Измеритель шума — введение в шумоподавление
Поняв основные различия между шумоподавлением (подавление шума окружающей среды динамика, чтобы удаленные слушатели могли его четко слышать) и активным шумоподавлением (компенсация собственного шума окружающей среды слушателя), давайте сосредоточимся на том, как добиться подавления шума.
Один из методов — использовать несколько микрофонов для подавления данных. Сбор данных из нескольких мест приведет к тому, что устройства будут получать схожие (но все же дифференцированные) сигналы. Голосовой сигнал, принимаемый микрофоном рядом с говорящим, значительно сильнее, чем сигнал вторичного микрофона. Два микрофона будут принимать неголосовой фоновый звук с одинаковой мощностью сигнала. Вычтите звуковую информацию, собранную микрофоном с сильным голосом и дополнительным микрофоном, и оставшаяся часть станет голосовой информацией. Чем больше расстояние между микрофонами, тем больше разница сигналов между ближними и дальними микрофонами, что упрощает использование этого простого алгоритма для подавления шума. Однако если вы не разговариваете или ожидаете, что голосовые данные со временем изменятся (например, когда вы идете или бежите, а ваш телефон продолжает трястись), эффективность этого метода снизится. Многомикрофонное шумоподавление, безусловно, надежно, но у дополнительного оборудования и обработки есть недостатки.
А что, если микрофон был только один? Если для проверки/сравнения не используются дополнительные источники звука, решение с использованием одного микрофона будет основано на понимании характеристик принимаемого шума и их фильтрации. Это связано с ранее упомянутыми определениями установившегося и нестационарного шума. Устойчивый шум можно эффективно отфильтровать с помощью алгоритмов DSP, в то время как нестационарный шум представляет собой проблему, но глубокие нейронные сети (DNN) могут помочь решить эту проблему.
Для этого метода требуется набор данных для обучения сети. Этот набор данных состоит из различных (стационарных и нестационарных) шумов и чистой речи, создавая синтезированный шумный речевой образец. Передайте набор данных в качестве входных данных в DNN и выведите его четким голосом. Это создаст модель нейронной сети, которая будет устранять шум и выводить только четкую речь.
Даже при наличии обученных DNN все еще существуют некоторые проблемы и индикаторы, которые следует учитывать. Если вы хотите работать в режиме реального времени с низкой задержкой, вам нужна мощная вычислительная мощность или меньший DNN. Чем больше параметров в DNN, тем медленнее скорость его работы. Частота дискретизации звука оказывает аналогичное влияние на подавление звука. Более высокая частота дискретизации означает, что DNN необходимо обрабатывать больше параметров, но, в свою очередь, она обеспечит более высокое качество вывода. Узкополосная голосовая связь — идеальный выбор для подавления шума в реальном времени.
