HƯỚNG DẪN AI âm thanh

Thử thách khử tiếng ồn sâu

Thử thách Giảm tiếng ồn sâu (DNS) là một cuộc thi do Microsoft tổ chức nhằm thúc đẩy các nhà nghiên cứu xây dựng mạng lưới thần kinh giúp loại bỏ tiếng ồn xung quanh khỏi lời nói trong thời gian thực.

Tổng quan

Thử thách Giảm tiếng ồn sâu (DNS) là một cuộc thi do Microsoft tổ chức nhằm thúc đẩy các nhà nghiên cứu xây dựng mạng lưới thần kinh giúp loại bỏ tiếng ồn xung quanh khỏi lời nói trong thời gian thực. Nó đặt ra các tiêu chuẩn hiện đại hỗ trợ các tính năng như Teams và loại bỏ tiếng ồn trong Zoom.

Thử thách ngăn chặn tiếng ồn sâu nằm trong quy trình làm việc về âm thanh-AI giúp biến đổi lời nói, âm nhạc và âm thanh để giao tiếp, khả năng tiếp cận và sản xuất phương tiện truyền thông.

Lặn sâu

Được Microsoft phát động vào năm 2020 và lặp lại trong vài năm (thường là tại INTERSPEECH và ICASSP), Thử thách DNS đã mang đến cho các đội một tập dữ liệu lớn, được tiêu chuẩn hóa về giọng nói rõ ràng, clip tiếng ồn và các bản ghi âm tạp âm tổng hợp. Điều quan trọng là nó đã chuyển việc đánh giá từ phép toán tín hiệu cũ hơn như PESQ sang điểm số khả năng nghe của con người và các yếu tố dự đoán đã học được về chất lượng cảm nhận. Nó cũng bổ sung thêm các điều kiện khắc nghiệt trong thế giới thực: phòng vang vọng, tiếng ồn không cố định (đánh máy, tiếng chó, còi báo động), tiếng ồn âm sắc và các kịch bản được cá nhân hóa trong đó mô hình phải ngăn chặn tất cả mọi người ngoại trừ một diễn giả mục tiêu đã đăng ký. Bằng cách phát hành dữ liệu, đường cơ sở và bộ thử nghiệm chung, nó cho phép các phòng thí nghiệm so sánh táo với táo và đẩy nhanh quá trình chuyển từ thủ thuật lọc sang học sâu toàn diện để cải thiện giọng nói.

Hiểu biết kỹ thuật

Các mục nhập thường cung cấp biến đổi Fourier thời gian ngắn của dạng sóng nhiễu thành mạng hồi quy hoặc mạng chập để dự đoán mặt nạ tần số thời gian. Nhân mặt nạ với phổ nhiễu sẽ làm giảm các thùng bị nhiễu chiếm ưu thế trong khi vẫn bảo toàn các thùng chiếm ưu thế bằng giọng nói, sau đó STFT nghịch đảo sẽ xây dựng lại dạng sóng. Các quy tắc thời gian thực giới hạn độ trễ thuật toán (khoảng 40 mili giây) và yêu cầu xử lý nhân quả, do đó, các mô hình không thể xem âm thanh trong tương lai khi làm sạch khung hình hiện tại.

Làm chủ thử thách ức chế tiếng ồn sâu

Thử thách Giảm tiếng ồn sâu (DNS) là một cuộc thi do Microsoft tổ chức nhằm thúc đẩy các nhà nghiên cứu xây dựng mạng lưới thần kinh giúp loại bỏ tiếng ồn xung quanh khỏi lời nói trong thời gian thực. Nó đặt ra các tiêu chuẩn hiện đại hỗ trợ các tính năng như Teams và loại bỏ tiếng ồn trong Zoom. Thử thách ngăn chặn tiếng ồn sâu nằm trong quy trình làm việc về âm thanh-AI giúp biến đổi lời nói, âm nhạc và âm thanh để giao tiếp, khả năng tiếp cận và sản xuất phương tiện truyền thông. Để xây dựng sự hiểu biết sâu sắc, hãy coi Thử thách giảm tiếng ồn sâu như một mô hình hoạt động chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.

Trong thực tế, các nhóm mạnh sử dụng Thử thách giảm tiếng ồn sâu coi chất lượng, độ trễ và sự đồng ý là những phần quan trọng không kém trong chiến lược triển khai. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.

Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói. Đồng thời, nguy cơ lạm dụng giọng nói và mạo danh sẽ tăng lên khi không có sự đồng ý. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.

Tác động chiến lược

Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.

Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.

Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.

Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.

Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.

Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.

Thử thách giảm tiếng ồn sâu trong tương lai

Mong đợi khuôn khổ này sẽ mở rộng theo hướng ngăn chặn được cá nhân hóa và đa phương thức, trong đó chuyển động của môi hoặc giọng nói của người nói sẽ hướng dẫn những gì cần giữ. Các mẫu máy đang ngày càng thu nhỏ để chạy trên thiết bị dành cho tai nghe nhét tai và máy trợ thính, đồng thời khả năng xử lý toàn dải 48 kHz đang trở thành tiêu chuẩn để âm nhạc và tần số cao tồn tại. Các phương pháp tiếp cận mang tính sáng tạo nhằm tổng hợp lại lời nói trong sáng, thay vì chỉ che đậy tiếng ồn, là một lĩnh vực đang hoạt động và đôi khi gây tranh cãi.

Triển khai trong thế giới thực

Loại bỏ tiếng ồn trong nền theo thời gian thực trong Microsoft Nhóm và các ứng dụng gọi điện video khác

Ghi lại giọng nói rõ ràng hơn trong tai nghe nhét tai và tai nghe khi đi làm hoặc các quán cà phê đông đúc

Xử lý trước các bản ghi trường có tiếng ồn trước khi chép lời hoặc chú thích tự động

Cải thiện khả năng hiểu của máy trợ thính và thiết bị trợ thính

Các mẫu triển khai

Thử thách khử tiếng ồn sâu trong thực tế

Loại bỏ tiếng ồn trong nền theo thời gian thực trong Microsoft Nhóm và các ứng dụng gọi điện video khác.

Loại bỏ tiếng ồn nền theo thời gian thực trong Microsoft Nhóm và các ứng dụng gọi điện video khác Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.

Thử thách khử tiếng ồn sâu trong thực tế

Ghi lại giọng nói rõ ràng hơn trong tai nghe nhét tai và tai nghe khi đi làm hoặc các quán cà phê đông đúc.

Ghi lại giọng nói rõ ràng hơn trong tai nghe nhét trong và tai nghe khi đi làm hoặc trong quán cà phê đông đúc. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước các ngưỡng chất lượng, duy trì lộ trình báo cáo của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.

Thử thách khử tiếng ồn sâu trong thực tế

Xử lý trước các bản ghi trường có tiếng ồn trước khi chép lời hoặc chú thích tự động.

Xử lý trước các bản ghi trường có tiếng ồn trước khi chép lời hoặc tạo phụ đề tự động. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình báo cáo của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.

Thử thách khử tiếng ồn sâu trong thực tế

Cải thiện khả năng hiểu của máy trợ thính và thiết bị trợ thính.

Cải thiện độ hiểu trong máy trợ thính và thiết bị trợ thính Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình báo cáo của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.

Rủi ro & lan can

!

Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.

!

Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.

!

Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.

Lộ trình thực hiện

1

Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.

Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.

2

Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.

Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.

3

Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.

Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.

4

Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.

Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.

Tiếp tục khám phá