SafeVoice — mesin kecerdasan bicara milik sendiri yang menandai kemungkinan gangguan alkohol hanya dari beberapa detik ucapan biasa. Non-invasif, nol perangkat keras khusus, hanya membutuhkan frasa yang diucapkan.
Personel yang terganggu tetap menjadi pendorong utama dan kurang terinstrumentasi dari insiden industri yang dapat dicegah. Alkohol menurunkan kecepatan reaksi, penilaian spasial, dan kontrol motorik halus jauh sebelum gejala terlihat secara visual. Kontrol tradisional — breathalyzer berkala dan pemeriksaan visual pengawas — bersifat intermiten, invasif, menjadi hambatan di gerbang shift, dan mudah dihindari. Hasilnya adalah titik buta operasional: kondisi berisiko tinggi tetap menjadi yang paling sulit dicegat secara terus-menerus.
Suara adalah sinyal ideal untuk menghilangkan celah ini. Pekerja secara alami menggunakan radio Push-to-Talk, mengakses interkom, dan antarmuka suara sepanjang shift mereka. Alkohol secara konsisten mengubah biomekanika akustik — mengganggu kecepatan artikulasi, waktu fonasi, prosodi, dan kualitas suara spektral — biomarker yang diekstrak model khusus dari beberapa detik audio.
SafeVoice diterapkan dalam dua arsitektur yang saling melengkapi.
SafeVoice-Ref membandingkan suara real-time dengan baseline sadar pekerja yang terdaftar — ideal untuk penyaringan akses awal shift.
SafeVoice-Solo beroperasi zero-shot tanpa baseline terdaftar, menilai burst ucapan tunggal selama komunikasi radio rutin sepanjang shift.
Pembagian uji yang ditahan dari German Alcohol Language Corpus, benchmark publik standar, dinilai dengan unweighted average recall (UAR). Perbandingan dengan seni sebelumnya menggunakan metrik per jendela — satu keputusan per ucapan, tanpa pemungutan suara — karena seni sebelumnya tidak memilih.
Alih-alih mengklasifikasikan audio secara terpisah, SafeVoice-Ref membandingkan ucapan dengan profil baseline individu. Menghilangkan varians akustik antar pembicara menghasilkan peningkatan langsung sekitar 5 poin dalam Unweighted Average Recall (UAR) — tonggak arsitektural kami yang paling berdampak.
Baik Ref maupun Solo memanfaatkan representasi akustik tingkat rendah yang sama. SafeVoice-Ref memaksimalkan presisi melalui pendaftaran satu kali yang cepat, sementara SafeVoice-Solo memprioritaskan nol gesekan operasional, menyaring pembicara mana pun secara langsung tanpa data historis.
Praktik standar menyarankan membekukan backbone pra-latih pada korpus kecil. Sapuan empiris kami membuktikan sebaliknya: akurasi penyaringan meningkat seiring kedalaman fine-tuning, melonjak sekitar 7 poin di bawah adaptasi backbone end-to-end penuh dibandingkan dengan pembekuan lapisan parsial.
Biomarker akustik ada pada resolusi temporal yang berbeda. Lapisan backbone bawah mempertahankan dinamika artikulatoris halus dan saluran vokal, sementara lapisan atas memodelkan aliran prosodi dan ritme frasa. Fusi multi-level diikuti oleh attentive pooling secara dinamis memberi bobot pada frame paling diagnostik.
Kami melewati white noise sintetis demi kurikulum audio industri yang luas — mesin berat, gemuruh kendaraan, obrolan kerumunan sekitar, dan gaung struktural. Ini menutup celah kinerja dalam kondisi lapangan yang keras tanpa menurunkan akurasi baseline yang bersih.
Untuk mencegah lonjakan transien atau batuk memicu alarm palsu, pipeline inferensi menilai beberapa jendela analisis yang tumpang tindih per ucapan. Menerapkan pemungutan suara konsensus menambah 1–2 poin UAR dan membuat deteksi sangat tahan terhadap lonjakan akustik dunia nyata.
UAR konsensus (MV@5), berbasis referensi / tanpa referensi. Dipublikasikan termasuk kondisi di mana akurasi turun.
SafeVoice tidak mengukur konsentrasi alkohol dalam darah dan tidak dapat menjadi dasar untuk memberhentikan pekerja dari tugas. Ini adalah alat skrining lini pertama yang menunjukkan siapa yang memerlukan perhatian, untuk diverifikasi dengan cara yang sudah mapan. Perbandingan yang relevan bukan dengan breathalyzer, melainkan dengan alternatif yang digunakan saat ini: pengamatan supervisor, yang kinerjanya kira-kira setara dengan pendengaran tanpa pelatihan.
Semua hasil berasal dari satu korpus — German Alcohol Language Corpus, direkam dari 162 pembicara dengan kebenaran dasar alkohol darah dan napas per pembicara. Ini adalah tolok ukur referensi untuk tugas ini, tetapi ini adalah korpus tunggal, dan setiap perbandingan di atas dibuat pada split uji yang ditahan.
Kami mempublikasikan kondisi di mana akurasi menurun bersama angka utama, dan kami mempublikasikan apa yang kami tolak: kepala emosi dan regresi alkohol darah tambahan (efek negatif), pembekuan backbone parsial (sekitar tujuh poin lebih buruk), penyetelan ambang keputusan (perbaikan gejala senilai 0,2 poin), dan pengkondisian embedding pembicara untuk model bebas referensi — peningkatan asli 0,6 poin, dibuang karena akan memerlukan pendaftaran per pengguna dan menghancurkan keunggulan tanpa friksi Solo.
Pemeriksaan kesiapan kerja awal shift: check-in lisan singkat terhadap baseline terdaftar
Pemantauan pasif berkelanjutan melalui lalu lintas radio rutin, tanpa pendaftaran
Bendera terkalibrasi yang dirutekan ke supervisor yang sesuai untuk keputusan manusia
Berjalan di CPU dengan latensi di bawah satu detik per jendela analisis
Menurun secara halus ketika konteks demografis tidak tersedia
Ditampilkan melalui platform XENOM bersama sinyal operasional lain di lokasi