در یک پیشرفت هیجان انگیز، پژوهشگران یک مدل یادگیری عمیق جدید را معرفی کردند که قدرت بالقوه‌ای برای بهبود چشمگیر کیفیت صدا در صحنه‌های واقعی دارد. با بهره‌گیری از قدرت درک انسانی، این مدل از روش‌های سنتی عبور کرده و با گنجاندن رتبه‌بندی موضوعی کیفیت صدا، نتایج بهتری را به دست می‌آورد.
روش‌های سنتی کاهش نویز پس‌زمینه از الگوریتم‌های هوش مصنوعی برای استخراج نویز از سیگنال مورد نظر استفاده کرده‌اند. با این حال، این روش‌های بیوشناختی همیشه با ارزیابی‌های شنوایی کنندگان در باره‌ی آنچه صحبت کردن را قابل فهم می‌سازد، همخوانی ندارند. در اینجا مدل جدید وارد عمل می‌شود. با استفاده از درک به عنوان ابزار آموزش، این مدل می‌تواند به طور مؤثری از صداهای ناخواسته جدا شده و کیفیت گفتار را بهبود بخشید.
این مطالعه که در مجله IEEE Xplore منتشر شده است، در پی بهبود کیفیت گفتار یک کانال صدایی مونواورال (که به معنای گفتاری است که از یک کانال صدایی تک به نظر می‌رسد) متمرکز شده است. پژوهشگران مدل را با استفاده از دو مجموعه داده آموزش دادند که شامل ضبط صحبت کردن افراد بود، بعضی از این ضبط‌ها نیز توسط نویزهای پس‌زمینه مخفی شده بودند. سپس گوش‌کنندگان کیفیت گفتار هر ضبط را در مقیاسی از ۱ تا ۱۰۰ ارزیابی کردند.
ویژگی جالب این مطالعه در تکیه وابسته به ماهیت موضوعی کیفیت صدا است. با ادغام ارزیابی‌های انسانی در صدا، مدل از اطلاعات اضافی برای بهترین حذف نویز بهره می‌برد. پژوهشگران از یک روش یادگیری مشترک استفاده کردند که یک ماژول زبانی ویژه برای بهبود گفتار را با یک مدل پیش‌بینی که میانگین نمره ارزیابی را که گوش کنندگان به یک سیگنال نویزی خواهند داد، ترکیب می‌کند.
نتایج بسیار قابل توجهی به دست آمد. روش جدید به طور متوسط از مدل‌های دیگر بهتر عمل می‌کرد، به عنوان یك روش‌های مورد توجه همچون کیفیت درک شنیداری، و درک و نمرات انسانی اندازه‌گیری می‌شود. این پیشرفت پیامدهای قابل توجهی برای بهبود کمک‌های شنوایی، برنامه‌های تشخیص گفتار، برنامه‌های تأیید کننده سخنران، و سیستم‌های ارتباط بدون دست برداشت دارد.
با این حال، هنگام استفاده از درک انسانی از کیفیت صدا، چالش‌هایی وجود دارد. ارزیابی صدای نویز بالا به شدت شخصی بوده و به دانش و تجربه قدرت شنوایی افراد وابسته است. عواملی مانند کمک‌های شنوایی یا پیوند کوکلئار همچنین می‌توانند تأثیری بر درک شخص از محیط صوتی اش داشته باشند. با وجود این چالش‌ها، پژوهشگران قصد دارند با گنجاندن ارزیابی‌های موضوعی انسانی، مدل خود را بهبود دهند تا بتوانند به سیستم‌های صوتی پیچیده‌تر و انتظارات کاربران انسانی پاسخ دهند.
به آینده نگاه می‌کنیم، پژوهشگران تصور می‌کنند که مشابه دستگاه‌های واقعیت افزوده برای تصاویر، فناوری‌ها برای تقویت صوت در زمان واقعی نیز وجود خواهند داشت تا تجربه کلی گوش دادن را بهبود بخشند. با ادامه ترکیب درک انسانی در فرآیند هوش مصنوعی یادگیری ماشین، این حوزه می‌تواند بیشتر پیشرفت کرده و راه را برای نوآوری‌های برجسته در بهبود صدا باز کند.
پرسش‌های متداول (FAQ)
۱٫ چه نوآوری در بهبود کیفیت صدا در مقاله بیان شده است؟
پژوهشگران یک مدل یادگیری عمیق جدید را توسعه داده‌اند که با گنجاندن رتبه‌بندی موضوعی کیفیت صدا، به طور مؤثری از صداهای ناخواسته جدا می‌شود و کیفیت گفتار را بهبود می‌بخشد.
۲٫ روش‌های سنتی کاهش نویز پس‌زمینه چگونه کار می‌کنند؟
روش‌های سنتی برای استخراج نویز از سیگنال مورد نظر از الگوریتم‌های هوش مصنوعی استفاده می‌کنند، اما همیشه با ارزیابی‌های شنوایی کنندگان درباره آنچه گفتار را قابل فهم می‌کند همخوانی ندارند.
۳٫ روش بهبود گفتار مطالعه بر چه نوع ویژگی‌های گفتار تمرکز دارد؟
مطالعه بر بهبود گفتار مونوال (که به معنای گفتاری است که از یک کانال صوتی تک می‌آید) تمرکز دارد.
۴٫ چه مجموعه داده‌هایی برای آموزش مدل استفاده شده است؟
پژوهشگران مدل را با استفاده از دو مجموعه داده آموزش داده‌اند که شامل ضبط صحبت کردن افراد بود، بعضی از این ضبط‌ها توسط نویزهای پس‌زمینه مخفی شده بودند.
۵٫ چگونه ارزیابی‌های انسانی صدا در مدل استفاده شده است؟
پژوهشگران از یک روش یادگیری مشترک استفاده کردند که یک ماژول زبانی ویژه برای بهبود گفتار را با یک مدل پیش‌بینی که میانگین نمره ارزیابی را که گوش کنندگان به یک سیگنال نویزی خواهند داد، ترکیب می‌کند.
۶٫ چگونه روش جدید از سایر مدل‌ها متمایز است؟
روش جدید به طور مداوم از سایر مدل‌ها به عنوان شاخص‌های هدفی مانند کیفیت درک شنیداری، شفافیت و امتیازات انسانی بهتر عمل می‌کند.
۷٫ پیامدهای این نوآوری چیست؟
این پیشرفت پیامدهای قابل توجهی برای بهبود کمک‌های شنوایی، برنامه
The source of the article is from the blog cheap-sound.com