DeepCW je webová aplikácia pre dekódovanie Morseovej abecedy, ktorá namiesto tradičných algoritmov založených na detekcii dĺžky bodiek a čiarok využíva model hlbokého učenia (deep learning). Beží na adrese deepcw.cc, bez nutnosti inštalácie, priamo v prehliadači.
Podľa autorovho popisu ide o dekodér zameraný na robustné dekódovanie aj pri slabých signáloch, úniku (QSB) a šume, s podporou súbežného dekódovania viacerých CW signálov naraz (multi-channel decoding).
V článku sa dočítate
Technická architektúra a spúšťanie v prehliadači
Aplikácia je napísaná v TypeScripte (zostavovaná cez Vite, s krokom tsc -b pred samotným buildom) a pre beh neurónového modelu priamo v prehliadači využíva knižnicu onnxruntime-web, teda inferenčný runtime pre modely vo formáte ONNX. Rozhranie je postavené na Reacte s komponentovou knižnicou Mantine. Projekt zahŕňa aj balík vite-plugin-pwa, čo umožňuje nainštalovať DeepCW ako progresívnu webovú aplikáciu (PWA) priamo z prehliadača a používať ju aj bez trvalého pripojenia na internet.
Aplikácia je podľa dokumentácie k dispozícii pre Windows, macOS, Android aj iOS – teda na všetkých bežných platformách s moderným prehliadačom, bez potreby natívnej inštalácie alebo kompilácie.
Pozor na starší hardware – deepcw sa síce spustí, ale nevypisuje žiadne znaky zo zachytených signálov. Stalo sa mi to na PC, ktorý používam pre rádioamatérske účely (AMD A8-3870 s 8GB RAM Nvidia GTX560). Až pri spustení na pracovnom počítači dekódovanie začalo byť viditeľné.
Odolnosť voči šumu a výsledky benchmarku
Autor publikoval benchmark dekódovania v režime HIGH, testovaný v prostredí s aditívnym bielym gaussovským šumom (AWGN). Odstup signálu od šumu (SNR) je v teste vzťahovaný na šumovú šírku pásma 2 500 Hz a počítaný ako časovo priemerovaný výkon signálu pri približne 50 % pracovnom cykle kľúčovania. Chybovosť sa vyhodnocuje ako Character Error Rate (CER) – podiel vložených, vymazaných alebo zamenených znakov voči referenčnému textu.
Výsledky podľa autorovho merania
| SNR (dB) | Character Error Rate |
|---|---|
| 0 až -4 | 0 % na všetkých testovaných rýchlostiach |
| -6 | takmer nulová chybovosť |
| -8 | pod 1,5 % |
| -10 | pod 8 % |
Takéto hodnoty znamenajú spoľahlivé dekódovanie hlboko pod úrovňou šumu, kde je signál pre ľudské ucho už na hranici čitateľnosti alebo pod ňou – typická situácia pri príjme slabých DX staníc.
Potlačenie šumu a podpora RTTY
Okrem textového výstupu obsahuje DeepCW aj funkciu audio pass-through s neurónovým potlačením šumu v reálnom čase. Vstupný audio signál prechádza cez samostatný model na redukciu šumu a výsledný, čistejší zvuk je možné počúvať priamo – čo má zmysel najmä pri sledovaní pileupu alebo slabých signálov od ucha, nezávisle od samotného textového dekódovania. Táto funkcia súvisí s autorovým ďalším projektom HamNoise.
DeepCW má integrovanú aj knižnicu DeepRTTY – samostatný neurónový dekodér pre rádioďalekopis (RTTY), ktorého webové demo je možné zapnúť priamo v nastaveniach DeepCW. DeepRTTY je distribuovaný ako model vo formáte ONNX (model.onnx s konfiguráciou model.onnx.json) a očakáva vstupný signál centrovaný na 800 Hz, s rýchlosťou 45,45 Bd a zdvihom (shift) 170 Hz. V autorovom benchmarku dosiahol DeepRTTY pri 10 % chybovosti znakov ITA2 citlivosť okolo -11,13 dB SNR, zatiaľ čo 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.
Porovnanie s tradičným softvérom
Autor porovnal DeepCW s CW Skimmerom, fldigi a ggmorse na troch krátkych verejných YouTube ukážkach reálnych CW spojení (aktuálne verzie softvéru k 3. júnu 2026):
- Video 1 (youtube.com/shorts/UBlxpe5gvv0) – spojenie staníc AI5DD a AE0Q
- Video 2 (youtube.com/shorts/9AhkEDs2Sko) – spojenie staníc JO2QOT a K6XX
- Video 3 (youtube.com/shorts/9jgZ94TzRys) – spojenie staníc WD4DAN a W0ABE
Pri videu 2 bol výstup DeepCW najbližšie k referenčnému prepisu spomedzi všetkých testovaných nástrojov. Pri videách 1 a 3 zaznamenal DeepCW niekoľko chýb, napríklad zlúčené alebo zamenené znaky. Autor sám zdôrazňuje, že ide o porovnanie na obmedzenej vzorke s konkrétnym nastavením jednotlivých programov, nie o všeobecné hodnotenie kvality dekodérov.
Open-source jadro: DeepCW Engine a ekosystém
Samotný dekódovací model a referenčná implementácia sú oddelené od webovej aplikácie do repozitára deepcw-engine. Ten obsahuje model, metadáta a ukážkové skripty v Pythone a Node.js na dekódovanie Morseovej abecedy priamo zo zvukových súborov WAV, takže ho možno použiť nezávisle od webového rozhrania, napríklad pri vlastnom spracovaní nahrávok alebo v inom softvérovom reťazci. Podobne je samostatne dostupný aj DeepRTTY (licencia AGPL-3.0-only), ktorého benchmark v repozitári porovnáva výkon oproti pevne určeným verziám fldigi, minimodemu a MMTTY zostaveným zo zdrojového kódu.
Takto rozdelený ekosystém – webová aplikácia na jednej strane a holé modely s príkladmi v Pythone/Node.js na strane druhej – naznačuje smer, ktorým sa môže uberať nasadenie podobných AI nástrojov v rádioamatérskej praxi: samostatné neurónové dekódovacie jadrá, ktoré si môže komunita integrovať do vlastného SDR softvéru alebo kontestových logovacích nástrojov.