Phép trừ quang phổ và lọc Wiener
Phép trừ quang phổ và lọc Wiener là những công cụ giảm nhiễu cổ điển trước khi học sâu.
Tổng quan
They clean audio by estimating the noise spectrum and mathematically subtracting or attenuating it, and they still underpin many modern systems.
Lặn sâu
Cả hai phương pháp đều hoạt động trong miền tần số sau khi biến đổi Fourier thời gian ngắn. Phép trừ phổ ước tính công suất nhiễu trung bình, thường là trong các khoảng im lặng và trừ nó khỏi phổ cường độ của mỗi khung hình; bất cứ điều gì còn lại được coi là lời nói. Nó đơn giản và rẻ tiền nhưng có xu hướng tạo ra 'nhiễu âm nhạc', những âm thanh ngẫu nhiên thoáng qua gây ra bởi sự trừ đi không hoàn hảo để lại các đỉnh quang phổ bị cô lập. Lọc Wiener mang tính nguyên tắc hơn: nó lấy được mức tăng tối ưu về mặt thống kê cho từng ngăn tần số để giảm thiểu sai số bình phương trung bình, cân nhắc các ngăn theo tỷ lệ tín hiệu trên nhiễu ước tính của chúng. Thùng bị thống trị bởi lời nói đi qua; thùng bị ảnh hưởng bởi tiếng ồn bị suy giảm nặng nề. Cả hai đều cho rằng tiếng ồn tương đối đứng yên, điều này hạn chế chúng chống lại những âm thanh thay đổi đột ngột.
Hiểu biết kỹ thuật
Mức tăng Wiener trong một thùng là khoảng SNR / (SNR + 1), do đó, các thùng có SNR cao sẽ giữ phần lớn năng lượng của chúng trong khi các thùng có SNR thấp bị triệt tiêu. Thay vào đó, phép trừ quang phổ sẽ tính cường độ trừ đi cường độ nhiễu ước tính, sau đó đặt giá trị âm xuống mức 0. Cả hai đều sử dụng lại pha nhiễu ban đầu khi tái tạo dạng sóng, vì thính giác của con người tương đối không nhạy cảm với các lỗi pha trong khung ngắn.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của phép trừ phổ và lọc Wiener
Những phương pháp này không hề biến mất; chúng đang được hấp thụ. Mạng sâu hiện tìm hiểu các mặt nạ mà bộ lọc Wiener có được bằng phương pháp phân tích và ý tưởng khuếch đại dựa trên SNR đã trực tiếp truyền cảm hứng cho mặt nạ tần số thời gian được sử dụng trong việc tăng cường giọng nói thần kinh. Mong đợi việc tiếp tục sử dụng làm giao diện người dùng nhẹ trên phần cứng hạn chế, làm tiền tố giúp ổn định các mô hình đã học và làm đường cơ sở có thể hiểu được mà các nhà nghiên cứu đánh giá các hệ thống mới dựa trên.
Triển khai trong thế giới thực
Cài đặt trước giảm tiếng ồn trong trình chỉnh sửa âm thanh như Audacity (loại bỏ nhiễu quang phổ)
Dọn dẹp giọng nói trong hệ thống điện thoại và VoIP cũ hơn
Khử nhiễu giao diện người dùng trước khi nhận dạng giọng nói trên chip nhúng công suất thấp
Tăng cường khả năng hiểu trong các hệ thống trợ thính và đọc chính tả sớm
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
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Khuếch tán phổ khuếch tán
Câu hỏi thường gặp
What is Spectral Subtraction and Wiener Filtering?
Phép trừ quang phổ và lọc Wiener là những công cụ giảm nhiễu cổ điển trước khi học sâu. Chúng làm sạch âm thanh bằng cách ước tính phổ nhiễu và trừ hoặc giảm nó về mặt toán học và chúng vẫn là nền tảng cho nhiều hệ thống hiện đại.
Hiện tượng khó chịu nào thường liên quan đến phép trừ quang phổ?
Phép trừ không hoàn hảo để lại các đỉnh quang phổ biệt lập phát ra âm thanh giống như các âm dao động ngẫu nhiên, được gọi là tiếng ồn âm nhạc.
Phép trừ phổ và lọc Wiener hoạt động chủ yếu trong miền nào?
Cả hai đều chuyển đổi âm thanh sang miền tần số thông qua biến đổi Fourier thời gian ngắn trước khi xử lý.
Bộ lọc Wiener cố gắng giảm thiểu điều gì?
Bộ lọc Wiener tính toán mức tăng giúp giảm thiểu sai số bình phương trung bình, đưa ra ước tính tối ưu về mặt thống kê.
Phép trừ quang phổ thường ước tính phổ nhiễu như thế nào?
Nó đo công suất tiếng ồn trung bình trong các khoảng dừng hoặc khoảng trống không có giọng nói, sau đó trừ đi ước tính đó từ mỗi khung hình.
Độ lợi Wiener trong thùng có thể được tính gần đúng bằng biểu thức nào?
Mức tăng là khoảng SNR/(SNR+1), do đó, các thùng có SNR cao hầu hết được giữ lại và các thùng có SNR thấp bị suy giảm.