Spraak draagt meer dan woorden. Alcoholintoxicatie laat meetbare sporen achter in articulatie, tempo en spectrale microvariatie — signalen die het menselijk oor op zijn best onbetrouwbaar registreert.
Het R&D-team van XENOM heeft een eigen deep learning-model getraind om deze akoestische biomarkers te detecteren en geëvalueerd op de Alcohol Language Corpus, de standaard publieke benchmark voor deze taak.
Strikt gelijkwaardig gescoord — per-venster ongewogen gemiddelde recall, één beslissing per uiting zonder stemming, precies zoals eerder werk wordt gemeten — bereikt de referentiegebaseerde configuratie 86,3% UAR. De referentievrije configuratie, die geen ingeschreven baseline vereist en beslist op basis van één gesproken sample, bereikt 81,9%. Op het operationele inzetpunt, waar het systeem meerdere vensters van een opname combineert tot een consensusbeslissing, stijgen deze naar respectievelijk 87,6% en 82,5%.
Ter context: de officiële Interspeech 2011 Speaker-State Challenge-baseline op dit corpus staat op 65,9% UAR, eerder gepubliceerde state-of-the-art-resultaten pieken rond 73–75%, en ongetrainde menselijke luisteraars scoren rond 60–65%.
Het systeem draait als een passieve laag over routinematig radioverkeer. Werknemers spreken zoals ze altijd doen; geen extra procedure, geen onderbreking van de taak, geen apart controlepunt.
Wat het systeem is — en niet is. Het meet geen bloedalcoholconcentratie en kan niet dienen als grond voor het onttrekken van een werknemer aan dienst. Het is een eerstelijns screeningsinstrument dat aangeeft wie aandacht verdient, ter verificatie via gevestigde middelen. De relevante vergelijking is niet met een ademtest, maar met het alternatief dat vandaag wordt gebruikt: observatie door een supervisor, die presteert op ongeveer het niveau van ongetraind luisteren.
We hebben volledige resultaten gepubliceerd over akoestische omstandigheden — inclusief die waar de nauwkeurigheid afneemt — samen met de vergelijkbaarheidsvoorbehouden en bekende beperkingen van de methode.