второй уровень: значительно более крупную модель распознавания, которая за ночь заново транскрибирует весь судебный день. Чтобы этот второй уровень ничего не ухудшил, он нуждается в защитных механизмах. Вручную исправленные фрагменты не должны перезаписываться, удалённые фрагменты должны оставаться пустыми, а версия в реальном времени должна быть восстановима. Кроме того, крупные модели склонны в паузах тишины порождать предложения, которые никогда не произносились. Подобные типичные галлюцинации необходимо выявлять и отфильтровывать.
Без записи звука второй уровень отсутствует. Это цена юридически безопасного варианта, и программное обеспечение должно компенсировать её в других местах – прежде всего с помощью словаря и колонки для заметок, описанных ниже.
Кто говорит? Разделение дикторов без нажатия клавиш
Транскрипт без указания дикторов мало ценен в зале суда. Однако защитник не может нажимать клавишу при каждой смене говорящего, пока сам готовит вопросы или советуется с подзащитным. Поэтому атрибуция должна происходить автоматически.
Разделение дикторов (диаризация) работает в три этапа: звук разбивается на фрагменты, каждый из которых содержит один голос; для каждого фрагмента вычисляется голосовой отпечаток – числовой вектор с характеристиками голоса; схожие отпечатки объединяются в группы дикторов. Чем больше звукового материала доступно, тем стабильнее становится эта атрибуция. Поэтому имеет смысл регулярно пересчитывать разделение на протяжении всего заседания по совокупности имеющегося материала, а не анализировать только последний фрагмент.
Отсюда возникает практическая проблема: каждый новый запуск нумерует дикторов заново. Если защитник уже обозначил «Диктора 2» как председательствующего, эта привязка не должна теряться при следующем запуске. Поэтому программа должна сопоставлять прежних и новых дикторов по их общему времени речи. Роль присваивается каждому диктору только один раз и действует на протяжении всего дня. Полезна также подсказка о том, кто в допросе является свидетелем, – это определяется по наибольшей доле речи. Такая подсказка должна оставаться помечена как предложение до тех пор, пока защитник её не подтвердит.
Голосовые отпечатки – это не аудиозапись, однако они представляют собой персональные и в определённых случаях биометрические данные. Поэтому они должны защищаться и удаляться с той же тщательностью, что и сама запись.
Визуализация неопределённости
Точность программ транскрипции составляет около 95 процентов. Гладко читаемый текст скрывает этот процент ошибок. Поэтому программа должна показывать, где она не уверена. Слова, для которых модель сообщает низкое значение достоверности, выделяются цветом – как в интерфейсе программы, так и в экспортируемом документе. Кроме того, каждый документ, создаваемый программой, должен быть явно помечен как автоматическая запись, не являющаяся официальным протоколом.
Второй столбец: дословная запись и примечания рядом
Важнейшим элементом интерфейса является двухколоночное представление: слева – распознанный текст, справа – примечания защитника. Там он фиксирует то, чего машина не способна сделать: исправление, пометку «неточно», наблюдение за поведением свидетеля при даче показаний, ссылку на материал из дела. Машинный текст и человеческое восприятие располагаются рядом, но остаются разделёнными.
Одна деталь определяет практическую ценность системы: примечание должно быть привязано к тому абзацу, который произносился в момент, когда защитник начал печатать, а не к тому, который отображается при сохранении. На ввод заметки уходит несколько секунд, и за это время свидетель продолжает говорить. Столбец дополняется метками для важных мест, противоречий и возможных ходатайств, а также структурными пунктами, отражающими ход допроса: разъяснение прав, сведения о личности, показания по существу дела, вопросы отдельных участников процесса, оглашение материалов, отпуск свидетеля.
При отсутствии аудиозаписи этот столбец является главным инструментом коррекции. Он заменяет последующее прослушивание восприятием в момент происходящего.
Обучение на основе исправлений
Имена собственные – уязвимое место любой системы распознавания речи. Многие системы предлагают задать список ожидаемых имён заранее. На практике эта возможность не даёт измеримого эффекта в ряде моделей реального времени, а в некоторых крупных моделях подобный предварительный текст может даже приводить к потере целых предложений.
Более надёжным решением является словарь, обучающийся на исправлениях пользователя. Когда защитник исправляет абзац, программа сравнивает старый и новый текст слово за словом и предлагает найденные изменения в виде пар замен. Пары, похожие на имена собственные, выбраны заранее. Подтверждённые пары вступают в силу немедленно для всего заседания и для любого последующего распознавания. Если имя свидетеля однажды исправлено в первый день судебного разбирательства, на второй день оно будет написано правильно с самого начала.
Что не относится к транскрипту
Не всё, что улавливает микрофон, должно попадать в запись. Программа обязана уметь справляться с двумя случаями.
Первый – это части заседания, которые не подлежат фиксации: например, после удаления публики или во время совещания за столом. Для этого необходим хорошо заметный переключатель, который фактически отключает микрофон, а не только скрывает индикатор. В транскрипте остаётся лишь пометка о том, с какого по какое время запись не велась.
Второй тип – разговоры, зафиксированные случайно, например тихий обмен репликами с подзащитным. Их необходимо иметь возможность удалить впоследствии. Если звук сохранён, удаления текста недостаточно: звук в соответствующем месте также должен быть безвозвратно перезаписан – с небольшим буфером до и после, – иначе второй уровень распознавания может восстановить содержимое за ночь. В экспорте от такого фрагмента не остаётся ничего.
Инструменты для повседневной работы на заседаниях
Подлинную пользу протокол приносит лишь тогда, когда он работает в ходе заседания, а не только после его окончания.
- Поиск в процессе ведения протокола. Если во второй половине дня свидетель утверждает нечто противоположное тому, что он говорил утром, соответствующее место должно быть найдено за секунды – без остановки протоколирования. Найденные фрагменты отображаются с указанием времени и говорящего и могут быть скопированы как цитата для предъявления.
- Ходатайство по § 273 абз. 3 УПК. Если точная формулировка высказывания имеет значение, защитник вправе ходатайствовать о её полном занесении в протокол и оглашении. Программа переносит выделенный текст непосредственно в готовый шаблон ходатайства.
- Экспорт. Файл текстового редактора с заголовочными данными по делу и таблицей, содержащей текст и примечания по каждому допросу, с выделенными ненадёжными словами и списком установленных меток.
- Операционная надёжность. Экран не должен блокироваться в процессе ведения протокола. Если звук не поступает или уровень сигнала на протяжении длительного времени едва измерим, программа обязана выдать предупреждение. Кроме того, она должна сама выбирать микрофон: на многих компьютерах программы для видеоконференций или записи устанавливают виртуальные аудиоустройства, которые прописываются как стандартный вход. Программа, полагающаяся на этот стандарт, рискует часами транскрибировать тишину.
Ключевой архитектурный вопрос: сохранять звук или нет?
В конечном счёте любое проектное решение сводится к взвешиванию аргументов. Сохранённый звук открывает возможности для второго уровня распознавания, прослушивания отдельных фрагментов при редактировании и последующего повторного расчёта разделения по говорящим. Без звука в полной мере сохраняются живой протокол, маркировка ненадёжных слов, колонка примечаний, обучаемый словарь, поиск и экспорт.
С правовой точки зрения, согласно профильной литературе, мимолётная обработка данных приравнивается к ведению протокола и является допустимой. Сохранение звука, напротив, требует разрешения председательствующего и несёт уголовно-правовые риски в закрытых частях заседания. Разработчику подобной программы следует сделать из этого вывод: мимолётная обработка – норма, сохранение звука – осознанно подключаемое исключение для дел, в которых суд его разрешил.
Технологии на службе защиты
Хорошее программное обеспечение для транскрипции в зале суда – это в меньшей степени вопрос лучшей модели распознавания, чем вопрос архитектуры. Оно работает локально, обращается со звуком как с мимолётным сырьём, автоматически идентифицирует говорящих, открыто демонстрирует свою неуверенность, позволяет защитнику наряду с распознанным текстом фиксировать то, что он сам услышал, и учится на каждой правке. Построенное таким образом, оно заменяет ненадёжную память точным текстом и возвращает защитнику внимание, которое он может посвятить свидетелю.