SafeVoice – eine proprietäre Sprachintelligenz-Engine, die wahrscheinliche Alkoholbeeinträchtigung aus nur wenigen Sekunden gewöhnlicher Sprache erkennt. Nicht-invasiv, ohne spezielle Hardware, benötigt nichts weiter als einen gesprochenen Satz.
Beeinträchtigtes Personal bleibt ein führender und unzureichend instrumentierter Treiber vermeidbarer Industrievorfälle. Alkohol verschlechtert Reaktionsgeschwindigkeit, räumliches Urteilsvermögen und Feinmotorik, lange bevor Symptome visuell erkennbar werden. Herkömmliche Kontrollen – regelmäßige Alkoholtests und visuelle Kontrollen durch Vorgesetzte – sind intermittierend, invasiv, Engpässe an Schichttoren und leicht zu umgehen. Das Ergebnis ist ein operativer blinder Fleck: Hochrisikozustände bleiben am schwierigsten kontinuierlich zu erfassen.
Die Stimme ist das ideale Signal, um diese Lücke zu schließen. Arbeiter nutzen natürlicherweise Push-to-Talk-Funkgeräte, Zugangssprechanlagen und Sprachschnittstellen während ihrer gesamten Schicht. Alkohol verändert konsistent die akustische Biomechanik – er beeinträchtigt Artikulationsgeschwindigkeit, Phonations-Timing, Prosodie und spektrale Stimmqualität – Biomarker, die ein spezialisiertes Modell aus Sekunden von Audio extrahiert.
SafeVoice wird in zwei komplementären Architekturen eingesetzt.
SafeVoice-Ref vergleicht die Echtzeit-Stimme mit dem hinterlegten nüchternen Basisprofil des Arbeiters – ideal für das Zugangsscreening zu Schichtbeginn.
SafeVoice-Solo arbeitet ohne hinterlegtes Basisprofil im Zero-Shot-Modus und bewertet einzelne Sprachsegmente während der routinemäßigen Funkkommunikation in der gesamten Schicht.
Gehaltener Test-Split des German Alcohol Language Corpus, des öffentlichen Standard-Benchmarks, bewertet nach Unweighted Average Recall (UAR). Vergleiche mit früheren Arbeiten verwenden die Per-Window-Metrik – eine einzelne Entscheidung pro Äußerung, ohne Voting – weil frühere Arbeiten kein Voting verwenden.
Statt Audio isoliert zu klassifizieren, vergleicht SafeVoice-Ref die Sprache mit dem individuellen Basisprofil des Sprechers. Die Eliminierung der akustischen Varianz zwischen Sprechern ergibt einen unmittelbaren Gewinn von etwa 5 Punkten im Unweighted Average Recall (UAR) – unser wirkungsvollster architektonischer Meilenstein.
Sowohl Ref als auch Solo nutzen dieselben Low-Level-Akustikrepräsentationen. SafeVoice-Ref maximiert die Präzision durch eine schnelle einmalige Registrierung, während SafeVoice-Solo null operative Reibung priorisiert und jeden Sprecher sofort ohne historische Daten prüft.
Die Standardpraxis empfiehlt, vortrainierte Backbones bei kleinen Korpora einzufrieren. Unsere empirischen Durchläufe bewiesen das Gegenteil: Die Screening-Genauigkeit skalierte mit der Feinabstimmungstiefe und sprang um etwa 7 Punkte bei vollständiger End-to-End-Backbone-Anpassung im Vergleich zu teilweisem Einfrieren von Schichten.
Akustische Biomarker existieren in unterschiedlichen zeitlichen Auflösungen. Untere Backbone-Schichten behalten feine artikulatorische und Vokaltrakt-Dynamiken, während höhere Schichten den prosodischen Fluss und den Phrasierungsrhythmus modellieren. Multi-Level-Fusion gefolgt von aufmerksamem Pooling gewichtet dynamisch die diagnostischsten Frames.
Wir haben synthetisches weißes Rauschen zugunsten umfangreicher industrieller Audio-Lernkurven umgangen – schwere Maschinen, Fahrzeugbrummen, Umgebungslärm von Menschenmengen und struktureller Nachhall. Dies schloss die Leistungslücke unter rauen Feldbedingungen, ohne die Genauigkeit der sauberen Basislinie zu beeinträchtigen.
Um zu verhindern, dass vorübergehende Spitzen oder Räuspern Fehlalarme auslösen, bewertet die Inferenz-Pipeline mehrere überlappende Analysefenster pro Äußerung. Die Anwendung von Konsensvoting fügt 1–2 Punkte UAR hinzu und macht die Erkennung außergewöhnlich widerstandsfähig gegen reale akustische Spitzen.
Konsens-UAR (MV@5), referenzbasiert / referenzfrei. Veröffentlicht einschließlich der Bedingungen, bei denen die Genauigkeit abfällt.
SafeVoice misst keine Blutalkoholkonzentration und kann nicht als Grundlage für die Entfernung eines Arbeiters vom Dienst dienen. Es ist ein Screening-Tool der ersten Stufe, das anzeigt, wer Aufmerksamkeit verdient, zur Verifikation mit etablierten Mitteln. Der relevante Vergleich ist nicht der mit einem Alkoholmessgerät, sondern mit der heute verwendeten Alternative: der Beobachtung durch Vorgesetzte, die etwa auf dem Niveau ungeschulten Zuhörens liegt.
Alle Ergebnisse stammen aus einem Korpus — dem German Alcohol Language Corpus, aufgezeichnet von 162 Sprechern mit sprecherbezogener Blut- und Atemalkohol-Grundwahrheit. Es ist der Referenz-Benchmark für diese Aufgabe, aber es ist ein einzelner Korpus, und jeder Vergleich oben erfolgt auf dessen zurückgehaltenem Testsplit.
Wir veröffentlichen die Bedingungen, unter denen die Genauigkeit abnimmt, zusammen mit den Hauptkennzahlen, und wir veröffentlichen, was wir verworfen haben: zusätzliche Emotions- und Blutalkohol-Regressionsköpfe (negativer Effekt), teilweises Einfrieren des Backbones (etwa sieben Punkte schlechter), Tuning der Entscheidungsschwelle (eine Symptomkorrektur im Wert von 0,2 Punkten) und Speaker-Embedding-Konditionierung für das referenzfreie Modell — ein echter Gewinn von 0,6 Punkten, verworfen, weil es eine Registrierung pro Benutzer erfordert hätte und Solos reibungslosen Vorteil zerstört hätte.
Fitness-for-Duty-Prüfung zu Schichtbeginn: eine kurze gesprochene Anmeldung gegen eine registrierte Baseline
Kontinuierliche passive Überwachung über routinemäßigen Funkverkehr, ohne Registrierung
Ein kalibriertes Signal, das an den zuständigen Vorgesetzten zur menschlichen Entscheidung weitergeleitet wird
Läuft auf CPU mit unter einer Sekunde Latenz pro Analysefenster
Degradiert sanft, wenn demografischer Kontext nicht verfügbar ist
Bereitgestellt über die XENOM-Plattform neben den anderen operativen Signalen des Standorts