Merilnik hrupa - Uvod v dušenje hrupa
Po razumevanju osnovnih razlik med dušenjem hrupa (zmanjšanje hrupa iz okolja zvočnika, da ga oddaljeni poslušalci jasno slišijo) in aktivnim zmanjševanjem hrupa (izravnavanje hrupa iz okolja poslušalca), se osredotočimo na to, kako doseči dušenje hrupa.
Ena od metod je uporaba več mikrofonov za zatiranje podatkov. Zbiranje podatkov z več lokacij bo povzročilo, da bodo naprave prejemale podobne (vendar še vedno različne) signale. Glasovni signal, ki ga prejme mikrofon v bližini govoreče populacije, je bistveno močnejši od signala sekundarnega mikrofona. Dva mikrofona bosta prejela neglasovni zvok v ozadju s podobno močjo signala. Odštejte zvočne informacije, ki jih zbereta mikrofon z močnim glasom in sekundarni mikrofon, preostala večina pa so glasovne informacije. Večja kot je razdalja med mikrofoni, večja je razlika v signalu med bližjimi in oddaljenimi mikrofoni, kar olajša uporabo tega preprostega algoritma za dušenje šuma. Ko pa ne govorite ali ko pričakujete, da se bodo glasovni podatki sčasoma spremenili (na primer, ko hodite ali tečete in se vaš telefon nenehno trese), se bo učinkovitost te metode zmanjšala. Zatiranje hrupa z več mikrofoni je vsekakor zanesljivo, vendar ima dodatna strojna oprema in obdelava pomanjkljivosti.
Kaj pa, če bi bil samo en mikrofon? Če se za preverjanje/primerjavo ne uporabijo dodatni zvočni viri, bo rešitev z enim mikrofonom odvisna od razumevanja prejetih značilnosti šuma in njihovega filtriranja. To je povezano s prej omenjenima definicijama stacionarnega in nestacionarnega šuma. Hrup v stabilnem stanju je mogoče učinkovito filtrirati z algoritmi DSP, medtem ko nestacionarni šum predstavlja izziv, globoke nevronske mreže (DNN) lahko pomagajo rešiti problem.
Ta metoda zahteva nabor podatkov za usposabljanje omrežja. Ta nabor podatkov je sestavljen iz različnih (stacionarnih in nestacionarnih) šumov in jasnega govora, ki ustvarja sintetiziran šumni govorni vzorec. Vnesite nabor podatkov kot vhod v DNN in ga oddajte z jasnim glasom. To bo ustvarilo model nevronske mreže, ki bo odstranil šum in ustvaril samo jasen govor.
Tudi z usposobljenimi DNN je še vedno nekaj izzivov in kazalnikov, ki jih je treba upoštevati. Če želite delovati v realnem času z nizko zakasnitvijo, potrebujete močno procesorsko moč ali manjši DNN. Več kot je parametrov v DNN, počasnejša je njegova hitrost delovanja. Hitrost vzorčenja zvoka ima podoben učinek na dušenje zvoka. Višja stopnja vzorčenja pomeni, da mora DNN obravnavati več parametrov, vendar bo posledično dosegel višjo kakovost izhoda. Ozkopasovna glasovna komunikacija je idealna izbira za dušenje šuma v realnem času.
