Ako funguje zrušenie hlasu?

Zrušenie hlasu, známe tiež ako zrušenie hluku alebo vylepšenie reči, využíva rôzne techniky na zníženie nežiaduceho šumu pozadia pri zachovaní požadovaného signálu reči. Použité metódy sa líšia v závislosti od aplikácie a typu riešeného hluku. Tu je rozdelenie bežných prístupov:

1. Spektrálne odčítanie: Toto je relatívne jednoduchá technika. Analyzuje frekvenčné spektrum hlukového zvukového signálu a odhaduje šumové spektrum z období, kde je prítomný iba hluk (napr. Mlčanie v reči). Potom odpočíta odhadované šumové spektrum od hlučného rečového spektra. Trpí však artefaktmi ako „hudobný hluk“ (zvyškový hluk, ktorý znie ako hudobné tóny), pretože dokonale odhaduje hluk.

2. Filtrovanie Wiener: Toto je sofistikovanejší prístup, ktorý využíva štatistické spracovanie signálu. Odhaduje výkonovú spektrálnu hustotu reči a hluku a potom použije filter na optimálne potlačenie šumu pri zachovaní reči. Je to lepšie ako spektrálne odčítanie, ale stále čelí výzvam s nestacionárnym šumom (hluk, ktorý sa v priebehu času mení).

3. Lúč: Táto technika používa viacero mikrofónov na priestorovo odfiltrovanie hluku. Strategickým umiestnením mikrofónov a spracovaním ich signálov sa môže sústrediť na zvuk pochádzajúci z konkrétneho smeru (napríklad ústa reproduktora) a zároveň zoslabuje hluk z iných smerov. Toto je obzvlášť efektívne v hlučných prostrediach so smerovými zdrojmi hluku.

4. Prístupy hlbokého učenia: Nedávny pokrok v hlbokom učení spôsobil revolúciu v zručnosti hlasu. Neurónové siete, najmä opakujúce sa neurónové siete (RNN) a konvolučné neurónové siete (CNNS), sú trénované na veľkých súboroch hlučnosti a čistej reči. Tieto siete sa učia zložité vzťahy medzi hlučným zvukom a čistou rečou, čo im umožňuje efektívne oddeliť reč od hluku s výrazne lepším výkonom ako tradičné metódy. Príklady zahŕňajú:

* Vylepšenie reči pomocou hlbokých neurónových sietí: Tieto modely sa priamo učia mapovanie od hlučnej reči až po čistú reč.

* Oddelenie zdroja pomocou hlbokého učenia: Cieľom týchto modelov je oddeliť viac zdrojov (reč a hluk) od zmiešaného zvukového signálu. Toto je užitočné najmä v scenároch s viacerými prekrývajúcimi sa reproduktormi alebo zdrojmi hluku.

V praxi veľa systémov kombinuje viac techník. Napríklad systém môže použiť lúčové tvorby na spočiatku zníženie hluku, po ktorom nasleduje hlboký model učenia na ďalšie vylepšenie rečového signálu a odstránenie zvyškového šumu.

Účinnosť zručnosti hlasu závisí od niekoľkých faktorov vrátane:

* Typ a charakteristiky hluku: Neustále sa odstraňuje stabilný hum na pozadí ako impulzívne zvuky (napríklad rany alebo kliknutia).

* pomer signálu k šumu (SNR): Vyšší SNR (silnejšia reč v porovnaní s hlukom) vo všeobecnosti vedie k lepšiemu zrušenie.

* Kvalita mikrofónov a hardvér spracovania: Lepšie mikrofóny a výkonnejšie možnosti spracovania umožňujú presnejšiu analýzu a filtrovanie.

Stručne povedané, zrušenie hlasu je zložité pole, ktoré využíva rôzne techniky, čoraz viac sa spolieha na výkonné modely hlbokého učenia, izolovať a zlepšovať signály reči v hlučných prostrediach.

• Predchádzajúca strana: Komunikácia medzi Tomcat a webovým prehliadačom, ktorý má prístup k konzole EPO, sa dosahuje pomocou prenosu ________ cez port __________.? 
• Ďalšia strana: Môžete zmeniť hlas AOL?