SafeVoice — um motor proprietário de inteligência de fala que sinaliza provável comprometimento por álcool a partir de apenas alguns segundos de fala comum. Não invasivo, sem hardware especializado, precisando apenas de uma frase falada.
Pessoal comprometido continua sendo um dos principais impulsionadores de incidentes industriais evitáveis e pouco instrumentados. O álcool degrada a velocidade de reação, o julgamento espacial e o controle motor fino muito antes de os sintomas se tornarem visualmente aparentes. Os controles tradicionais — bafômetros periódicos e verificações visuais do supervisor — são intermitentes, invasivos, gargalos nos portões de turno e fáceis de contornar. O resultado é um ponto cego operacional: os estados de alto risco continuam sendo os mais difíceis de interceptar continuamente.
A voz é o sinal ideal para eliminar essa lacuna. Os trabalhadores usam naturalmente rádios Push-to-Talk, acessam intercomunicadores e interfaces de voz durante todo o turno. O álcool altera consistentemente a biomecânica acústica — prejudicando a velocidade de articulação, o tempo de fonação, a prosódia e a qualidade espectral da voz — biomarcadores que um modelo especializado extrai de segundos de áudio.
O SafeVoice é implantado em duas arquiteturas complementares.
O SafeVoice-Ref compara a voz em tempo real com a linha de base sóbria registrada do trabalhador — ideal para triagem de acesso no início do turno.
O SafeVoice-Solo opera em modo zero-shot sem linha de base registrada, avaliando rajadas de fala únicas durante comunicações de rádio de rotina ao longo do turno.
Divisão de teste mantida do German Alcohol Language Corpus, o benchmark público padrão, pontuada por unweighted average recall (UAR). Comparações com o estado da arte anterior usam a métrica por janela — uma única decisão por enunciado, sem votação — porque o estado da arte anterior não vota.
Em vez de classificar o áudio isoladamente, o SafeVoice-Ref compara a fala com o perfil de linha de base do indivíduo. Eliminar a variância acústica entre falantes produz um ganho imediato de ~5 pontos no Unweighted Average Recall (UAR) — nosso marco arquitetônico mais impactante.
Tanto o Ref quanto o Solo aproveitam as mesmas representações acústicas de baixo nível. O SafeVoice-Ref maximiza a precisão por meio de um registro rápido e único, enquanto o SafeVoice-Solo prioriza zero atrito operacional, triando qualquer falante imediatamente sem dados históricos.
A prática padrão sugere congelar backbones pré-treinados em corpora pequenos. Nossas varreduras empíricas provaram o contrário: a precisão da triagem escalou com a profundidade do ajuste fino, saltando ~7 pontos sob adaptação completa do backbone de ponta a ponta em comparação com o congelamento parcial de camadas.
Os biomarcadores acústicos existem em resoluções temporais distintas. As camadas inferiores do backbone retêm dinâmicas finas do trato articulatório e vocal, enquanto as camadas superiores modelam o fluxo prosódico e o ritmo de frases. A fusão multinível seguida de pooling atento pondera dinamicamente os quadros mais diagnósticos.
Contornamos o ruído branco sintético em favor de currículos extensos de áudio industrial — maquinário pesado, ronco de veículos, conversa ambiente de multidão e reverberação estrutural. Isso fechou a lacuna de desempenho em condições de campo adversas sem degradar a precisão da linha de base limpa.
Para evitar que picos transitórios ou pigarros disparem alarmes falsos, o pipeline de inferência pontua múltiplas janelas de análise sobrepostas por enunciado. Aplicar votação por consenso adiciona 1–2 pontos de UAR e torna a detecção excepcionalmente resiliente a picos acústicos do mundo real.
UAR de consenso (MV@5), baseado em referência / sem referência. Publicado incluindo as condições onde a precisão cai.
O SafeVoice não mede a concentração de álcool no sangue e não pode servir de base para afastar um trabalhador do serviço. É uma ferramenta de triagem de primeira linha que indica quem merece atenção, para verificação por meios estabelecidos. A comparação relevante não é com um bafômetro, mas com a alternativa em uso hoje: a observação do supervisor, que tem desempenho aproximado ao de uma escuta não treinada.
Todos os resultados provêm de um corpus — o German Alcohol Language Corpus, gravado a partir de 162 falantes com valores de referência de álcool no sangue e no ar expirado por falante. É a referência de benchmark para esta tarefa, mas é um corpus único, e todas as comparações acima são feitas na sua divisão de teste reservada.
Publicamos as condições em que a precisão se degrada juntamente com os números principais, e publicamos o que rejeitámos: cabeças auxiliares de emoção e de regressão de álcool no sangue (efeito negativo), congelamento parcial do backbone (cerca de sete pontos pior), ajuste do limiar de decisão (uma correção de sintoma que vale 0,2 pontos) e condicionamento por embedding do falante para o modelo sem referência — um ganho genuíno de 0,6 pontos, descartado porque exigiria inscrição por utilizador e destruiria a vantagem de fricção zero do Solo.
Verificação de aptidão para o serviço no início do turno: um breve registo de voz falado comparado com uma linha de base registada
Monitorização passiva contínua sobre o tráfego de rádio de rotina, sem inscrição
Um alerta calibrado encaminhado ao supervisor apropriado para uma decisão humana
Funciona em CPU com menos de um segundo de latência por janela de análise
Degrada-se gradualmente quando o contexto demográfico não está disponível
Apresentado através da plataforma XENOM juntamente com os outros sinais operacionais do local