Müramõõtur – omandage mürasummutusest sügavam arusaam
Olles mõistnud põhilisi erinevusi mürasummutuse (kõlarite keskkonnamüra summutamine, et kaugkuulajad saaksid selgelt kuulda) ja aktiivse müra vähendamise (kuulaja enda keskkonnamüra kompenseerimine) vahel keskendume sellele, kuidas saavutada mürasummutus.
Üks meetod on andmete summutamiseks kasutada mitut mikrofoni. Mitmest asukohast andmete kogumisel saavad seadmed sarnaseid (kuid siiski eristuvaid) signaale. Kõneleva elanikkonna läheduses asuva mikrofoni poolt vastuvõetav kõnesignaal on oluliselt tugevam kui teisese mikrofoni oma. Kaks mikrofoni võtavad vastu sarnase signaalitugevusega mittehäälset taustaheli. Lahutage tugeva häälmikrofoni ja teisese mikrofoni kogutud heliteave ning ülejäänud enamus on kõneteave. Mida suurem on mikrofonide vaheline kaugus, seda suurem on signaalide erinevus lähemate ja kaugemate mikrofonide vahel, mistõttu on selle lihtsa algoritmi kasutamine müra summutamiseks lihtsam. Siiski, kui te ei räägi või kui eeldate, et kõneandmed aja jooksul muutuvad (nt kõndides või joostes ja teie telefon väriseb pidevalt), väheneb selle meetodi tõhusus. Mitme mikrofoniga mürasummutus on kindlasti usaldusväärne, kuid täiendaval riistvaral ja töötlemisel on puudusi.
Mis siis, kui oleks ainult üks mikrofon? Kui täiendavaid heliallikaid kontrollimiseks/võrdluseks ei kasutata, tugineb ühe mikrofoni lahendus vastuvõetud müra omaduste mõistmisele ja nende välja filtreerimisele. See on seotud eelnevalt mainitud püsiseisundi ja mittestatsionaarse müra definitsioonidega. Püsiseisundi müra saab tõhusalt välja filtreerida DSP-algoritmide abil, samas kui mittestatsionaarne müra on väljakutse, sügavad närvivõrgud (DNN-id) võivad aidata probleemi lahendada.
See meetod nõuab võrgu treenimiseks andmekogumit. See andmestik koosneb erinevast (püsiseisundi ja mittestatsionaarsest) mürast ja selgest kõnest, luues sünteesitud mürarikka kõnemustri. Sisestage andmestik DNN-i sisendina ja edastage see selge häälega. See loob närvivõrgu mudeli, mis kõrvaldab müra ja edastab ainult selget kõnet.
Isegi väljaõppinud DNN-ide puhul tuleb siiski arvestada mõningate väljakutsete ja näitajatega. Kui soovite töötada reaalajas madala latentsusajaga, vajate tugevat töötlemisvõimsust või väiksemat DNN-i. Mida rohkem parameetreid DNN-is, seda aeglasem on selle töökiirus. Heli diskreetimissagedusel on sarnane mõju heli summutamisele. Kõrgem diskreetimissagedus tähendab, et DNN peab käsitlema rohkem parameetreid, kuid see omakorda saavutab kõrgema kvaliteediga väljundi. Kitsasribaline kõneside on ideaalne valik reaalajas müra summutamiseks.
Seda tüüpi töötlemine on kõik intensiivsed ülesanded ja pilvandmetöötlus on selliste ülesannete täitmisel väga osav, kuid see meetod suurendab oluliselt latentsust. Arvestades, et inimesed suudavad usaldusväärselt eristada umbes 108 millisekundiseid või pikemaid viivitusi, ei ole pilvandmetöötlusest tingitud lisaviivitus ilmselgelt ideaalne tulemus. DNN-i serval töötamine nõuab aga mõningaid nutikaid kohandusi. CEVA on alati pühendunud meie hääle- ja kõnetöötlusvõimaluste täiustamisele. See hõlmab kinnitatud kõne selgust ja käsutuvastusalgoritme – need algoritmid pakuvad selget suhtlust ja hääljuhtimist isegi servades. Tere tulemast meiega ühendust võtma ja isiklikult kuulama.
