Jeho tým učí počítače přepisovat mluvené slovo, pozná i to, kdo mluví a jakým jazykem. Svou práci Jan Černocký rád s nadsázkou popisuje jako dolování informací z řeči. Faktem ale je, že patří k předním světovým odborníkům na řečové technologie a umělou inteligenci. Teď za své úspěchy získal Národní cenu Česká hlava. Nejprestižnější titul, jakého může vědec v tuzemsku dosáhnout.
Jan Černocký se ale o ocenění rád podělí se svými kolegy. Sám sebe totiž vnímá jako člověka, který na curlingu umetá cestu kotouči. S tím rozdílem, že on ji umetá svému třicetičlennému týmu složenému z lidí deseti různých národností. „Já vlastně vědecky nedělám prakticky nic. Jen se starám, aby všechno běželo, jak má,“ říká s úsměvem.
Já vlastně vědecky nedělám prakticky nic.
Ač se o své zásluhy příliš nehlásí, je třeba mu je připsat. Už na počátku milénia totiž začal pracovat s neuronovými sítěmi, technologií, která dala základ umělé inteligenci. Stojí rovněž za výzkumnou skupinou Speech@Fit, jejíž zárodky přesunul v roce 2002 na nově vzniklou Fakultu informačních technologií brněnského Vysokého učení technického (VUT). Dodnes skupinu vede.
„Zhruba do roku 2010 až 2015 jsem vlastně ani nevěděl, že dělám umělou inteligenci. Zabývali jsme se zpracováním řeči, kterému jsme tehdy říkali spektrální analýza. Šlo o klasifikace, rozpoznávání, modelování sekvencí, různé typy statistických a potom neurálních modelů. Od roku 2010 si dáváme nálepku umělá inteligence, což má ale reálný základ, protože čím dál tím více našich algoritmů je založeno na strojovém učení a na umělých neuronových sítích. Právě to nás spojuje s kolegy, kteří dělají třeba počítačové vidění, nebo zpracování přirozeného jazyka, automatický překlad, či robotiku,“ přibližuje Jan Černocký.
Technologie spojené se zvukem ho fascinovaly už od dětství. Tatínek byl strojní inženýr, maminka rozhlasová hlasatelka. Doma tak hrálo stále rádio a rodiče často hodnotili, kdo v něm jak mluví, intonuje, frázuje, dýchá. „Dokonce jsem chodil i do rozhlasového kroužku, když mi bylo asi sedm nebo osm let,“ podotýká.
Studovat šel ale gymnázium zaměřené na programování. V zemi však tehdy ještě panoval komunistický režim a výuka tomu odpovídala. Probíhala víceméně jen na papíře nebo ve výpočetním středisku plném nepříjemných lidí v bílých pláštích.
„Říkal jsem si, že s počítači už nechci mít nikdy nic společného, a že budu určitě profesionální muzikant nebo budu sedět za mixážním pultem někde ve studiu. Abych měl ale nějakou zálohu, tak jsem se zapsal na elektrofakultu, kde mi to celkem šlo a ve čtvrtém ročníku jsem se v projektu zaměřil na zpracování řeči, což mě chytlo,“ popisuje držitel České hlavy.
Definitivně pak oboru propadl při studijních a výzkumných pobytech ve Francii a později i v USA. Důležitým mezníkem pro něj byl pobyt v laboratoři profesora Hynka Heřmanského v Oregonu na počátku milénia. „Tam jsme právě začali s rozpoznáváním řeči pomocí neuronových sítí. Pikantní bylo, že tehdy jim nikdo moc nevěřil, dívali se na nás skrz prsty, jako na ty pošuky, co zkoušejí něco, co nebude nikdy fungovat. Až pak kolem roku 2010 se to začalo trochu obracet,“ přibližuje Černocký.
Tým uspěl v mezinárodních hodnoceních systémů pro rozpoznávání jazyka a mluvčího. Otevřely se mu tím dveře k velkým evropským i americkým projektům. Později se brněnské VUT zařadilo mezi pět klíčových světových institucí v oblasti rozpoznávání řeči a Jan Černocký mezi nejvlivnější výzkumníky oboru. Vychoval a vedl i řadu vědců, včetně Tomáše Mikolova.
Marný boj s AI hlasy
Přepis řeči je dnes jen jedna z funkcí, brněnští výzkumníci umějí mnohem víc. Třeba rozpoznat, kdo mluvil, a to v případě, kdy se mluvčí překrývají nebo si vzájemně skáčou do řeči. Takový systém se hodí třeba u policejních odposlechů, kdy je důležité zjistit, kdo v nahrávce mluví, kdo v ní je dominantní, kdo rozhovor vede.
Algoritmy zvládnou celkem spolehlivě rozeznat i cílenou změnu hlasu. „V poslední době také pracujeme s detekcí stresu a pracovní zátěže, především u pilotů. Máme veliký projekt, kde se snažíme stresovat piloty a potom míru jejich stresu poznávat nejenom z řeči, ale i z dalších senzorů. To třeba pak může v praxi předejít nějaké tragédii,“ prozrazuje Jan Černocký.
S čím budou mít systémy naopak mnohem větší problém, to jsou hlasové deepfakes. I když na ně už existují detektory a rozpoznávače, bude stále složitější strojově vytvořený hlas odhalit. „Myslím, že nakonec to budeme muset vzdát. A to říkám zcela upřímně. Nakonec nejlepší způsob, jak je odhalit, bude zeptat se na faktické věci, které nikdo kromě vás nebo vašich blízkých znát nemůže,“ zmiňuje vědec.
Většina jejich výzkumu je otevřená, veřejně dostupná v modelech, které poskytují Hugging Face, americké společnosti se sídlem v New Yorku, jejíž online platforma umožňuje uživatelům sdílet datové sady a modely strojového učení.
Na některých systémech pak spolupracují přímo i s bezpečnostními složkami, například s policií, a ve spojení jsou i se sesterskou dceřinou firmou Phonexia, která vznikla v roce 2006 a u jejíhož založení Jan Černocký byl. Dnes je významným partnerem, který dost často jejich výzkumné výsledky odebírá a uvádí na trh.
Ač jsou ve svých technologiích úspěšní, přesto i on si klade otázku, kam se dá výzkum řečové umělé inteligence ještě posunout. Rybníček totiž není zase tak velký ani hluboký, vysoušejí ho postupně velké firmy typu Google nebo OpenAI či Meta.
„Věci, které jsme dělali před deseti lety, které byly relevantní ve výzkumu, tak už nejsou, protože je mají tyto firmy vyřešené. My hledáme věci, ve kterých je ještě pořád zajímavé bádat, a ve kterých můžeme přinést nějakou deltu oproti současnému stavu. Ale zužuje se to,“ připouští Černocký.
Vědec však podotýká, že se už teď nějaké směry rýsují. „Uvidíme, jak to bude s rozpoznáváním stresu. A ještě je před námi výzva ve formě sumarizace podmíněné mluvčími. To znamená, že máte nahrávku třeba nějakého meetingu a vy se můžete zeptat toho našeho systému: Sumarizuj to, co přesně řekl člověk, který vystupuje v roli vedoucího.“ To vám standardní rozpoznávač neudělá, protože neví, kdo co řekl. Ten náš ano.“
A jak hojně používá umělou inteligenci on sám? Tvrdí, že je typická kovářova kobyla, která chodí bosa. V soukromí je spíš staromilec a „konzerva.“ Knihy má raději papírové a místo digitálních hraček si zajezdí na kole nebo se vydá na túru do přírody. Třebaže ho zajímají nové modely, data a výsledky, tak největší inspirací jsou pro něj stále ještě lidé, kteří je vytvářejí.
