تقليل الضوضاء بالذكاء الاصطناعي: كيف يحافظ على الكلام في المكالمة؟

في مكالمة فيديو، ينخفض صوت المروحة لكن الطرف الآخر يقول إن نهاية بعض كلماتكم اختفت. هذا الفرق يوضح حدًا مهمًا: تقليل الضوضاء ليس حذفًا مضمونًا للأصوات غير المرغوبة فقط. إنه تقدير لما ينبغي إبقاؤه داخل صوت اختلط بالفعل.

الميكروفون يستقبل خليطًا واحدًا

يصل الكلام وصوت المروحة إلى الميكروفون في اللحظة نفسها. لا يحصل البرنامج على ملف مستقل للكلام وآخر للمروحة كي يختار أحدهما بسهولة. إذا كتم الصوت فقط أثناء صمتكم، ستبقى المروحة مسموعة عندما تتحدثون. لذلك تحاول معالجة الصوت أيضًا تقليل الضوضاء الموجودة خلال الكلام، لا بين الجمل وحدها.

تدرس بعض الطرق مقاطع قصيرة من الإشارة، وتفصل تحليلها إلى نطاقات من الصوت المنخفض والمرتفع. يقدر نموذج مدرب مقدار ما يحتفظ به من كل نطاق. تُخفّض الأجزاء التي يرجح أنها ضوضاء، ثم تعاد الأجزاء إلى صوت يمكن سماعه. لكن الكلام والضوضاء قد يتداخلان في النطاق نفسه، فلا يكون الفصل دقيقًا دائمًا.

أثناء إعداد هذه النماذج، يمكن استخدام أمثلة من كلام أضيفت إليه ضوضاء، ومقارنة الناتج بالكلام الأصلي. تساعد المقارنة على تعلم تعديل الصوت بدل حفظ قائمة بأسماء الأصوات فقط. يصف بحث RNNoise طريقة تجمع تقدير النموذج مع معالجة صوت تقليدية. ويقدم DeepFilterNet خطوات مختلفة؛ لا تعمل كل التطبيقات بالطريقة نفسها.

الهدوء ليس المعيار الوحيد

عند زيادة قوة الخفض، قد يتغير جزء من الكلام المطلوب أو يختفي. إذا ضعفت المقاطع أو انقطعت الكلمات، فقد تصبح المحادثة أصعب رغم أن الخلفية أهدأ. يعتمد الناتج على الإشارة الداخلة والطريقة المستخدمة. لذلك لا ينبغي اعتبار وجود الذكاء الاصطناعي وعدًا بإبقاء الصوت كاملًا وإزالة كل ما عداه.

يتغير معنى الصوت غير المرغوب بحسب المهمة. قد ترغبون في اجتماع في تخفيف صوت لوحة المفاتيح، بينما تريدون في درس موسيقى أن يسمع الطرف الآخر الآلة. إعداد يفضل الكلام قد يخفض العزف، مع أنه الجزء المهم في تلك المكالمة. ينبغي تحديد ما تريدون إيصاله قبل اختيار أقوى إعداد.

تشرح Apple وضع Voice Isolation الذي يعطي الأولوية للصوت البشري، ووضع Wide Spectrum الذي يشمل الأصوات المحيطة. يختلف توفرهما بحسب الجهاز والتطبيق. هذا مثال عملي على اختيار معالجة تناسب الهدف، وليس إثباتًا أن كل خدمة تستخدم النموذج نفسه أو أن أعلى خفض للضوضاء أفضل دائمًا.

لنفترض درسًا افتراضيًا للغيتار يصل فيه الكلام واضحًا لكن النغمات ضعيفة. رفع الصوت ليس السؤال الوحيد؛ تحققوا من إعداد يعطي الأولوية للكلام وقارنوه بخيار يحافظ على الأصوات المحيطة. وفي حوار جماعي قد تريدون أصوات أشخاص آخرين في الغرفة أيضًا. تحديد هذه الأصوات قبل المقارنة يساعدكم على تقييم النتيجة المناسبة للمهمة.

مقارنة بسيطة قبل الاستخدام

جربوا تسجيلًا قصيرًا أو مكالمة اختبار مع تشغيل المعالجة وإيقافها. استمعوا إلى الكلمات ونهاياتها، وإلى الأصوات التي تريدون نقلها، لا إلى لحظات الصمت فقط. هذا اقتراح للمقارنة وليس تقريرًا عن اختبار منتج محدد. اسألوا المستمع في الطرف الآخر عما يصله، فقد لا تسمعون أنتم النسخة نفسها.

إذا انقطع الكلام، خففوا قوة المعالجة إن كان الخيار موجودًا. ويمكن الانتقال إلى مكان أهدأ عندما يكون ذلك ممكنًا لتحسين الصوت قبل دخوله الميكروفون. معالجة التطبيق تغير ما يرسل إلى الطرف الآخر؛ لا تجعل الغرفة نفسها هادئة. وهي ليست دليلًا على أن الآخرين الموجودين في المكان لا يستطيعون سماع كلامكم.

إذا كانت التسجيلات مهمة لتوثيق ما حدث، احتفظوا بالنسخة الأصلية حين يكون ذلك ممكنًا. غياب صوت من النسخة المعالجة لا يثبت أنه لم يكن موجودًا في المكان. تحسين قابلية الاستماع يختلف عن حفظ تفاصيل المشهد الصوتي كما وصلت إلى الميكروفون.

التقييم الجيد يسأل عن أمرين: هل انخفض الصوت المزعج، وهل بقي الكلام أو الصوت المهم مفهومًا؟ قد تكون معالجة أخف أنسب لغرضكم من نتيجة أكثر هدوءًا تخفي ما تريدون سماعه. اختاروا بناءً على محتوى التسجيل أو المكالمة، لا على اسم التقنية وحده.