የድምጽ AI መመሪያ

ጥልቅ የድምፅ ማፈን ፈተና

የጥልቅ ጫጫታ ማፈን (ዲ ኤን ኤስ) ፈተና Microsoft የሚካሄድ ውድድር ነው ተመራማሪዎች ከንግግር በስተጀርባ ያለውን ጫጫታ በእውነተኛ ጊዜ የሚያራቁ የነርቭ መረቦችን እንዲገነቡ የሚገፋፋ።

2 ሚን አንብብለመጨረሻ ጊዜ የዘመነው

አጠቃላይ እይታ

It set the modern benchmarks that power features like Teams and Zoom noise removal.

ጥልቅ ዳይቭ

በ2020 በMicrosoft የተጀመረው እና ለብዙ አመታት የተደገመ (ብዙውን ጊዜ በ INTERSPEECH እና ICASSP) የዲኤንኤስ ፈተና ለቡድኖች ትልቅ እና ደረጃውን የጠበቀ የንፁህ ንግግር ዳታ ስብስብ፣ የድምጽ ክሊፖች እና ሰው ሰራሽ ድብልቅ ጫጫታ ቀረጻዎችን ሰጥቷቸዋል። በወሳኝ መልኩ፣ ግምገማን ከጥንታዊ የሲግናል ሒሳብ እንደ PESQ ወደ የሰው የማዳመጥ ውጤቶች እና ጥራት ያላቸውን ትንበያዎች ተምሯል። በተጨማሪም አስቸጋሪ የገሃዱ ዓለም ሁኔታዎችን አክሏል፡ አስተጋባጭ ክፍሎች፣ ቋሚ ያልሆኑ ድምፆች (መተየብ፣ ውሾች፣ ሳይረን)፣ የቃና ጫጫታ እና ለግል የተበጁ ሁኔታዎች ሞዴል ከተመዘገበ ኢላማ ተናጋሪ በስተቀር ሁሉንም ሰው ማፈን አለበት። መረጃን፣ መነሻ መስመሮችን እና የተለመደ የሙከራ ስብስብን በመልቀቅ ላቦራቶሪዎች ፖም ከፖም ጋር እንዲያወዳድሩ ያስችላቸዋል እና ከማጣራት ዘዴዎች ወደ ከጫፍ እስከ ጫፍ ጥልቅ ትምህርት ለንግግር መሻሻል የሚደረገውን ጉዞ አፋጥኗል።

ቴክኒካዊ ግንዛቤ

ግቤቶች በተለምዶ የጩኸት ሞገድ ቅርፅን የአጭር ጊዜ ፉሪየር ወደ ተደጋጋሚ ወይም ጊዜ-ድግግሞሽ ጭንብል የሚተነብይ ወደ ተደጋጋሚ አውታረመረብ ይለውጣሉ። ጭምብሉን በጩኸት ስፔክትረም ማባዛት በንግግር የተያዙትን በመጠበቅ በጩኸት የሚተዳደረውን ጋኖች ያዳክማል፣ ከዚያም ተገላቢጦሽ STFT የሞገድ ቅርጹን እንደገና ይገነባል። የእውነተኛ ጊዜ ደንቦች አልጎሪዝምን (40 ሚሴ አካባቢ) የሚይዙ እና የምክንያት ሂደትን ይጠይቃሉ፣ ስለዚህ ሞዴሎች የአሁኑን ፍሬም ሲያጸዱ የወደፊቱን ድምጽ ማየት አይችሉም።

ስልታዊ ተጽእኖ

መድረስ እና መድረስ

በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል።

ወጪ እና በጀት

የሚዲያ ቡድኖች በትንሽ በጀቶች የተጣራ ድምጽ በፍጥነት መላክ ይችላሉ።

ፍጥነት እና ልኬት

ከደንበኛ ጋር የሚገናኙ ስርዓቶች የንግግር ግንኙነቶችን በትልቁ ደረጃ ማካሄድ ይችላሉ።

የጥልቅ ድምጽ ማፈን ፈተና የወደፊት

የከንፈር እንቅስቃሴ ወይም የተናጋሪ የድምጽ አሻራ ምን ማቆየት እንዳለበት በሚመራበት፣ ለግል ብጁ እና ወደ መልቲሞዳል ማፈን ማዕቀፉ እንዲሰፋ ይጠብቁ። ሞዴሎች ለጆሮ ማዳመጫዎች እና ለመስሚያ መርጃዎች በመሳሪያ ላይ ለመስራት እየቀነሱ ናቸው፣ እና የሙሉ ባንድ 48 kHz ሂደት መደበኛ እየሆነ መጥቷል ስለዚህ ሙዚቃ እና ከፍተኛ ድግግሞሾች ይተርፋሉ። ጩኸትን ብቻ ከመደበቅ ይልቅ ንጹህ ንግግርን እንደገና የሚያዋህዱ የትውልድ አቀራረቦች ንቁ እና አንዳንድ ጊዜ አወዛጋቢ ድንበር ናቸው።

የእውነተኛ-ዓለም አተገባበር

በMicrosoft ቡድኖች እና ሌሎች የቪዲዮ ጥሪ መተግበሪያዎች ውስጥ ቅጽበታዊ የጀርባ-ጫጫታ መወገድ

በመጓጓዣዎች ወይም በተጨናነቁ ካፌዎች ውስጥ በጆሮ ማዳመጫዎች እና በጆሮ ማዳመጫዎች ውስጥ የበለጠ ንጹህ የንግግር ቀረጻ

ጫጫታ የመስክ ቅጂዎችን በራስ-ሰር ከመገለባበጥ ወይም ከመግለጫ ጽሁፍ በፊት በማዘጋጀት ላይ

የመስሚያ መርጃ መሳሪያዎችን እና አጋዥ የመስማት ችሎታን ማሻሻል

አደጋዎች እና የጥበቃ መንገዶች

ስምምነት ሲጠፋ የድምፅ አላግባብ መጠቀም እና የማስመሰል አደጋዎች ይጨምራሉ።

ትክክለኛነት በአነጋገር ዘዬዎች፣ ቀበሌኛዎች ወይም ጫጫታ አካባቢዎች ላይ ሊወድቅ ይችላል።

ሰራሽ ኦዲዮ ግልጽ ምልክት ሳይደረግበት ለትክክለኛ ንግግር ሊሳሳት ይችላል።

የትግበራ ፍኖተ ካርታ

1

ለድምጽ ቀረጻ፣ ክሎኒንግ እና እንደገና ጥቅም ላይ ለማዋል ግልጽ የሆነ ፈቃድ ያግኙ።

2

በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።

3

አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።

4

ሰው ሰራሽ ኦዲዮን ይሰይሙ እና ለተጠያቂነት የፕሮቨንስ መዝገቦችን ያስቀምጡ።

ማሰስዎን ይቀጥሉ

ድምጽ AI

የንግግር ስርዓቶች ቋንቋን እንዴት እንደሚያውቁ እና እንደሚያመነጩ ይወቁ።

መመሪያ ያንብቡ

AI ሙዚቃ

ዘመናዊ የሙዚቃ-ትውልድ መሳሪያዎችን እና ገደቦችን ይረዱ።

መመሪያ ያንብቡ

Free newsletter

Get the daily AI briefing

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the Deep Noise Suppression Challenge quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

ጥልቅ ትምህርት

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Deep Noise Suppression Challenge?

የጥልቅ ጫጫታ ማፈን (ዲ ኤን ኤስ) ፈተና Microsoft የሚካሄድ ውድድር ነው ተመራማሪዎች ከንግግር በስተጀርባ ያለውን ጫጫታ በእውነተኛ ጊዜ የሚያራቁ የነርቭ መረቦችን እንዲገነቡ የሚገፋፋ። እንደ ቡድኖች እና አጉላ ጫጫታ ማስወገድን የመሳሰሉ የኃይል ባህሪያት ያላቸውን ዘመናዊ መለኪያዎች አዘጋጅቷል።

ጥልቅ ጫጫታ ማፈን (ዲ ኤን ኤስ) ፈተናን የጀመረው የትኛው ድርጅት ነው?

Microsoft የዲ ኤን ኤስ ፈተናን በ2020 ጀምሯል እና እንደ INTERSPEECH እና ICASSP ባሉ ቦታዎች አስሮጠው።

ለዲ ኤን ኤስ ፈተና የተገነቡ ስርዓቶች ዋና ግብ ምንድን ነው?

ተግዳሮቱ የሚያነጣጥረው የተናጋሪውን ድምጽ በመጠበቅ ላይ ሳለ ጫጫታዎችን በመጨፍለቅ የአሁናዊ ንግግርን ማሻሻል ነው።

ለምንድነው የአሁናዊ ዲ ኤን ኤስ ማቀነባበር ሞዴሎች የወደፊት የድምጽ ፍሬሞችን እንዳይጠቀሙ የሚከለክሉት?

የቀጥታ ውይይት ምክኒያታዊ፣ ዝቅተኛ መዘግየት ሂደትን ይፈልጋል፣ ስለዚህ ሞዴሉ ያለፈውን እና የአሁኑን ድምጽ ብቻ መጠቀም ይችላል።

በዲ ኤን ኤስ ግቤቶች ውስጥ የተለመደው ዘዴ 'ጭምብል' መተንበይ ነው። ጭምብሉ ምን ያደርጋል?

በጩኸት የተያዘውን ማጠራቀሚያ ለመግታት እና ንግግርን ለማቆየት የጊዜ ድግግሞሽ ጭንብል በጩኸት ስፔክትረም ይባዛል።

የንግግር ማሻሻል እንዴት እንደሚገመገም የዲ ኤን ኤስ ፈተና እንዴት ለውጧል?

ፈተናው ወደ ሰው የማዳመጥ ፈተናዎች ተንቀሳቅሷል እና በሂሳብ ምልክት ብቻ ሳይሆን በማስተዋል ጥራት ያላቸው ትንበያዎችን ተምረዋል።

ተዛማጅ መመሪያዎች