Máy đo tiếng ồn - Hiểu sâu hơn về cách khử tiếng ồn
Sau khi hiểu được sự khác biệt cơ bản giữa tính năng khử tiếng ồn (khử tiếng ồn môi trường của loa để người nghe từ xa nghe rõ) và tính năng giảm tiếng ồn chủ động (bù đắp tiếng ồn môi trường của chính người nghe), hãy tập trung vào cách đạt được tính năng khử tiếng ồn.
Một phương pháp là sử dụng nhiều micrô để chặn dữ liệu. Việc thu thập dữ liệu từ nhiều vị trí sẽ khiến các thiết bị nhận được tín hiệu tương tự (nhưng vẫn có sự khác biệt). Tín hiệu giọng nói mà micrô ở gần người đang nói nhận được mạnh hơn đáng kể so với tín hiệu của micrô phụ. Hai micrô sẽ nhận được âm thanh nền không có giọng nói với cường độ tín hiệu tương tự. Trừ đi thông tin âm thanh do micro thoại mạnh và micro phụ thu thập, phần lớn còn lại là thông tin giọng nói. Khoảng cách giữa các micrô càng lớn thì sự chênh lệch tín hiệu giữa các micrô gần và xa càng lớn, giúp việc sử dụng thuật toán đơn giản này để khử tiếng ồn trở nên dễ dàng hơn. Tuy nhiên, khi bạn không nói hoặc khi bạn mong đợi dữ liệu giọng nói sẽ thay đổi theo thời gian (chẳng hạn như khi bạn đi bộ hoặc chạy và điện thoại của bạn liên tục rung), hiệu quả của phương pháp này sẽ giảm. Khả năng khử tiếng ồn bằng nhiều micrô chắc chắn là đáng tin cậy, nhưng vẫn có những hạn chế đối với phần cứng và quá trình xử lý bổ sung.
Vậy nếu chỉ có một micro thì sao? Nếu các nguồn âm thanh bổ sung không được sử dụng để xác minh/so sánh thì một giải pháp micrô duy nhất sẽ dựa vào việc hiểu các đặc điểm tiếng ồn nhận được và lọc chúng ra. Điều này liên quan đến các định nghĩa đã đề cập trước đây về tiếng ồn ở trạng thái ổn định và không cố định. Nhiễu ở trạng thái ổn định có thể được lọc một cách hiệu quả thông qua thuật toán DSP, trong khi nhiễu không cố định đặt ra thách thức thì mạng nơ-ron sâu (DNN) có thể giúp giải quyết vấn đề.
Phương pháp này yêu cầu một tập dữ liệu để đào tạo mạng. Tập dữ liệu này bao gồm tiếng ồn khác nhau (trạng thái ổn định và không cố định) và giọng nói rõ ràng, tạo ra mẫu giọng nói ồn tổng hợp. Cung cấp tập dữ liệu làm đầu vào cho DNN và xuất ra với giọng nói rõ ràng. Điều này sẽ tạo ra một mô hình mạng lưới thần kinh giúp loại bỏ tiếng ồn và chỉ tạo ra giọng nói rõ ràng.
Ngay cả với các DNN đã được đào tạo, vẫn có một số thách thức và chỉ số cần xem xét. Nếu bạn muốn chạy trong thời gian thực với độ trễ thấp, bạn cần có sức mạnh xử lý mạnh hoặc DNN nhỏ hơn. Càng nhiều tham số trong DNN thì tốc độ chạy của nó càng chậm. Tốc độ lấy mẫu âm thanh có tác dụng tương tự trong việc triệt tiêu âm thanh. Tốc độ lấy mẫu cao hơn có nghĩa là DNN cần xử lý nhiều tham số hơn, nhưng đổi lại, nó sẽ đạt được chất lượng đầu ra cao hơn. Giao tiếp bằng giọng nói băng thông hẹp là lựa chọn lý tưởng để khử tiếng ồn theo thời gian thực.
Kiểu xử lý này là tất cả các nhiệm vụ chuyên sâu và điện toán đám mây rất thành thạo trong việc hoàn thành các nhiệm vụ đó, nhưng phương pháp này làm tăng đáng kể độ trễ. Xét rằng con người có thể phân biệt độ trễ khoảng 108 mili giây trở lên một cách đáng tin cậy thì độ trễ bổ sung do xử lý điện toán đám mây gây ra rõ ràng không phải là kết quả lý tưởng. Tuy nhiên, việc chạy DNN ở rìa đòi hỏi một số điều chỉnh thông minh. CEVA luôn cam kết cải thiện khả năng xử lý giọng nói và giọng nói của mình. Điều này bao gồm các thuật toán nhận dạng lệnh và độ rõ ràng của giọng nói đã được xác thực - những thuật toán này cung cấp khả năng giao tiếp và điều khiển giọng nói rõ ràng ngay cả ở rìa. Chào mừng bạn đến liên hệ với chúng tôi và lắng nghe trực tiếp.
