Mjerač buke - Uvod u suzbijanje buke
Nakon razumijevanja osnovnih razlika između potiskivanja buke (suzbijanje buke iz okoline zvučnika kako bi slušatelji na daljinu mogli jasno čuti) i aktivnog smanjenja buke (nadoknađivanje vlastite buke iz okoline slušatelja), usredotočimo se na to kako postići potiskivanje buke.
Jedna metoda je korištenje više mikrofona za suzbijanje podataka. Prikupljanje podataka s više lokacija rezultirat će time da uređaji primaju slične (ali još uvijek različite) signale. Glasovni signal koji prima mikrofon u blizini govorne populacije znatno je jači od signala sekundarnog mikrofona. Dva mikrofona primit će neglasovni pozadinski zvuk slične jačine signala. Oduzmite informacije o zvuku prikupljene mikrofonom za jak glas i sekundarnim mikrofonom, a preostalu većinu čine glasovne informacije. Što je veća udaljenost između mikrofona, to je veća razlika u signalu između bližih i daljih mikrofona, što olakšava korištenje ovog jednostavnog algoritma za suzbijanje buke. Međutim, kada ne govorite ili kada očekujete da će se glasovni podaci promijeniti tijekom vremena (kao što je kada hodate ili trčite, a telefon vam se neprestano trese), učinkovitost ove metode će se smanjiti. Suzbijanje buke s više mikrofona svakako je pouzdano, ali postoje nedostaci dodatnog hardvera i obrade.
Dakle, što ako postoji samo jedan mikrofon? Ako se za provjeru/usporedbu ne koriste dodatni izvori zvuka, jedno rješenje mikrofona oslanjat će se na razumijevanje primljenih karakteristika šuma i njihovo filtriranje. Ovo je povezano s prethodno spomenutim definicijama stacionarnog i nestacionarnog šuma. Šum u stabilnom stanju može se učinkovito filtrirati kroz DSP algoritme, dok nestacionarni šum predstavlja izazov, duboke neuronske mreže (DNN) mogu pomoći u rješavanju problema.
Ova metoda zahtijeva skup podataka za obuku mreže. Ovaj skup podataka sastoji se od različitih (stacionarnih i nestacionarnih) šuma i jasnog govora, stvarajući sintetizirani šumni govorni obrazac. Unesite skup podataka kao ulaz u DNN i ispišite ga jasnim glasom. Ovo će stvoriti model neuronske mreže koji će eliminirati šum i dati samo jasan govor.
Čak i s obučenim DNN-ovima, još uvijek postoje neki izazovi i pokazatelji koje treba razmotriti. Ako želite raditi u stvarnom vremenu s malom latencijom, potrebna vam je jaka procesorska snaga ili manji DNN. Što je više parametara u DNN-u, to je njegova brzina rada sporija. Brzina uzorkovanja zvuka ima sličan učinak na potiskivanje zvuka. Veća stopa uzorkovanja znači da DNN mora obraditi više parametara, ali će zauzvrat postići kvalitetniji izlaz. Uskopojasna glasovna komunikacija idealan je izbor za suzbijanje buke u stvarnom vremenu.
