Pengukur Bunyi - Dapatkan pemahaman yang lebih mendalam tentang penindasan hingar
Selepas memahami perbezaan asas antara penindasan hingar (menindas bunyi persekitaran pembesar suara untuk pendengar jauh mendengar dengan jelas) dan pengurangan hingar aktif (mengimbangi hingar persekitaran pendengar sendiri), mari fokus pada cara mencapai penindasan hingar.
Satu kaedah ialah menggunakan berbilang mikrofon untuk menyekat data. Mengumpul data dari berbilang lokasi akan menyebabkan peranti menerima isyarat yang serupa (tetapi masih dibezakan). Isyarat suara yang diterima oleh mikrofon berhampiran populasi yang bercakap adalah jauh lebih kuat daripada mikrofon sekunder. Dua mikrofon akan menerima bunyi latar belakang bukan suara dengan kekuatan isyarat yang serupa. Kurangkan maklumat bunyi yang dikumpul oleh mikrofon suara yang kuat dan mikrofon kedua, dan majoriti yang tinggal ialah maklumat suara. Semakin besar jarak antara mikrofon, semakin besar perbezaan isyarat antara mikrofon yang lebih dekat dan lebih jauh, menjadikannya lebih mudah untuk menggunakan algoritma mudah ini untuk menyekat hingar. Walau bagaimanapun, apabila anda tidak bercakap, atau apabila anda menjangkakan data suara berubah dari semasa ke semasa (seperti semasa anda berjalan atau berlari, dan telefon anda terus bergegar), keberkesanan kaedah ini akan berkurangan. Penindasan hingar berbilang mikrofon sememangnya boleh dipercayai, tetapi terdapat kelemahan pada perkakasan dan pemprosesan tambahan.
Jadi, bagaimana jika terdapat hanya satu mikrofon? Jika sumber bunyi tambahan tidak digunakan untuk pengesahan/perbandingan, penyelesaian mikrofon tunggal akan bergantung pada pemahaman ciri hingar yang diterima dan menapisnya. Ini berkaitan dengan takrifan bunyi keadaan mantap dan tidak pegun yang dinyatakan sebelum ini. Bunyi keadaan mantap boleh ditapis dengan berkesan melalui algoritma DSP, manakala hingar tidak pegun menimbulkan cabaran, rangkaian saraf dalam (DNN) boleh membantu menyelesaikan masalah tersebut.
Kaedah ini memerlukan set data untuk melatih rangkaian. Set data ini terdiri daripada bunyi yang berbeza (keadaan mantap dan tidak pegun) dan pertuturan yang jelas, menghasilkan corak pertuturan bising yang disintesis. Suapkan set data sebagai input kepada DNN dan keluarkan dengan suara yang jelas. Ini akan mencipta model rangkaian saraf yang akan menghapuskan hingar dan hanya mengeluarkan pertuturan yang jelas.
Walaupun dengan DNN terlatih, masih terdapat beberapa cabaran dan petunjuk untuk dipertimbangkan. Jika anda ingin berjalan dalam masa nyata dengan kependaman rendah, anda memerlukan kuasa pemprosesan yang kuat atau DNN yang lebih kecil. Lebih banyak parameter dalam DNN, lebih perlahan kelajuan lariannya. Kadar pensampelan audio mempunyai kesan yang sama pada penindasan bunyi. Kadar pensampelan yang lebih tinggi bermakna DNN perlu mengendalikan lebih banyak parameter, tetapi seterusnya, ia akan mencapai output yang lebih berkualiti. Komunikasi suara jalur sempit ialah pilihan ideal untuk penindasan hingar masa nyata.
Jenis pemprosesan ini adalah semua tugas intensif, dan pengkomputeran awan sangat mahir dalam menyelesaikan tugasan tersebut, tetapi kaedah ini meningkatkan kependaman dengan ketara. Memandangkan manusia boleh membezakan dengan pasti kelewatan kira-kira 108 milisaat atau lebih, kelewatan tambahan yang disebabkan oleh pemprosesan pengkomputeran awan jelas bukan hasil yang ideal. Walau bagaimanapun, menjalankan DNN di tepi memerlukan beberapa pelarasan yang bijak. CEVA sentiasa komited untuk meningkatkan keupayaan pemprosesan suara dan pertuturan kami. Ini termasuk kejelasan pertuturan yang disahkan dan algoritma pengecaman perintah - algoritma ini menyediakan komunikasi yang jelas dan kawalan suara walaupun di bahagian tepi. Dialu-alukan untuk menghubungi kami dan mendengar secara peribadi.
