Compteur de bruit - Introduction à la suppression du bruit
Après avoir compris les différences fondamentales entre la suppression du bruit (suppression du bruit ambiant du haut-parleur pour que les auditeurs distants puissent entendre clairement) et la réduction active du bruit (compensation du bruit ambiant de l'auditeur), concentrons-nous sur la façon de réaliser la suppression du bruit.
Une méthode consiste à utiliser plusieurs microphones pour supprimer les données. La collecte de données à partir de plusieurs emplacements permettra aux appareils de recevoir des signaux similaires (mais toujours différenciés). Le signal vocal reçu par le microphone à proximité de la population parlante est nettement plus fort que celui du microphone secondaire. Deux microphones recevront un son de fond non vocal avec une force de signal similaire. Soustrayez les informations sonores collectées par le microphone vocal puissant et le microphone secondaire, et la majorité restante est constituée d'informations vocales. Plus la distance entre les microphones est grande, plus la différence de signal entre les microphones proches et éloignés est grande, ce qui facilite l'utilisation de cet algorithme simple pour supprimer le bruit. Cependant, lorsque vous ne parlez pas ou lorsque vous vous attendez à ce que les données vocales changent au fil du temps (par exemple lorsque vous marchez ou courez et que votre téléphone continue de trembler), l'efficacité de cette méthode diminue. La suppression du bruit multi-microphones est certes fiable, mais le matériel et le traitement supplémentaires présentent des inconvénients.
Et s’il n’y avait qu’un seul microphone ? Si des sources sonores supplémentaires ne sont pas utilisées pour la vérification/comparaison, une solution à microphone unique reposera sur la compréhension des caractéristiques du bruit reçu et sur leur filtrage. Ceci est lié aux définitions mentionnées précédemment du bruit en régime permanent et non stationnaire. Le bruit en régime permanent peut être filtré efficacement grâce aux algorithmes DSP, tandis que le bruit non stationnaire pose un défi et les réseaux neuronaux profonds (DNN) peuvent aider à résoudre le problème.
Cette méthode nécessite un ensemble de données pour entraîner le réseau. Cet ensemble de données se compose de différents bruits (à l'état stable et non stationnaire) et d'une parole claire, créant un modèle de parole bruyant synthétisé. Introduisez l’ensemble de données en entrée dans DNN et extrayez-le avec une voix claire. Cela créera un modèle de réseau neuronal qui éliminera le bruit et ne produira que des paroles claires.
Même avec des DNN formés, il reste encore certains défis et indicateurs à prendre en compte. Si vous souhaitez exécuter en temps réel avec une faible latence, vous avez besoin d'une puissance de traitement élevée ou d'un DNN plus petit. Plus il y a de paramètres dans DNN, plus sa vitesse d'exécution est lente. Le taux d'échantillonnage audio a un effet similaire sur la suppression du son. Un taux d'échantillonnage plus élevé signifie que DNN doit gérer plus de paramètres, mais en retour, il obtiendra une sortie de meilleure qualité. La communication vocale à bande étroite constitue un choix idéal pour la suppression du bruit en temps réel.
