Využití IP telefonie v asistivních technologiích pro neslyšící

Using IP Telephony in Assisting Technologies for the Hearing-Impaired People. Článek představuje společný projekt RDC ČVUT a České unie neslyšících eScribe, jehož cílem je návrh a implementace všudypřítomného online přepisovacího centra pro neslyšící.

---

Using IP Telephony in Assisting Technologies for the Hearing-Impaired People - Abstract

The article describes the project eScribe. The goal of the project is to design and set up an online voice transcription centre for the hearing-impaired. The transcription will initially be carried out by professional human quick-writers, while the future goal is to automate the transcription. The project is a collaboration of RDC/CTU and the Czech Union of the Deaf.

Keywords: Hearing-impaired, Speech Transcription, VoIP, Asterisk

---

Úvod

Na první pohled se může zdát slovní spojení využití telefonie pro neslyšící jako nesmysl. Že tomu tak není, dokazuje projekt eScribe výzkumně-vývojového centra RDC ČVUT a České unie neslyšících, jehož cílem je vytvořit online přepisovací centrum pro neslyšící. Technické řešení projektu je založeno na IP telefonii a online zobrazení přepisu řeči na webových stránkách.

Podle zákona č. 155/1998 Sb., o komunikačních systémech neslyšících a hluchoslepých osob, ve znění zákona č. 384/2008 Sb., mají sice tyto osoby právo svobodně si zvolit takový komunikační systém, který odpovídá jejich potřebám, ve skutečnosti však dosud nebyly vytvořeny podmínky pro naplňování tohoto práva, zejména pokud jde o zajištění přepisu mluvené řeči.

Projekt eScribe rozšiřuje původní projekt České unie neslyšících Simultánní přepis mluvené řeči. Pomocí komunikačních technologií a speciální aplikace pro přepis není nutná přítomnost přepisovatele na místě. Přepisovatel může pracovat odkudkoli, kde je přístup na internet.

A jak eScribe technicky funguje? Z místa konání přednášky pro neslyšící je přenášen hovor pomocí VoIP telefonie do přepisovacího centra nebo kamkoli k přepisovateli. Přepis zajišťují speciálně vyškolení rychlopísaři, kteří používají velký seznam zkratek. Ten se expanduje na celá slova nebo věty. K tomu využívají MS Word s velkým seznamem automatického vkládání. Použití MS Word bylo jednou ze základních podmínek přepisovatelů na vývoj aplikace pro přepis.

V praxi to probíhá tak, že přepisovatel si pomocí webového rozhraní aplikace vytvoří a otevře dokument MS Word. Na jeho pozadí běží programový kód, který s malým zpožděním prakticky v reálném čase odesílá text na server, odkud je dále zobrazován na webovou stránku. Na místě přednášky je k dispozici projektor a přepisovaný hlas je zobrazován na plátno. Dostupný je však odkudkoli pomocí webového prohlížeče. Do budoucna projekt zamýšlí postupné zapojování automatického SW na rozpoznávání řeči. Tím se zpřístupní služba ještě širšímu počtu neslyšících.

Princip přenosu hlasu přes internet

Internetová telefonie VoIP (Voice over Internet Protocol) přinesla revoluci do tradičního chápání přenosu hovorového signálu. Od vynalezení telefonu Antonio Meuccim (1860) až do nedávné minulosti, měly telefonní systémy jedno společné: jasné spojení z bodu A do bodu B. Bylo tomu tak jak u původních analogových systémů, u kterých bylo možné vysledovat kabelové spojení propojené v telefonních ústřednách např. křížovými spínači, tak i později po zavedení digitalizace TDM (Time Division Multiplex) [1] pevným přiřazením kanálových intervalů jednotlivým účastníkům.

Internetová telefonie zaznamenala veliký rozmach až v druhé polovině 90. let 20. stol., kdy ji začali podporovat velcí výrobci IT techniky (Lucent, Cisto, VocalTec, Intel a další). Do té doby byla spíše jen koníčkem několika málo nadšenců obdobným radiovým amatérům. Hlavní překážkou byla absence jakéhokoliv standardu, který by umožnil propojit různá zařízení. Změna nastala až s příchodem protokolů dle doporučení ITU-T H.323 a zejména SIP (Session Initiation Protocol), které se zasloužily o velké rozšíření internetové telefonie.

Princip přenosu hlasu přes Internet je naznačen na obr. 1. Stejně tak jako u klasické telefonie je nejprve hlas digitalizován. Toho se dosahuje pravidelným odebíráním vzorků hovorového signálu (vzorkováním), kterému je dále přiřazena diskrétní hodnota v amplitudě (kvantování), tato hodnota je následně zakódována do binárního tvaru. V klasické telefonii je takový vzorek vložen do pevně přiděleného kanálového intervalu v časovém rámci o délce trvání T=125 μs a celá procedura se opakuje. V internetové telefonii se používá způsob přenosu pomocí paketů. Paket je třeba naplnit určitým počtem zakódovaných vzorků hovoru (cca 160 B) a doplnit hlavičkou (40B), která obsahuje směrovací údaje. Takto sestavený paket je pak odeslán do sítě. Doručení paketu zajišťují jednotlivé uzly sítě – routery, které pakety směrují. Toto směrování je však do značné míry náhodné (pokud nejsou využity podpůrné protokoly pro přenos v reálném čase) a tak ke koncovému uživateli docházejí pakety v různém pořadí. Pro přenos paketů se využívá protokol UDP, který ovšem nezaručuje 100% doručení a může se proto stát, že některý paket nedorazí k uživateli vůbec. O správné seřazení paketů na přijímací straně se stará vyrovnávací paměť paketů viz. obr. 1.

Obr. 1 Princip přenosu hlasu v sítích IP

Internetová telefonie vykazuje proti klasické větší zpoždění přenosu. Zpoždění je způsobeno jednak samotným plněním paketu hovorovou informací (než se paket odešle, je třeba počkat, než se naplní), dobou šíření paketu sítí (včetně zpoždění v síťových prvcích) a dále zpoždění v paměti, která vyrovnává rozdíly ve zpoždění jednotlivých paketů na přijímací straně (jiter buffer).

Technické řešení projektu eScribe

V současné době se pro účely projektu a testování používá fyzický stroj v síti feld.cvut.cz. Stroj má IP adresu 147.32.200.82 a je na něm nainstalován OS Linux OpenSuse 11.1 (jádro 2.6.27.25-0.1). Na tomto stroji je nainstalován virtualizační SW VirtualBox verze 3. Ve VirtualBoxu jsou nainstalovány dva virtuální stroje s OS Linux Debian, jeden se stabilní verzí SW ústředny Asterisk 1.4.21.2 pro reálný provoz přepisovacího centra a druhý s verzí Asterisk 1.6.0.6 pro testování nových funkcionalit Asterisku, zejména začlenění přenosu textu v reálném čase přes protokol RTP a SIP.

Obr. 2 Zapojení sítě eScribe

Architektura systému

Na obr. 3 je naznačena architektura systému eScribe. Jádro systému tvořící jeho komunikační část představuje SW ústředna Asterisk, dalším velmi důležitým blokem je server zajišťující online zobrazování přepsané řeči na webových stránkách, který úzce spolupracuje s webovým serverem Apache. Přístup do systému je možný jednak z klasických telefonních přístrojů, mobilních telefonů ale i z HW SIP telefonů a SW SIP klientů. Nejsnadnější způsob pak tvoří webový telefon, díky kterému je celý systém dostupný pouze z webového rozhraní bez nutnosti jakékoli instalace a konfigurace pro uživatele.

Obr. 3 Architektura systému eScribe

SW ústředna Asterisk

Základem komunikačního systému projektu eScribe je SW ústředna Asterisk. Asterisk je open source SW určený k provozování telefonních služeb jak na úrovni přepínání okruhů (TDM) tak v síti s přepínáním paketů. Systém Asterisk lze právem považovat za velmi rozšířené, flexibilní a silné řešení v oblasti telekomunikačního SW. Systém Asterisk provozujeme na platformě Linux OpenSUSE 11.1 a plnohodnotně plní veškeré funkce pobočkové ústředny PBX.

Asterisk je schopný zpracovávat různé druhy protokolů jak ve VoIP telefonii (SIP, MGCP, H.323 a IAX), tak v klasických telefonních sítích (POTS a ISDN). Velká výhoda systému spočívá právě v jeho otevřenosti a možnosti přizpůsobení nejrůznějším standardům. Otevřenost systému je velmi důležitým požadavkem projektu eScribe, zejména z důvodu pozdějšího snadného propojení se SW automatického rozpoznávání hlasu.

Pro přenos hovorového signálu v systému Asterisk je v zásadě možné využít dva způsoby TDM a VoIP. Pro TDM vyvinula fy Zapatel Telephony pseudo TDM kartu Zaptel. Toto rozhraní je dodáváno fy Digium pro různé varianty použití (PST, POTS, T1, E1, PRI, BRA, E&M ...). Pro VoIP telefonii podporuje Asterisk řadu protokolů. V současné době se nejvíce rozšířeným protokolem stává protokol SIP, další podporované protokoly jsou IAX, H.323, MGCP a VoFR.

V rámci eScribe jsou využívány protokoly SIP a IAX. Pomocí těchto protokolů je možné uskutečňovat hovory zdarma odkudkoli s přístupem na Internet. Pro komunikaci se sítěmi PSTN a GSM využívá projekt eScribe propojení pomocí soukromého VoIP operátora. V dohledné době bude systém zpřístupněn také z klasických pevných sítí připojením přípojkou PRI do pevné telefonní sítě a pomocí GSM bran do sítí českých mobilních operátorů.

SW ústředna Asterisk umožňuje tvorbu účastnických přípojek s různým oprávněním. V rámci projektu jsou v současné době vyžívány celkem 3 různé kategorie, první z nich tvoří testovací linky umožňující neomezené volání jak na vnitřní linky, tak odchozí volání do sítí PSTN a GSM. Druhá kategorie určená pro uživatele systému dovoluje neomezené volání uvnitř ústředny a třetí kategorie je určená pro přepisovatele, kterým je umožněn hovor pouze v rámci skupiny přepisovatelů

Online zobrazování přepisu

Dalším velmi důležitým blokem systému je server a aplikace pro přepis. Zatímco u komunikačního řešení byl použit otevřený a často používaný systém Asterisk, u aplikace pro přepis bylo zapotřebí vyvinout vlastní řešení, které by splňovalo požadavky přepisovatelů na minimální změnu v jejich dosavadní práci. Pro přepis využívají přepisovatelé standardně MS Word. Vstupem dat pro online zobrazování textu na webových stránkách je tak dokument MS Word, na jehož pozadí běží programový kód, který zajišťuje odesílání textu na server. Projekci přepisu na webových stránkách zajišťují skripty v PHP, které generují automaticky se obnovující dokument, který periodicky přenáší celý text přepisu.

Cílem online přepisu je poskytnout neslyšícím komunikaci v reálném čase, tzn. přenos a zobrazování textové informace znak po znaku s možností oprav a využití kláves Delete a Backspace. Za takovýchto podmínek není možné využívat standardních instant messengerů. Vyvinutá aplikace pro přepis tyto podmínky částečně splňuje, umožňuje především zpětné editování textu, ovšem přenos znak po znaku je díky nativním vlastnostem MS Word nemožný, neboť umožňuje odesílat událost max. 1x za vteřinu. Další zpoždění nastává na straně zobrazení dat ze serveru na webovou stránku. Celkové zpoždění činí okolo 1,5 vteřiny a text je přenášen v dávkách odpovídající maximálnímu množství textu, které stačí přepisovatel za tuto dobu napsat.

Možným řešením přenášení textu znak po znaku je využití RTP protokolu, který se běžně používá pro real time přenosy zvuku a videa. Ideálním řešením pro uživatele je integrace přenosu real time textu s přenosem zvuku a obrazu do jednoho klienta. Takový způsob komunikace se nazývá Total communication a je popsán v doporučení ITU-T F.703. Zavedením bezchybného real time přenosu textu znak po znaku přes IP se zabývá standard T.140 a IETF RFC 2793. Takovýto způsob přenosu textu se v literatuře označuje jako Text over IP (ToIP) a je doplňkem k VoIP a Video over IP. Text over IP najde uplatnění kromě komunikace s lidmi se sluchovým postižením také při komunikaci ve velmi hlučných prostorách, diskrétní komunikaci, přenosu přesných informací a jako doplněk k hlasové a video komunikaci.

Projekt eScribe se v současné době zabývá implementací ToIP do systému Asterisk s podporou rychlosti psaní cca 30 znaků/vteřinu.

Obr. 4 Začlenění T.140 do vrstvového modelu

Kvalita řeči, kodeky a jejich porovnání

Pro budoucí připojení automatického rozpoznávače hlasu k systému je kritickým požadavkem kvalita přenášeného hlasu, která by v ideálním případě měla být zajištěna vzorkovací frekvencí 48 kHz se 16 bit na vzorek. Přenášet hlas v takové kvalitě nekomprimovaně sítí je velmi náročné a využití v sítích GSM by bylo úplně nemyslitelné. Z tohoto důvodu je třeba hlas kódovat a komprimovat, k čemuž v projektu využíváme běžně dostupné kodeky. V rámci připojení k rozpoznávači také zvažujeme vývoj vlastního kodeku přizpůsobeného potřebám rozpoznávače.

V následujících odstavcích jsou popsány nejběžnější kodeky [6], které se využívají v rámci VoIP.

Na použitém kodeku bude záviset, jaká bude kvalita probíhajícího hovoru a jaké bude zatížení sítě při probíhajícím hovoru. Kvalita hovoru se stanovuje pomocí standardizované jednotky MOS (Mean Opinion Score) [7], která číselně odpovídá subjektivnímu ohodnocení kvality daného řečového signálu. Požadovanou přenosovou rychlost sítě udává počet kbit za sekundu. Určení kvality MOS stupnicí se děje buď objektivní metodou (pomocí algoritmu), nebo subjektivně, kdy se statisticky zpracují výsledky ohodnocení kvality. Tyto výsledky vznikají ohodnocením od jisté množiny osob, které se podílejí na měření kvality hovoru. Obecně je kvalita hovoru a její zjišťování velmi obsáhlé téma mimo rámec tohoto článku [7]. V praxi nabývá hodnota MOS intervalu od 1 do 4,5, přičemž 4,5 je hodnocení nejlepší.

G.711 - Je základní kodek, který se používá i v klasické telefonní síti. Kvalita přenášeného hlasu je totožná s kvalitou hlasu při běžném telefonním hovoru, MOS je přibližně 4,1. Tento kodek podporují všechna VoIP koncová zařízení. Existují dva typy G.711 podle kompresní charakteristiky. Kompresní charakteristika µ-law používaná v Severní Americe a v Japonsku a A-law využívaná v Evropě a zbytku světa. A-law je jednodušší a nemá takové nároky na výpočetní výkon.

G.723.1 - Používá buď kódování MP-MLQ nebo ACELP. První typ kódování vyžaduje rychlost 6,3 kbit/s, druhý typ 5,3 kbit/s. Doba trvání jednoho rámce je 30 ms a MOS skóre je 3.9 při použití kódování MPMLQ a 3.65 při použití ACELP.

G.726 - Kodek používá kódování ADPCM, potřebná rychlost je 16, 24, 32 a 40 kbit/s. Kodek může zpracovávat bloky různé délky podle toho, jak velké zpoždění je požadováno

G.729 - Použité kódování je CS-ACELP - Conjugate Structure Algebraic Code Excited Linear Prediction. Potřebná rychlost je 8 kbit/s, kvalita je podobná jako 32 kbit ADPCM. Tento kodek je nejpoužívanější v IP telefonii. Spolu s G.711 je nejčastěji podporován koncovými zařízeními. Můžeme se setkat ještě s G.729a, což je dodatek k G.729. Tento kodek snižuje nároky na výpočetní výkon asi o 20%, ale je zhoršena kvalita hovoru.

GSM - Kodek, přenosová rychlost je 13 kbit/s. GSM je rychlejší než metody založené na slovníku (CELP)

iLBC - Internet Low Bit Rate Codec, tento kodek byl vyvinut firmou Global IP Sound, potřebná přenosová rychlost je 13,33 kbit/s, délka rámce je 30 ms. Kodek umožňuje elegantní snížení kvality přenášeného signálu v případě zpoždění nebo ztráty paketů. Použitý algoritmus je Block Independent Linear Predictive Coding.

Speex - Audio kodek primárně navržený pro přenos hlasu při velmi nízkém datovém toku od 2 - 44 kb/s. Speex je založen na algoritmu CELP. Rozeznáváme tři varianty kodeku Speex v závislosti na přenosové rychlosti. Speex narrow band (tok 15,2 kbit/s, vzorkovací frekvence 8 kHz), Speex wide band (tok 28 kbit/s, vzorkovací frekvence 16 kHz), Speex ultra wide band (tok 36 kbit/s, vzorkovací frekvence 32 kHz)

Tab. 1 Nejrozšířenější hlasové kodeky

Závěr

Široce dostupné přepisovací centrum umožní poskytovat službu přepisu mnohem většímu okruhu osob s postižením sluchu. Prostřednictvím přepisu na dálku bude možné zajišťovat službu přepisu levněji než při osobní přítomnosti přepisovatele na místě konání akce a bude možné také podstatně zvětšit počet „přepisovaných“ akcí.

Díky online přepisu se neslyšícím zpřístupní kulturní, vzdělávací, společenské či jiné akce, kterých by se kvůli komunikační bariéře nemohli zúčastnit. Přepis lze využít také při individuálních jednáních neslyšících osob například u soudu nebo na úřadě, kde je neschopnost domluvit se pro neslyšící osoby zvlášť tíživým problémem.

V tuto chvíli je projekt stále ve vývoji. Probíhají první testy. Po úspěšném testování budou služby centra dostupné všem neslyšícím v ČR a do budoucna i v zahraničí. Sloužit by k tomu mělo vytvoření Live CD systému, po jehož instalaci bude systém připravený ke spuštění i bez složitějších technických znalostí. Samozřejmě bude vždy nutné najít partnera pro automatické rozpoznávání řeči, zejména co se týká méně rozšířených národních jazyků, jako je čeština.

V budoucnu by inovativním prvkem projektu mělo být propojení komunikačního systému se speciálním SW na rozpoznávání řeči. Rychlopísaře by pak mohl nahradit automat.

V rámci projektu navázalo RDC centrum úzkou spolupráci se společností Newton Technology, která se rozpoznáváním hlasu velmi intenzívně zabývá.

Projekt eScribe je financován Nadací Vodafone ČR a částečnou podporou grantu MHMP.

Literatura

[1] Meggelen, J., Madsen L., Smith J.: Asterisk™: The Future of Telephony, O’Reilly Media, Inc., 2007
[2] ITU-T: T.140: Protocol for multimedia application text conversation, 1998
[3] Hellström, G: IETF RFC 4103: RTP Payload for Text Conversation, 2005
[4] Horlin, S: ToIP functionality in Asterisk, 2007, dostupné online z http://liu.diva-portal.org/smash/get/diva2:24141/FULLTEXT01
[5] Internet: http://www.emory.edu/BUSINESS/et/P98/iptel/ [on-line]
[6] Vodrážka, J.: Rozšíření pásma pro telefonní přenos. Access server [online]. 2007, roč. 5, č. 4, s. 3-6. Internet: http://access.fel.cvut.cz/view.php?cisloclanku=2007040003. ISSN 1214-9675.
[7] Aksamít, J.: Metody subjektivního hodnocení kvality hovorových signálů. Access server [online]. 2007, roč. 5., č. 2007030002, s. 1-3. Internet: http://access.fel.cvut.cz/view.php?cisloclanku=2007030002. ISSN 1214-9675.