ДалееСледующее руководство
Спектральная кластеризация
Технический
Аудио РУКОВОДСТВО ПО ИИ
Спектральное вычитание и фильтрация Винера — это классические рабочие лошадки снижения шума перед глубоким обучением.
Прослушайте это руководствоОзвучено ИИ · ~2 min
Они очищают звук, оценивая спектр шума и математически вычитая или ослабляя его, и они до сих пор лежат в основе многих современных систем.
Оба метода работают с представлениями кратковременного преобразования Фурье. Спектральное вычитание оценивает спектр шума, часто на основе кадров без речи, а затем вычитает оценку из величин шума; отрицательные результаты замалчиваются, а неточные оценки могут привести к тому, что отдельные пики будут восприниматься как музыкальный шум. Фильтрация Винера применяет частотно-зависимые коэффициенты усиления, полученные на основе статистической модели сигнала и шума. В соответствии с предполагаемой моделью и выбранной целью квадратичной ошибки ее линейная оценка минимизирует среднеквадратическую ошибку; качество зависит от точности сигнала и статистики шума. Оба метода могут оказаться неэффективными, если шум быстро меняется.
Предустановки шумоподавления в аудиоредакторах, таких как Audacity (удаление спектрального шума)
Очистка голоса в старых системах телефонии и VoIP
Внешнее шумоподавление перед распознаванием речи на встроенных микросхемах с низким энергопотреблением
Повышение разборчивости в ранних слуховых аппаратах и системах диктовки
Эти методы не исчезают; они поглощаются. Глубокие сети теперь изучают маски, которые фильтрация Винера вывела аналитически, а идея усиления на основе отношения сигнал/шум напрямую вдохновила частотно-временное маскирование, используемое в нейронном улучшении речи. Ожидайте дальнейшего использования в качестве облегченных интерфейсов на ограниченном оборудовании, в качестве априорных моделей, стабилизирующих изученные модели, и в качестве интерпретируемых базовых показателей, с которыми исследователи сравнивают новые системы.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Спектральное вычитание и фильтрация Винера — это классические рабочие лошадки снижения шума перед глубоким обучением. Они очищают звук, оценивая спектр шума и математически вычитая или ослабляя его, и они до сих пор лежат в основе многих современных систем.
Несовершенное вычитание оставляет изолированные спектральные пики, которые звучат как случайные трели, называемые музыкальным шумом.
Оба перед обработкой преобразуют звук в частотную область посредством кратковременного преобразования Фурье.
Решение Винера представляет собой минимальную среднеквадратическую ошибку для предполагаемой статистики второго порядка и класса линейной оценки.
Он измеряет среднюю мощность шума во время пауз или неречевых пауз, а затем вычитает эту оценку из каждого кадра.
Это усиление использует расчетные мощности сигнала и шума; его форма соответствует обычной аддитивной некоррелированной модели.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Спектральная кластеризация
Технический