DeepCW je webová aplikace pro dekódování Morseovy abecedy, která namísto tradičních algoritmů založených na detekci délky teček a čárek využívá modelu hlubokého učení (deep learning). Běží na adrese deepcw.cc, bez nutnosti instalace, přímo v prohlížeči.
Podle autorova popisu jde o dekodér zaměřený na robustní dekódování i při slabých signálech, úniku (QSB) a šumu, s podporou souběžného dekódování více CW signálů najednou (multi-channel decoding).
V článku se dočtete
Technická architektura a spouštění v prohlížeči
Aplikace je napsána v TypeScriptu (sestavována přes Vite, s krokem tsc -b před samotným buildem) a pro běh neuronového modelu přímo v prohlížeči využívá knihovnu onnxruntime-web, tedy inferenční runtime pro modely ve formátu ONNX. Rozhraní je postaveno na Reacte s komponentovou knihovnou Mantine. Projekt zahrnuje také balíček vite-plugin-pwa, což umožňuje nainstalovat DeepCW jako progresivní webovou aplikaci (PWA) přímo z prohlížeče a používat ji i bez trvalého připojení k internetu.
Aplikace je dle dokumentace k dispozici pro Windows, macOS, Android i iOS – tedy na všech běžných platformách s moderním prohlížečem, bez potřeby nativní instalace nebo kompilace.
Pozor na starší hardware – deepcw se sice spustí, ale nevypisuje žádné znaky ze zachycených signálů. Stalo se mi to na PC, který používám pro radioamatérské účely (AMD A8-3870 s 8GB RAM Nvidia GTX560). Teprve při spuštění na pracovním počítači dekódování začalo být viditelné.
Odolnost vůči šumu a výsledky benchmarku
Autor publikoval benchmark dekódování v režimu HIGH, testován v prostředí s aditivním bílým gaussovským šumem (AWGN). Odstup signálu od šumu (SNR) je v testu vztahován na šumovou šířku pásma 2 500 Hz a počítán jako časově průměrovaný výkon signálu při přibližně 50 % pracovním cyklu klíčování. Chybovost se vyhodnocuje jako Character Error Rate (CER) – podíl vložených, vymazaných nebo zaměněných znaků vůči referenčnímu textu.
Výsledky podle autorova měření
| SNR (dB) | Character Error Rate |
|---|---|
| 0 až -4 | 0 % na všech testovaných rychlostech |
| -6 | téměř nulová chybovost |
| -8 | pod 1,5 % |
| -10 | pod 8 % |
Takové hodnoty znamenají spolehlivé dekódování hluboko pod úrovní šumu, kde je signál pro lidské ucho již na hranici čitelnosti nebo pod ní – typická situace při příjmu slabých DX stanic.
Potlačení šumu a podpora RTTY
Kromě textového výstupu obsahuje DeepCW také funkci audio pass-through s neuronovým potlačením šumu v reálném čase. Vstupní audio signál přechází přes samostatný model pro redukci šumu a výsledný, čistší zvuk lze poslouchat přímo – což má smysl zejména při sledování pileupu nebo slabých signálů od ucha, nezávisle na samotném textovém dekódování. Tato funkce souvisí s autorovým dalším projektem HamNoise.
DeepCW má integrovanú aj knižnicu DeepRTTY – samostatný neurónový dekodér pre rádioďalekopis (RTTY), jehož webové demo lze zapnout přímo v nastavení DeepCW. DeepRTTY je distribuován jako model ve formátu ONNX (model.onnx s konfigurací model.onnx.json) a očekává vstupní signál se středem na 800 Hz, s rychlostí 45,45 Bd a posunem 170 Hz. V autorově benchmarku při 10% chybě znaků ITA2 dosáhl DeepRTTY citlivosti cca -11,13 dB SNR, přičemž Fldigi potreboval -7,41 dB, minimodem -6,47 dB a MMTTY -6,49 dB – teda rozdiel približne 3,7 dB v prospech DeepRTTY oproti fldigi za daných testovacích podmienok.
Porovnání s tradičním softwarem
Autor porovnal DeepCW s CW Skimmerem, fldigi a ggmorse na třech krátkých veřejných YouTube ukázkách reálných CW spojení (aktuální verze softwaru k 3. červnu 2026):
- Video 1 (youtube.com/shorts/UBlxpe5gvv0) – spojení stanic AI5DD a AE0Q
- Video 2 (youtube.com/shorts/9AhkEDs2Sko) – spojení stanic JO2QOT a K6XX
- Video 3 (youtube.com/shorts/9jgZ94TzRys) – spojení stanic WD4DAN a W0ABE
U videa 2 byl výstup DeepCW nejblíže referenčnímu přepisu ze všech testovaných nástrojů. U videí 1 a 3 zaznamenal DeepCW několik chyb, například sloučené nebo zaměněné znaky. Autor sám zdůrazňuje, že jde o srovnání na omezeném vzorku s konkrétním nastavením jednotlivých programů, nikoli o obecné hodnocení kvality dekodérů.
Open-source jádro: DeepCW Engine a ekosystém
Samotný dekódovací model a referenční implementace jsou odděleny od webové aplikace do repozitáře deepcw-engine. Ten obsahuje model, metadata a ukázkové skripty v Pythonu a Node.js pro dekódování Morseovy abecedy přímo ze zvukových souborů WAV, takže jej lze použít nezávisle na webovém rozhraní, například při vlastním zpracování nahrávek nebo v jiném softwarovém řetězci. Podobně je samostatně dostupný i DeepRTTY (licence AGPL-3.0-only), jehož benchmark v repozitáři porovnává výkon oproti pevně určeným verzím fldigi, minimodemu a MMTTY sestaveným ze zdrojového kódu.
Takto rozdělený ekosystém – webová aplikace na jedné straně a holé modely s příklady v Pythonu/Node.js na straně druhé – naznačuje směr, kterým se může ubírat nasazení podobných AI nástrojů v radioamatérské praxi: samostatná neuronová dekódovací jádra, která si může komunita integrovat do vlastního SDR softwaru nebo kontestových logovacích nástrojů.