DeepCW ist eine Webanwendung zum Dekodieren von Morsecode, die anstelle herkömmlicher Algorithmen, die auf der Erkennung der Länge von Punkten und Strichen basieren, ein Deep-Learning-Modell verwendet. Es läuft unter der Adresse deepcw.cc, ohne dass eine Installation erforderlich ist, direkt im Browser.
Laut Beschreibung des Autors handelt es sich um einen Decoder, der auf eine robuste Decodierung auch bei schwachen Signalen, Leckage (QSB) und Rauschen abzielt und die gleichzeitige Decodierung mehrerer CW-Signale gleichzeitig unterstützt (Mehrkanaldecodierung).
Sie werden im Artikel lesen
Technische Architektur und Ausführung im Browser
Die Anwendung ist in TypeScript geschrieben (kompiliert über Vite, mit step tsc -b vor dem Build selbst) und verwendet die onnxruntime-web-Bibliothek zum Ausführen des Neuronenmodells direkt im Browser, d. h. die Inferenzlaufzeit für Modelle im ONNX-Format. Die Schnittstelle basiert auf React mit der Mantine-Komponentenbibliothek. Zum Projekt gehört außerdem das Paket vite-plugin-pwa, mit dem DeepCW als Progressive Web Application (PWA) direkt aus dem Browser installiert und auch ohne permanente Internetverbindung genutzt werden kann.
Laut Dokumentation ist die Anwendung für Windows, macOS, Android und iOS verfügbar – also auf allen gängigen Plattformen mit einem modernen Browser, ohne dass eine native Installation oder Kompilierung erforderlich ist.
Vorsicht bei älterer Hardware – deepcw startet zwar, druckt aber keine Zeichen aus den erfassten Signalen. Es ist mir auf einem PC passiert, den ich für Funkamateurzwecke verwende (AMD A8-3870 mit 8 GB RAM Nvidia GTX560). Erst bei der Ausführung auf einem Arbeitsrechner wurde die Dekodierung sichtbar.
Störfestigkeit und Benchmark-Ergebnisse
Der Autor veröffentlichte einen Decodierungs-Benchmark im HIGH-Modus, der in einer AWGN-Umgebung (Additive White Gaussian Noise) getestet wurde. Das Signal-Rausch-Verhältnis (SNR) im Test bezieht sich auf eine Rauschbandbreite von 2500 Hz und wird als zeitlich gemittelte Signalleistung bei etwa 50 % Tastverhältnis berechnet. Die Fehlerrate wird als Character Error Rate (CER) bewertet – der Anteil der eingefügten, gelöschten oder ersetzten Zeichen im Vergleich zum Referenztext.
Ergebnisse gemäß der Messung des Autors
| SNR (dB) | Zeichenfehlerrate |
|---|---|
| 0 bis -4 | 0 % bei allen getesteten Geschwindigkeiten |
| -6 | nahezu keine Fehlerquote |
| -8 | unter 1,5 % |
| -10 | unter 8 % |
Solche Werte bedeuten eine zuverlässige Dekodierung deutlich unterhalb des Rauschpegels, bei dem das Signal bereits an oder unter der Grenze der Lesbarkeit für das menschliche Ohr liegt – eine typische Situation beim Empfang schwacher DX-Sender.
Geräuschunterdrückung und RTTY-Unterstützung
Neben der Textausgabe bietet DeepCW auch Audio-Pass-Through mit neuronaler Rauschunterdrückung in Echtzeit. Das Eingangsaudiosignal durchläuft ein separates Rauschunterdrückungsmodell, und der resultierende, sauberere Klang ist direkt hörbar – was besonders nützlich ist, wenn eine Massenkarambolage oder schwache Signale vom Ohr überwacht werden, unabhängig von der Textdekodierung selbst. Diese Funktion steht im Zusammenhang mit dem anderen Projekt des Autors, HamNoise.
DeepCW má integrovanú aj knižnicu DeepRTTY – samostatný neurónový dekodér pre rádioďalekopis (RTTY), dessen Webdemo direkt in den DeepCW-Einstellungen aktiviert werden kann. DeepRTTY wird als Modell im ONNX-Format vertrieben (model.onnx mit Konfiguration model.onnx.json) und erwartet ein bei 800 Hz zentriertes Eingangssignal mit einer Rate von 45,45 Bd und einer Verschiebung von 170 Hz. Im Benchmark des Autors erreichte DeepRTTY bei 10 % ITA2-Zeichenfehler eine Empfindlichkeit von etwa -11,13 dB SNR, während 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.
Vergleich mit herkömmlicher Software
Der Autor verglich DeepCW mit CW Skimmer, fldigi und ggmorse auf drei kurzen öffentlichen YouTube-Demonstrationen echter CW-Verbindungen (aktuelle Softwareversionen, Stand 3. Juni 2026):
- Video 1 (youtube.com/shorts/UBlxpe5gvv0) – Anschluss der Stationen AI5DD und AE0Q
- Video 2 (youtube.com/shorts/9AhkEDs2Sko) – Anschluss der Stationen JO2QOT und K6XX
- Video 3 (youtube.com/shorts/9jgZ94TzRys) – Anschluss der Stationen WD4DAN und W0ABE
Für Video 2 kam die DeepCW-Ausgabe dem Referenztranskript aller getesteten Tools am nächsten. Bei den Videos 1 und 3 bemerkte DeepCW mehrere Fehler, wie zum Beispiel zusammengeführte oder vertauschte Zeichen. Der Autor selbst betont, dass es sich um einen Vergleich einer begrenzten Stichprobe mit einer bestimmten Einstellung einzelner Programme handelt und nicht um eine allgemeine Bewertung der Qualität von Decodern.
Open-Source-Kern: DeepCW Engine und Ökosystem
Das Dekodierungsmodell selbst und die Referenzimplementierung werden von der Webanwendung getrennt im Repository gespeichert DeepCW-Engine. Dazu gehören ein Modell, Metadaten und Beispielskripte in Python und Node.js zum Dekodieren von Morsecode direkt aus WAV-Audiodateien, sodass dieser unabhängig vom Webinterface verwendet werden kann, beispielsweise in Ihrer eigenen Aufnahmeverarbeitung oder in einer anderen Softwarekette. Ebenso ist DeepRTTY (nur Lizenz AGPL-3.0) auch separat erhältlich, dessen Benchmark im Repository die Leistung mit festen Versionen von fldigi, minimodem und MMTTY vergleicht, die aus Quellcode kompiliert wurden.
Dieses geteilte Ökosystem – eine Webanwendung auf der einen Seite und bloße Modelle mit Beispielen in Python/Node.js auf der anderen Seite – deutet die Richtung an, in die der Einsatz ähnlicher KI-Tools in der Funkamateurpraxis gehen kann: eigenständige neuronale Dekodierungskerne, die die Community in ihre eigenen integrieren kann SDR Software oder Content-Logging-Tools.