مقياس الضوضاء - احصل على فهم أعمق لقمع الضوضاء
بعد فهم الاختلافات الأساسية بين قمع الضوضاء (قمع الضوضاء البيئية لمكبر الصوت ليسمعها المستمعون عن بعد بوضوح) وتقليل الضوضاء النشطة (تعويض الضوضاء البيئية الخاصة بالمستمع)، دعنا نركز على كيفية تحقيق قمع الضوضاء.
تتمثل إحدى الطرق في استخدام ميكروفونات متعددة لمنع البيانات. سيؤدي جمع البيانات من مواقع متعددة إلى استقبال الأجهزة لإشارات مماثلة (ولكنها لا تزال مختلفة). تكون الإشارة الصوتية التي يتلقاها الميكروفون بالقرب من المتحدثين أقوى بكثير من إشارة الميكروفون الثانوي. سيستقبل ميكروفونان صوتًا خلفيًا غير صوتي بقوة إشارة مماثلة. اطرح المعلومات الصوتية المجمعة بواسطة ميكروفون الصوت القوي والميكروفون الثانوي، والأغلبية المتبقية هي المعلومات الصوتية. كلما زادت المسافة بين الميكروفونات، زاد فرق الإشارة بين الميكروفونات الأقرب والأبعد، مما يجعل من السهل استخدام هذه الخوارزمية البسيطة لقمع الضوضاء. ومع ذلك، عندما لا تتحدث، أو عندما تتوقع أن تتغير البيانات الصوتية بمرور الوقت (مثل عند المشي أو الجري، ويستمر هاتفك في الاهتزاز)، ستنخفض فعالية هذه الطريقة. من المؤكد أن منع ضوضاء الميكروفونات المتعددة يمكن الاعتماد عليه، ولكن هناك عيوب في الأجهزة والمعالجة الإضافية.
إذن، ماذا لو كان هناك ميكروفون واحد فقط؟ إذا لم يتم استخدام مصادر صوت إضافية للتحقق/المقارنة، فسيعتمد حل الميكروفون الواحد على فهم خصائص الضوضاء المستلمة وتصفيتها. ويرتبط هذا بالتعريفات المذكورة سابقًا للضوضاء المستقرة وغير الثابتة. يمكن تصفية ضوضاء الحالة المستقرة بشكل فعال من خلال خوارزميات DSP، بينما تشكل الضوضاء غير الثابتة تحديًا، يمكن للشبكات العصبية العميقة (DNNs) أن تساعد في حل المشكلة.
تتطلب هذه الطريقة مجموعة بيانات لتدريب الشبكة. تتكون مجموعة البيانات هذه من ضوضاء مختلفة (حالة ثابتة وغير ثابتة) وكلام واضح، مما يؤدي إلى إنشاء نمط كلام صاخب مُركب. قم بتغذية مجموعة البيانات كمدخل إلى DNN وإخراجها بصوت واضح. سيؤدي هذا إلى إنشاء نموذج شبكة عصبية يزيل الضوضاء وينتج فقط كلامًا واضحًا.
حتى مع شبكات DNN المدربة، لا تزال هناك بعض التحديات والمؤشرات التي يجب أخذها في الاعتبار. إذا كنت تريد التشغيل في الوقت الفعلي بزمن انتقال منخفض، فأنت بحاجة إلى قوة معالجة قوية أو شبكة DNN أصغر. كلما زاد عدد المعلمات في DNN، كانت سرعة التشغيل أبطأ. معدل أخذ العينات الصوتية له تأثير مماثل على كتم الصوت. ويعني معدل أخذ العينات الأعلى أن DNN بحاجة إلى التعامل مع المزيد من المعلمات، ولكنها بدورها ستحقق مخرجات ذات جودة أعلى. يعد الاتصال الصوتي ضيق النطاق خيارًا مثاليًا لقمع الضوضاء في الوقت الفعلي.
هذا النوع من المعالجة عبارة عن مهام مكثفة، والحوسبة السحابية ماهرة جدًا في إكمال مثل هذه المهام، لكن هذه الطريقة تزيد من زمن الوصول بشكل كبير. وبالنظر إلى أن البشر يمكنهم التمييز بشكل موثوق بين التأخير الذي يبلغ حوالي 108 مللي ثانية أو أكثر، فمن الواضح أن التأخير الإضافي الناجم عن معالجة الحوسبة السحابية ليس نتيجة مثالية. ومع ذلك، فإن تشغيل DNN على الحافة يتطلب بعض التعديلات الذكية. تلتزم CEVA دائمًا بتحسين قدراتنا في معالجة الصوت والكلام. يتضمن ذلك وضوح الكلام المعتمد وخوارزميات التعرف على الأوامر - توفر هذه الخوارزميات اتصالاً واضحًا وتحكمًا صوتيًا حتى عند الحواف. مرحبًا بك في الاتصال بنا والاستماع شخصيًا.
