Демонтаж на реч с RNNoise
RNNoise е малка, бърза невронна мрежа, която премахва фоновия шум от речта в реално време.
Преглед
Created by Xiph.Org's Jean-Marc Valin, it pairs classic signal processing with a small recurrent network so it runs on ordinary CPUs and even embedded devices.
Дълбоко гмуркане
RNNoise, издаден през 2017 г., е проектиран за потискане на шума с ниска латентност при гласови повиквания. Вместо да научава всичко от край до край, той разделя речта на около 22 честотни ленти, моделирани на човешкото ухо (скала, подобна на Барк) и използва повтаряща се невронна мрежа с Gated Recurrent Units, за да оцени усилването (0 до 1) за всяка лента на кадър. Тези печалби намаляват шумните ленти, като същевременно запазват лентите, доминирани от речта, непокътнати. Допълнителен филтър за височината на звука почиства остатъчния шум между хармониците на озвучената реч. Целият модел има приблизително 85 000 тегла, работи по-бързо от реално време на едно ядро на процесора и е с отворен код под лиценз на BSD, поради което беше интегриран в проекти като екосистемата на кодека Opus, Mumble и OBS Studio.
Техническа информация
Ключовият избор на дизайн е да работи върху усилване на възприятието на лентата вместо необработени спектрални контейнери. Като предвижда само ~22 стойности на усилване на кадър, мрежата на GRU остава малка и избягва артефактите на музикалния шум, често срещани в по-старите методи за спектрално изваждане. Ръчно изработени характеристики (енергии на лентата, период на височина, корелация на височина) захранват мрежата, смесвайки DSP познания с обучение. Отделен изход за гласова активност помага за усилване на гейта по време на кадри с чист шум.
Стратегическо въздействие
Access and reach
Той подобрява достъпността чрез интерфейси за транскрипция, дикторски текст и глас.
Cost and budget
Медийните екипи могат да доставят изпипано аудио по-бързо с по-малки бюджети.
Speed and scale
Системите, насочени към клиента, могат да обработват устни взаимодействия в по-голям мащаб.
Бъдещето на премахването на шума на речта с RNNoise
RNNoise вдъхнови вълна от леки подобрения в реално време; неговите наследници изследвания (PercepNet, DeepFilterNet) повишават качеството, като същевременно поддържат бюджетите на процесора малки. Очаквайте шумозаглушителите да се вграждат директно в слушалки, слухови апарати и конферентни чипове, да се комбинират с анулиране на ехото и деверберация и да използват перцептивни и дори генеративни цели. Рецептата за хибридна DSP-плюс малка мрежа остава влиятелна навсякъде, където ниската латентност, ниската мощност и лицензирането с отворен код са по-важни от размера на необработения модел.
Внедряване в реалния свят
Потискане на тракането на клавиатурата и бръмченето на вентилатора по време на видео разговори в приложения, които включват RNNoise.
Почистване на микрофона на стример в OBS Studio чрез вградения филтър за потискане на шума RNNoise.
Подобряване на разбираемостта на гласовия чат в игри и VoIP инструменти като Mumble на хардуер с ниска мощност.
Предварителна обработка на шумни полеви записи, така че разпознаването на реч надолу по веригата да получи по-чист сигнал.
Рискове и предпазни огради
Рисковете от злоупотреба с глас и имитация се увеличават, когато липсва съгласие.
Точността може да спадне при акценти, диалекти или шумна среда.
Синтетичното аудио може да бъде сбъркано с автентична реч без ясно етикетиране.
Пътна карта за изпълнение
Получете изрично съгласие за улавяне на глас, клониране и повторно използване.
Тествайте качеството при различни високоговорители и фонови условия.
Определете кога човек трябва да прегледа или одобри резултатите.
Етикетирайте синтетичното аудио и поддържайте записи за произход за отчетност.
Продължете да изследвате
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 Speech Denoising with RNNoise quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Разделяне на речта и проблемът с коктейлното парти
Frequently asked questions
What is Speech Denoising with RNNoise?
RNNoise е малка, бърза невронна мрежа, която премахва фоновия шум от речта в реално време. Създаден от Jean-Marc Valin от Xiph.Org, той комбинира класическа обработка на сигнали с малка повтаряща се мрежа, така че да работи на обикновени процесори и дори на вградени устройства.
Какво основно прогнозира RNNoise за всеки кратък кадър от аудио?
RNNoise оценява печалбите за всяка лента, които намаляват доминираните от шум ленти, като същевременно запазват тези, доминирани от речта, вместо да работят върху всеки спектрален бин.
Какъв тип невронна мрежа е в основата на RNNoise?
RNNoise използва компактна рекурентна невронна мрежа, изградена с Gated Recurrent Units, което й дава времева памет, като същевременно остава малка.
Защо RNNoise използва перцептуални честотни ленти вместо необработени спектрални контейнери?
Предсказването на само ~22 усилвания на честотната лента поддържа мрежата малка, бърза и по-малко податлива на артефактите на музикалния шум, които засягат методите за бин.
Приблизително колко голям е моделът RNNoise?
RNNoise има от порядъка на 85 000 тегла, достатъчно малки, за да работят по-бързо от реално време на едно ядро на процесора.
Каква е ролята на филтъра за височина в RNNoise?
Гребен/пич филтър използва хармоничната структура на озвучената реч, за да потисне шума, намиращ се между хармониците, допълвайки усилването на лентата.