การลบสเปกตรัมและการกรอง Wiener
การลบสเปกตรัมและการกรอง Wiener เป็นวิธีการลดเสียงรบกวนแบบคลาสสิกก่อนการเรียนรู้
ภาพรวม
They clean audio by estimating the noise spectrum and mathematically subtracting or attenuating it, and they still underpin many modern systems.
เจาะลึก
ทั้งสองวิธีทำงานในโดเมนความถี่หลังจากการแปลงฟูริเยร์ในช่วงเวลาสั้นๆ การลบสเปกตรัมจะประมาณกำลังเสียงเฉลี่ย โดยปกติในช่วงช่องว่างที่เงียบงัน และลบออกจากสเปกตรัมขนาดของแต่ละเฟรม สิ่งที่เหลืออยู่จะถือเป็นคำพูด ง่ายและราคาถูก แต่มีแนวโน้มที่จะสร้าง 'เสียงดนตรี' ซึ่งเป็นโทนเสียงแบบสุ่มที่เกิดขึ้นเพียงชั่วครู่ ซึ่งเกิดจากการลบที่ไม่สมบูรณ์จนเหลือยอดสเปกตรัมที่แยกออกมา การกรอง Wiener มีหลักการมากกว่า: โดยจะได้ค่าเกนที่เหมาะสมที่สุดทางสถิติสำหรับช่องความถี่แต่ละช่อง เพื่อลดข้อผิดพลาดเฉลี่ยกำลังสองให้เหลือน้อยที่สุด โดยจะถ่วงน้ำหนักถังตามอัตราส่วนสัญญาณต่อเสียงรบกวนโดยประมาณ ถังขยะที่ถูกครอบงำด้วยคำพูดผ่านไป ถังขยะที่ถูกครอบงำด้วยเสียงรบกวนจะถูกลดทอนลงอย่างมาก ทั้งสองสันนิษฐานว่าเสียงนั้นค่อนข้างนิ่ง ซึ่งจำกัดเสียงจากเสียงที่เปลี่ยนแปลงกะทันหัน
ข้อมูลเชิงลึกทางเทคนิค
อัตราขยายของ Wiener ในถังขยะจะอยู่ที่ประมาณ SNR / (SNR + 1) ดังนั้นถังขยะที่มี SNR สูงจะเก็บพลังงานส่วนใหญ่ไว้ ในขณะที่ถังขยะที่มี SNR ต่ำจะถูกระงับ การลบสเปกตรัมจะคำนวณขนาดลบด้วยขนาดเสียงโดยประมาณ จากนั้นจึงปัดลบให้เป็นศูนย์ ทั้งสองแบบนำเฟสที่มีเสียงดังเดิมกลับมาใช้ใหม่เมื่อสร้างรูปคลื่นขึ้นใหม่ เนื่องจากการได้ยินของมนุษย์ค่อนข้างไม่ไวต่อข้อผิดพลาดของเฟสในเฟรมที่สั้น
ผลกระทบเชิงกลยุทธ์
เข้าถึงและเข้าถึง
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
ต้นทุนและงบประมาณ
ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
ความเร็วและขนาด
ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น
อนาคตของการลบสเปกตรัมและการกรอง Wiener
วิธีการเหล่านี้ไม่ได้หายไป พวกเขากำลังถูกดูดซึม ขณะนี้เครือข่ายระดับลึกเรียนรู้มาสก์ที่ Wiener กรองได้มาในเชิงวิเคราะห์ และแนวคิดที่ได้รับจาก SNR เป็นแรงบันดาลใจโดยตรงในการมาสก์ความถี่เวลาที่ใช้ในการเพิ่มประสิทธิภาพคำพูดของระบบประสาท คาดว่าจะมีการใช้งานอย่างต่อเนื่องเป็นส่วนหน้าแบบน้ำหนักเบาบนฮาร์ดแวร์ที่มีข้อจำกัด ในฐานะรุ่นก่อนหน้าที่ทำให้แบบจำลองที่เรียนรู้มีความเสถียร และในฐานะนักวิจัยที่เป็นพื้นฐานที่ตีความได้จะเปรียบเทียบระบบใหม่เทียบกับ
การใช้งานจริงในโลกแห่งความเป็นจริง
ค่าลดเสียงรบกวนที่ตั้งไว้ล่วงหน้าในตัวแก้ไขเสียงเช่น Audacity (การกำจัดสัญญาณรบกวนสเปกตรัม)
การล้างเสียงในระบบโทรศัพท์และระบบ VoIP รุ่นเก่า
การลดเสียงรบกวนส่วนหน้าก่อนการรู้จำเสียงบนชิปฝังตัวที่ใช้พลังงานต่ำ
การเพิ่มความเข้าใจในระบบเครื่องช่วยฟังและการเขียนตามคำบอกตั้งแต่เนิ่นๆ
ความเสี่ยงและรั้ว
การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน
แผนงานการดำเนินงาน
ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ
สำรวจต่อไป
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 Spectral Subtraction and Wiener Filtering 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
คำแนะนำต่อไป
การกระจายสเปกตรัมแบบกระจาย
คำถามที่พบบ่อย
What is Spectral Subtraction and Wiener Filtering?
การลบสเปกตรัมและการกรอง Wiener เป็นวิธีการลดเสียงรบกวนแบบคลาสสิกก่อนการเรียนรู้ พวกเขาทำความสะอาดเสียงโดยการประมาณสเปกตรัมของเสียงรบกวนและลบหรือลดทอนสัญญาณทางคณิตศาสตร์ และยังคงสนับสนุนระบบสมัยใหม่มากมาย
สิ่งประดิษฐ์ที่น่ารำคาญใดที่มักเกี่ยวข้องกับการลบสเปกตรัม
การลบที่ไม่สมบูรณ์จะทำให้ยอดสเปกตรัมที่แยกออกมาซึ่งฟังดูเหมือนโทนเสียงที่แปรปรวนแบบสุ่ม เรียกว่าเสียงรบกวนทางดนตรี
การลบสเปกตรัมและการกรอง Wiener ทำงานหลักในโดเมนใด
ทั้งสองแปลงเสียงเป็นโดเมนความถี่ผ่านการแปลงฟูริเยร์ระยะสั้นก่อนประมวลผล
ตัวกรอง Wiener พยายามลดขนาดอะไรให้เหลือน้อยที่สุด?
การกรองของ Wiener จะคำนวณค่าเกนที่ช่วยลดข้อผิดพลาดเฉลี่ยกำลังสองให้เหลือน้อยที่สุด ทำให้ได้ค่าประมาณที่เหมาะสมทางสถิติ
โดยทั่วไปการลบสเปกตรัมจะประมาณสเปกตรัมเสียงรบกวนได้อย่างไร
โดยจะวัดกำลังเสียงรบกวนโดยเฉลี่ยระหว่างช่วงหยุดชั่วคราวหรือช่องว่างที่ไม่ใช่คำพูด จากนั้นลบค่าประมาณดังกล่าวออกจากแต่ละเฟรม
Wiener Gain ในถังขยะสามารถประมาณได้เป็นนิพจน์ใด
อัตราขยายจะอยู่ที่ประมาณ SNR/(SNR+1) ดังนั้นถังที่มี SNR สูงจึงส่วนใหญ่จะถูกเก็บไว้ และถังที่มี SNR ต่ำจะถูกลดทอนลง