噪音抑制与主动降噪：有何不同之处？

    了解噪音抑制（抑制说话人环境噪音以便远端听话人听清）与主动降噪（抵消听话人自身的环境噪音）的基本区别后，让我们重点关注如何实现噪音抑制。

    一种方法是使用多个麦克风抑制数据。从多个位置收集数据，设备会获得相似（但仍有区别）的信号。靠近说话人口部的麦克风接收到的语音信号明显比次要麦克风强。两个麦克风会接收到相近信号强度的非语音背景音。将较强语音麦克风和次要麦克风收集到的声音信息相减，剩下的大部分就是语音信息。麦克风之间的距离越大，较近和较远的麦克风之间的信号差就越大，也就越容易使用这种简单算法抑制噪音。但是，当你不说话时，或预期语音数据随时间变化时（例如当你走路或跑步，手机不断摇晃时），此方法的效果会下降。多麦克风噪音抑制当然是可靠的，但额外的硬件和处理存在缺点。 

    那么，如果只有一个麦克风，又会怎么样呢？如果不使用额外声源进行验证/比较，单麦克风解决方案将依赖于理解接收到的噪音特性并将其滤除。这又与此前提到的稳态和非稳态噪声定义有关。稳态噪声可以通过 DSP 算法有效滤除，非稳态噪声带来了一个挑战，但深度神经网络 (DNN) 可以帮助解决问题。

    此方法需要一个用于训练网络的数据集。该数据集由不同的（稳态和非稳态）噪声以及清晰的语音组成，创造出合成的嘈杂语音模式。将该数据集作为输入馈送给 DNN，并以清晰的语音作为输出。这将创建一个神经网络模型，它会消除噪音，仅输出清晰的语音。

    即使使用经训练的 DNN，仍有一些挑战和指标需要考虑。如果要以低延迟实时运行，就需要很强的处理能力或较小的 DNN。DNN 中的参数越多，其运行速度越慢。音频采样率对声音抑制有类似的影响。较高的采样率意味着 DNN 需要处理更多参数，但连带地会获得更优质的输出。为实现实时噪音抑制，窄带语音通信是理想之选。

    这种处理全部都是密集型任务，云计算非常擅长完成这类任务，但这种方法会显著增加延迟。考虑到人类可以可靠地分辨大约 108 毫秒以上的延迟，云计算处理带来的延额外迟显然不是理想的结果。但是，在边缘运行 DNN 需要进行一些巧妙的调整。CEVA 始终致力于完善我们的声音和语音处理能力。这包括经过实际验证的语音清晰度和命令识别算法 - 通过这些算法，即使在边缘也能提供明确的通信和语音控制。欢迎联系我们，亲自聆听。