Gürültü Ölçer - Gürültü bastırma konusunda daha derinlemesine bilgi edinin
Gürültü bastırma (uzaktaki dinleyicilerin net bir şekilde duyabilmesi için hoparlörün ortam gürültüsünü bastırma) ile aktif gürültü azaltma (dinleyicinin kendi çevresel gürültüsünü dengeleme) arasındaki temel farkları anladıktan sonra, gürültü bastırmanın nasıl sağlanacağına odaklanalım.
Yöntemlerden biri, verileri bastırmak için birden fazla mikrofon kullanmaktır. Birden fazla konumdan veri toplamak, cihazların benzer (ancak yine de farklı) sinyaller almasına neden olacaktır. Konuşan topluluğun yakınındaki mikrofonun aldığı ses sinyali, ikincil mikrofonunkinden önemli ölçüde daha güçlüdür. İki mikrofon, benzer sinyal gücüne sahip, sesli olmayan arka plan sesini alacaktır. Güçlü ses mikrofonu ve ikincil mikrofon tarafından toplanan ses bilgilerini çıkarın; kalan çoğunluk ses bilgisidir. Mikrofonlar arasındaki mesafe ne kadar büyük olursa, yakındaki ve uzaktaki mikrofonlar arasındaki sinyal farkı da o kadar büyük olur ve bu da gürültüyü bastırmak için bu basit algoritmanın kullanılmasını kolaylaştırır. Ancak konuşmadığınızda veya ses verilerinin zaman içinde değişmesini beklediğinizde (örneğin, yürürken veya koşarken telefonunuzun titremeye devam etmesi gibi) bu yöntemin etkinliği azalacaktır. Çoklu mikrofon gürültü bastırma kesinlikle güvenilirdir, ancak ek donanım ve işlemenin dezavantajları vardır.
Peki ya tek bir mikrofon olsaydı? Doğrulama/karşılaştırma için ek ses kaynakları kullanılmazsa tek mikrofon çözümü, alınan gürültü özelliklerinin anlaşılmasına ve bunların filtrelenmesine dayanacaktır. Bu, daha önce bahsedilen kararlı durum ve durağan olmayan gürültü tanımlarıyla ilgilidir. Kararlı durum gürültüsü DSP algoritmaları aracılığıyla etkili bir şekilde filtrelenebilirken, durağan olmayan gürültü zorluk teşkil ederken, derin sinir ağları (DNN'ler) sorunun çözülmesine yardımcı olabilir.
Bu yöntem, ağı eğitmek için bir veri kümesi gerektirir. Bu veri seti farklı (kararlı durum ve durağan olmayan) gürültü ve net konuşmalardan oluşmakta ve sentezlenmiş bir gürültülü konuşma modeli oluşturmaktadır. Veri kümesini DNN'ye giriş olarak besleyin ve net bir sesle çıkarın. Bu, gürültüyü ortadan kaldıracak ve yalnızca net konuşma çıkışı sağlayacak bir sinir ağı modeli yaratacaktır.
Eğitimli DNN'lerde bile dikkate alınması gereken bazı zorluklar ve göstergeler vardır. Düşük gecikmeyle gerçek zamanlı olarak çalıştırmak istiyorsanız güçlü işlem gücüne veya daha küçük bir DNN'ye ihtiyacınız vardır. DNN'de ne kadar çok parametre varsa çalışma hızı da o kadar yavaş olur. Ses örnekleme hızının ses bastırma üzerinde benzer bir etkisi vardır. Daha yüksek örnekleme oranı, DNN'nin daha fazla parametreyi işlemesi gerektiği anlamına gelir, ancak bunun karşılığında daha yüksek kalitede çıktı elde edilir. Dar bant sesli iletişim, gerçek zamanlı gürültü bastırma için ideal bir seçimdir.
Bu tür işlemlerin tamamı yoğun görevlerdir ve bulut bilişim bu tür görevleri tamamlama konusunda oldukça yeteneklidir ancak bu yöntem gecikmeyi önemli ölçüde artırır. İnsanların yaklaşık 108 milisaniye veya daha uzun gecikmeleri güvenilir bir şekilde ayırt edebildiği göz önüne alındığında, bulut bilişim işleminin neden olduğu ek gecikmenin kesinlikle ideal bir sonuç olmadığı açıktır. Ancak DNN'yi uç noktada çalıştırmak bazı akıllı ayarlamalar gerektirir. CEVA her zaman ses ve konuşma işleme yeteneklerimizi geliştirmeye kararlıdır. Buna, doğrulanmış konuşma netliği ve komut tanıma algoritmaları da dahildir; bu algoritmalar, kenarlarda bile net iletişim ve ses kontrolü sağlar. Bizimle iletişime geçip şahsen dinlemeye hoş geldiniz.
