Pengukur Kebisingan - Dapatkan pemahaman lebih dalam tentang peredam kebisingan
Setelah memahami perbedaan mendasar antara peredam bising (menekan kebisingan lingkungan speaker agar pendengar jarak jauh dapat mendengar dengan jelas) dan pengurangan kebisingan aktif (mengimbangi kebisingan lingkungan milik pendengar), mari kita fokus pada cara mencapai peredam bising.
Salah satu caranya adalah dengan menggunakan beberapa mikrofon untuk menyembunyikan data. Mengumpulkan data dari beberapa lokasi akan menghasilkan perangkat yang menerima sinyal serupa (namun tetap berbeda). Sinyal suara yang diterima oleh mikrofon di dekat populasi yang berbicara secara signifikan lebih kuat dibandingkan dengan mikrofon sekunder. Dua mikrofon akan menerima suara latar non-suara dengan kekuatan sinyal serupa. Kurangi informasi suara yang dikumpulkan oleh mikrofon suara kuat dan mikrofon sekunder, dan sebagian besar sisanya adalah informasi suara. Semakin besar jarak antar mikrofon, semakin besar perbedaan sinyal antara mikrofon yang lebih dekat dan lebih jauh, sehingga memudahkan penggunaan algoritma sederhana ini untuk menekan kebisingan. Namun, saat Anda tidak sedang berbicara, atau saat Anda memperkirakan data suara akan berubah seiring berjalannya waktu (seperti saat Anda berjalan atau berlari, dan ponsel Anda terus bergetar), efektivitas metode ini akan menurun. Peredam kebisingan multi-mikrofon tentu saja dapat diandalkan, namun ada kelemahan pada perangkat keras dan pemrosesan tambahan.
Lalu bagaimana jika hanya ada satu mikrofon? Jika sumber suara tambahan tidak digunakan untuk verifikasi/perbandingan, solusi mikrofon tunggal akan bergantung pada pemahaman karakteristik kebisingan yang diterima dan memfilternya. Hal ini terkait dengan definisi kebisingan kondisi tunak dan non-stasioner yang telah disebutkan sebelumnya. Kebisingan kondisi tunak dapat disaring secara efektif melalui algoritme DSP, sementara kebisingan non-stasioner menimbulkan tantangan, jaringan saraf dalam (DNN) dapat membantu memecahkan masalah tersebut.
Metode ini memerlukan kumpulan data untuk melatih jaringan. Kumpulan data ini terdiri dari derau yang berbeda (kondisi stabil dan non-stasioner) dan ucapan jernih, sehingga menciptakan pola ucapan derau yang disintesis. Masukkan kumpulan data sebagai masukan ke DNN dan keluarkan dengan suara jernih. Ini akan menciptakan model jaringan saraf yang akan menghilangkan kebisingan dan hanya menghasilkan ucapan yang jelas.
Bahkan dengan DNN yang terlatih, masih ada beberapa tantangan dan indikator yang perlu dipertimbangkan. Jika Anda ingin berjalan secara real-time dengan latensi rendah, Anda memerlukan kekuatan pemrosesan yang kuat atau DNN yang lebih kecil. Semakin banyak parameter di DNN, semakin lambat kecepatan larinya. Kecepatan pengambilan sampel audio memiliki efek serupa pada peredaman suara. Tingkat pengambilan sampel yang lebih tinggi berarti DNN perlu menangani lebih banyak parameter, namun pada gilirannya, DNN akan menghasilkan keluaran berkualitas lebih tinggi. Komunikasi suara pita sempit adalah pilihan ideal untuk peredam bising secara real-time.
Jenis pemrosesan ini merupakan tugas yang intensif, dan komputasi awan sangat ahli dalam menyelesaikan tugas tersebut, namun metode ini meningkatkan latensi secara signifikan. Mengingat manusia dapat dengan andal membedakan penundaan sekitar 108 milidetik atau lebih, penundaan tambahan yang disebabkan oleh pemrosesan komputasi awan jelas bukan hasil yang ideal. Namun, menjalankan DNN di edge memerlukan beberapa penyesuaian cerdas. CEVA selalu berkomitmen untuk meningkatkan kemampuan pemrosesan suara dan ucapan kami. Hal ini mencakup kejernihan ucapan yang tervalidasi dan algoritma pengenalan perintah - algoritma ini memberikan komunikasi yang jelas dan kontrol suara bahkan pada bagian tepinya. Selamat datang untuk menghubungi kami dan mendengarkan secara langsung.
