Procesarea COMINT: recunoaștere vocală și identificarea limbii la scară

Un singur site de colectare tactică poate capta mii de ore de trafic vocal într-o săptămână. Aproape nimic din el nu contează. Valoarea informativă este concentrată într-o mică fracțiune de interceptări – un apel de coordonare, un indicativ de unitate rostit în clar, un cod de pe o listă de supraveghere – îngropat într-un ocean de bavardaj de rutină, tăcere și zgomot. Procesarea COMINT este disciplina inginerească care găsește semnalul în acel ocean. Este lanțul de software care transformă audio demodulat brut în transcrieri, etichete de limbă și alerte clasificate astfel încât timpul rar al analistului și al lingvistului să fie cheltuit numai acolo unde aduce rezultate. Acest articol parcurge fluxul modern de procesare vocală – segmentare, identificarea limbii, recunoaștere vocală și detectarea cuvintelor-cheie – și alegerile de proiectare care determină dacă funcționează la scară operațională.

Fluxul de procesare vocală COMINT

Acolo unde ELINT se ocupă de semnăturile parametrice ale radarelor și sistemelor de arme, COMINT se ocupă de conținutul și metadatele comunicațiilor. Pentru interceptările vocale în mod specific, fluxul de procesare este un graf orientat de etape, fiecare dintre ele îngustând datele și adăugând structură. Etapele clasice sunt detecția activității vocale, diarizarea vorbitorului, identificarea limbii, recunoașterea automată a vorbirii (ASR) și detectarea cuvintelor-cheie sau extracția de entități. Disciplina stă alături de problema mai largă a fuziunii acoperită în fuziunea ELINT și COMINT, deoarece o transcriere este mult mai valoroasă atunci când este corelată cu contextul emițătorului și geolocalizarea interceptării.

Principiul arhitectural care guvernează fiecare etapă este trierea prin cost progresiv. Filtrele mai ieftine rulează primele și elimină cele mai multe date. Detecția activității vocale costă aproape nimic pe secundă de audio și elimină majoritatea timpului de captură pe o rețea tipică. Identificarea limbii este ieftină față de transcriere și decide ce model scump să invoce. ASR complet – etapa cea mai scumpă – rulează numai pe segmentele care au supraviețuit filtrelor anterioare. Plasarea unei etape scumpe înaintea uneia ieftine este cel mai comun mod de a face un flux COMINT să nu țină pasul cu colectarea.

Condiționarea audio și segmentarea

Vocea interceptată ajunge degradată. Comunicațiile tactice HF și VHF transportă zgomot de canal, multipath, fading, decupare de la emițătoare supramodulate și artefacte de codec de la sistemele vocale digitale. Înainte de a rula orice model, audio este reeșantionat la o rată comună – 16 kHz mono este standardul de facto pentru modelele de vorbire – normalizat în câștig și condiționat cu denoise adecvat canalului. Denoising-ul agresiv este o capcană: filtrele acordate pentru a elimina șuieratul elimină și energia formantă de înaltă frecvență pe care ASR se bazează, deci denoising-ul trebuie validat față de rata de erori la cuvinte din aval, nu față de cât de curat sună audio pentru un om.

Detecția activității vocale

Detecția activității vocale (VAD) clasifică fiecare cadru scurt de audio ca vorbire sau non-vorbire. Pe un canal monitorizat continuu, pauzele push-to-talk, cozile de squelch și aerul mort domină captura, iar VAD elimină de obicei mult mai mult de jumătate din cronologia brută înainte de a rula altceva. Un VAD neuronal antrenat pe audio radio zgomotos depășește substanțial un simplu prag de energie, care se declanșează fals pe tonuri, rafale statice și mașini din fundal. Ieșirea VAD definește limitele fiecărui segment pe care restul fluxului îl va procesa.

Diarizarea vorbitorului

Diarizarea răspunde la întrebarea „cine a vorbit când", împărțind un schimb cu mai multe părți în segmente cu un singur vorbitor. Aceasta contează din două motive. În primul rând, atât identificarea limbii cât și ASR se degradează puternic pe vorbire suprapusă, deci izolarea unui singur vorbitor pe segment îmbunătățește fiecare rezultat din aval. În al doilea rând, identitatea vorbitorului în sine este informație – urmărirea unui anumit vorbitor prin interceptări, după caracteristicile vocale, susține analiza de rețea chiar și atunci când indicativele se schimbă. Diarizarea modernă utilizează gruparea pe embedare de vorbitor (x-vectors sau embedări ECAPA-TDNN) și gestionează bine câțiva vorbitori per schimb; rețelele aglomerate și suprapuse rămân cazul dificil.

Identificarea limbii la scară

Identificarea limbii (LID) este comutatorul de rutare al fluxului. Sistemul suportă un set fix de limbi țintă, fiecare cu propriul model ASR, iar LID decide pe care să-l invoce pentru fiecare segment. Greșiți și segmentul este transcris de un model care nu a văzut niciodată limba, producând nonsens care poluează căutarea și risipește resurse de calcul.

Arhitectura standard actuală mapează câteva secunde de audio la un embedding de lungime fixă utilizând un encoder auto-supervizat (o rețea de tip wav2vec 2.0) sau un extractor x-vector, apoi clasifică acel embedding peste setul de limbi suportate. Pe trei până la cinci secunde de vorbire clară, în-set, acuratețea depășește 95 la sută. Acuratețea se prăbușește pe trei intrări previzibile: segmente foarte scurte, code-switching în cadrul unei singure enunțări și dialecte sau limbi strâns înrudite care partajează fonologia. Atenuarea este dublă – nu rutați niciodată un rezultat LID cu încredere scăzută la un model de o singură limbă, și păstrați un model ASR multilingv ca cale de rezervă pentru tot ceea ce clasificatorul nu este sigur. Aceleași principii fundamentale de machine learning care conduc clasificarea modulației se aplică aici; articolul despre clasificarea semnalelor cu machine learning acoperă problemele de date de antrenament și limita SNR care revin în orice clasificator implementat.

Recunoașterea automată a vorbirii pentru voce interceptată

ASR este inima fluxului și etapa în care nepotrivirea de domeniu doare cel mai mult. Modelele disponibile pe piață sunt antrenate pe vorbire conversațională clară, broadband – podcasturi, cărți audio, înregistrări de call center. Vocea militară interceptată nu este nimic din toate acestea: este cu bandă limitată, distorsionată de codec, plină de jargon procedural, indicative, referințe de grilă rostite literă cu literă și coduri de concizie, adesea rostite sub stres.

Arhitecturile transformer end-to-end au înlocuit în mare parte sistemele hibride HMM-DNN mai vechi pentru această muncă. Modelele encoder-decoder de tip Whisper și modelele Conformer-CTC tolerează mai bine distorsiunea de canal și livrează acoperire multilingvă puternică dintr-un singur checkpoint, ceea ce simplifică operarea multor limbi țintă simultan. Pentru limbile țintă cu valoare ridicată și resurse limitate, mișcarea de producție este de a ajusta fin un model de bază pe audio de domeniu – înregistrări cu lățime de bandă radio, artefactele de codec relevante și un lexicon de terminologie militară, denumiri de unități și denumiri de locuri. Augmentarea datelor de antrenament cu efecte de canal simulate (filtrare bandpass, zgomot radio aditiv, tur-retur de codec) îngustează în mod fiabil decalajul dintre performanța de referință și cea pe teren.

Rata de erori la cuvinte este o țintă per sarcină, nu un număr unic

Inginerii noi în procesarea COMINT cer adesea rata de erori la cuvinte (WER) „acceptabilă". Nu există una – depinde în totalitate de scopul transcrierii. Pentru transcrierea verbatim menită să susțină raportarea, o WER sub 15 la sută este ținta de lucru, și este realizabilă numai pe audio de bună calitate, în limbă. Pentru triere – deciderea dacă o interceptare merită atenția analistului – o WER de 30 până la 40 la sută este frecvent acceptabilă, deoarece decizia de rutare este condusă de recuperarea cuvintelor-cheie și a entităților, nu de lizibilitate. Vocea tactică puternic degradată depășește în mod curent aceste cifre, ceea ce este exact motivul pentru care fluxul păstrează laticul de recunoaștere și de ce revizuirea umană a segmentelor semnalate rămâne obligatorie.

Laticul de recunoaștere contează mai mult decât transcrierea

O greșeală frecventă este să păstrezi doar transcrierea best-single și să arunci laticul – graful clasificat al ipotezelor alternative pe care decodorul le-a luat în considerare. Pentru COMINT, laticul este adesea mai valoros decât calea one-best. Un nume de loc de pe lista de supraveghere sau un indicativ de unitate pe care calea cea mai bună l-a omis supraviețuiește frecvent ca alternativă de rangul doi sau trei. Detectarea cuvintelor-cheie care caută în latic recuperează acești termeni; detectarea cuvintelor-cheie numai pe transcrierea one-best le ratează în tăcere. Persistarea laticului, cu marcaje de timp la nivel de cuvânt aliniate la audio, este un cost de stocare deliberat care se plătește singur în recall.

Detectarea cuvintelor-cheie și extracția de entități

Etapa finală convertește transcrierile în alerte clasificate. Două tehnici complementare rulează în paralel. Detectarea cuvintelor-cheie bazată pe text potrivește transcrierea și laticul față de o listă de supraveghere activă – denumiri de locuri, indicativi de unitate, tipuri de arme, coduri – și față de modele de entități numite care extrag persoane, organizații, locații și timpi. Deoarece caută în latic și nu numai pe calea one-best, recuperează termenii pe care transcrierea i-a omis. Detectarea acustică a cuvintelor-cheie potrivește audio direct față de șabloane de interogare sau secvențe de foneme, fără a necesita deloc o transcriere completă. Această a doua cale este cea care face sistemul robust pentru limbile în care nu există încă niciun model ASR de producție, și pentru termenii din afara vocabularului – un cod-cuvânt complet nou poate fi înscris acustic în momentul în care un analist îl aude o dată.

Loviturile de pe ambele căi sunt punctate, deduplicate în arcurile suprapuse ale laticului și combinate cu metadate – vorbitor, prioritate de colectare, frecvență și bearing – într-un singur scor de relevanță. Coada analistului prezintă interceptări clasificate cu redare audio sincronizată, transcrierea, umbrire de încredere pe cuvintele nesigure și feedback cu un singur clic. Acel ciclu de feedback nu este un lux: corecțiile analiștilor sunt datele etichetate de cea mai înaltă calitate pe care programul le va obține vreodată, iar rutarea lor înapoi în ajustarea modelului și ajustarea listei de supraveghere este ceea ce menține acuratețea în creștere pe durata de viață a unui deployment. Acolo unde volumul de material semnalat depășește totuși lingviștii, modelele lingvistice mari pot pre-rezuma și grupa transcrierile, un model explorat în LLM-uri pentru trierea informațiilor.

Operarea fluxului la scară

Scalarea procesării vocale COMINT este o problemă de throughput cu o constrângere strictă în timp real: fluxul trebuie să țină pasul cu colectarea sau rămâne permanent în urmă. Arhitectura standard decuplează etapele peste un bus de mesaje astfel încât fiecare să poată scala independent – VAD și diarizarea pe worker-i CPU, LID și ASR pe worker-i GPU, detectarea cuvintelor-cheie și extracția de entități pe un nivel separat. Deoarece filtrele timpurii elimină atât de multe date, nivelul GPU scump vede numai o fracțiune din audio brut, iar dimensionarea clusterului GPU este condusă de volumul de vorbire post-VAD, nu de rata de captură brută.

Două realități operaționale modelează fiecare deployment. În primul rând, controalele de clasificare și de necesitate a cunoașterii se aplică produselor derivate la fel de strict ca și interceptării brute: o transcriere, o etichetă de limbă și o lovitură de cuvânt-cheie moștenesc toate avertismentele de manipulare ale audio sursă, iar accesul este filtrat la nivelul datelor. În al doilea rând, multe dintre aceste sisteme rulează în enclave deconectate sau cu lățime de bandă limitată, ceea ce împinge spre modele distilate, implementabile la margine, care schimbă câteva puncte de acuratețe pentru capacitatea de a rula aproape în timp real pe un server robust fără un datacenter în spate. Echilibrul corect între un model cloud mare și precis și un model edge mic și rapid este o decizie de deployment, nu un răspuns fix.

Planificarea throughput-ului trebuie să ia în considerare și comportamentul de backlog în caz de creștere bruscă. Volumul de colectare este exploziv – o perioadă de activitate intensificată poate înmulți rata traficului vocal în câteva minute – iar un flux dimensionat pentru rata medie va acumula o coadă pe care nu o va putea goli niciodată odată ce creșterea brusca trece. Atenuarea standard este capacitate GPU elastică pentru nivelul ASR plus un programator conștient de prioritate: frecvențele cu prioritate ridicată, vorbitorii semnalați și colectorii adiacenți listei de supraveghere sar coada, în timp ce bavardajul de rutină cu prioritate scăzută este procesat best-effort sau sub-eșantionat. La fel de importantă este observabilitatea – latența per etapă, adâncimea cozii, distribuțiile de încredere ale modelelor și ratele de rutare a limbilor ar trebui monitorizate continuu, deoarece o degradare silențioasă în orice etapă unică (un prag VAD în derivă, un denoiser prea agresiv, un model LID pierzând acuratețea pe un nou dialect) otrăvește silențios tot ce urmează cu mult înainte ca un analist să observe că transcrierile s-au deteriorat.

În final, nimic din toate acestea nu elimină lingvistul uman din buclă; schimbă ce face lingvistul. În loc să asculte audio brut în timp real, lingvistul lucrează o coadă clasificată de interceptări pre-segmentate, pre-transcrise, pre-semnalate, confirmând sau corectând ieșirea mașinii și adăugând judecata analitică pe care niciun model nu o produce. Proiectat bine, procesarea COMINT nu înlocuiește analistul – înmulțește atingerea unui analist peste un volum de trafic care altfel ar fi imposibil de acoperit.