വായിക്കാൻ 3 മിനിറ്റ്

കോളിലെ ബഹളം എഐ കുറയ്ക്കുന്നത് എങ്ങനെ?

പ്രസിദ്ധീകരിച്ചത്

30 സെക്കൻഡിൽ സാരം

ന്യൂറൽ ശബ്ദനിയന്ത്രണം എന്നത് പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിച്ച് സംസാരമുള്ള ശബ്ദരേഖയിലെ അനാവശ്യ ഒച്ച കുറയ്ക്കാനും സംസാരം കൂടുതൽ വ്യക്തമാക്കാനും ശ്രമിക്കുന്ന പ്രക്രിയയാണ്.

കോളിൽ സംസാരിക്കുമ്പോൾ സമീപത്ത് ഫാൻ കറങ്ങുന്നു; മറുവശത്തുള്ള ആൾക്ക് ആ ഇരമ്പൽ കുറച്ച് കേൾക്കുന്നു എന്ന് കരുതുക. ഫാൻ നിർത്തിയിട്ടില്ല, മുറിയിലെ ബഹളവും ഇല്ലാതായിട്ടില്ല. കോളിലേക്ക് അയയ്ക്കുന്ന ശബ്ദത്തിലാണ് മാറ്റം വരുന്നത്. അതുകൊണ്ടാണ് നിങ്ങളുടെ ചെവിക്ക് കേൾക്കുന്ന ശബ്ദവും കൂട്ടുകാരൻ കേൾക്കുന്ന ശബ്ദവും വ്യത്യസ്തമാകുന്നത്.

മൈക്രോഫോണിൽ എത്തുന്നത് ഒറ്റ മിശ്രിതം

മൈക്രോഫോൺ ആദ്യം നിങ്ങളുടെ സംസാരവും ഫാനും സമീപത്തെ മറ്റ് ശബ്ദങ്ങളും ചേർന്ന ഒരു രേഖയാണ് പിടിക്കുന്നത്. ഓരോന്നും വേറെ ഫയലായി ലഭിക്കുന്നില്ല. മോഡൽ ആ മിശ്രിതത്തിന്റെ ചെറിയ ഭാഗങ്ങൾ പരിശോധിച്ച് സംസാരത്തിന്റെ രൂപവുമായി പൊരുത്തപ്പെടുന്ന ഘടകങ്ങളും ബഹളമാകാൻ സാധ്യതയുള്ള ഘടകങ്ങളും കണക്കാക്കുന്നു. അത് തീരുമാനിച്ച അളവിൽ ശബ്ദത്തിന്റെ ചില ഭാഗങ്ങൾ കുറയ്ക്കുമ്പോഴാണ് പുറത്തുവരുന്ന രേഖയിൽ ബഹളം കുറഞ്ഞതായി തോന്നുന്നത്.

ആർഎൻനോയ്സ് എന്ന ഗവേഷണരീതിയിൽ, താഴ്ന്നതും ഉയർന്നതുമായ ശബ്ദഘടകങ്ങളെ കൂട്ടങ്ങളാക്കി ഓരോ കൂട്ടത്തിന്റെയും അളവ് എത്ര കുറയ്ക്കണമെന്ന് മോഡൽ നിർദ്ദേശിക്കുന്നു. സാധാരണ ശബ്ദസംസ്കരണവും പഠിച്ച മോഡലും ചേർന്നാണ് പ്രവർത്തനം. എല്ലാ ഉൽപ്പന്നങ്ങളും ഇതേ രീതി പിന്തുടരണമെന്നില്ല. പക്ഷേ ഒച്ചയുള്ള മിശ്രിതം ലഭിക്കുക, കുറയ്ക്കേണ്ട അളവ് കണക്കാക്കുക, മാറ്റിയ ശബ്ദം നൽകുക എന്ന ബന്ധം മനസ്സിലാക്കാൻ ഇത് സഹായിക്കുന്നു.

എന്താണ് പരിശീലനത്തിൽ പഠിക്കുന്നത്?

ഈ രീതിക്കുള്ള പരിശീലനത്തിൽ വ്യക്തമായ സംസാരത്തിന്റെ രേഖയും വേറിട്ട ബഹളത്തിന്റെ രേഖയും കൂട്ടിച്ചേർക്കാം. മോഡലിന് മിശ്രിതവും നിലനിർത്തേണ്ട സംസാരവും താരതമ്യം ചെയ്യാൻ ലഭിക്കുന്നു. ആ ഉദാഹരണങ്ങളിൽ നിന്ന് ബഹളം കുറയ്ക്കാനുള്ള കണക്കുകൾ ക്രമേണ ക്രമീകരിക്കുന്നു. ഉപയോഗിക്കുമ്പോൾ പുതിയ ശബ്ദത്തിൽ അതേ ബന്ധങ്ങൾ പ്രയോഗിക്കുന്നു; അത് ഓരോ വാക്കും മനസ്സിലാക്കി തിരിച്ചെടുക്കുന്ന മനുഷ്യശ്രവണത്തിന്റെ പകർപ്പല്ല.

പുതിയ മൈക്രോഫോൺ, വ്യത്യസ്തമായ ശബ്ദസാഹചര്യം, പരിശീലനത്തിൽ കുറവായി വന്ന ഒച്ച എന്നിവയിൽ ഫലം മാറാം. ആർഎൻനോയ്സിന്റെ രചയിതാവ് പരിശീലനത്തിൽ പല തരത്തിലുള്ള ബഹളവും റെക്കോർഡിങ് സാഹചര്യവും ഉൾപ്പെടുത്തേണ്ടതിന്റെ പ്രാധാന്യം വിശദീകരിക്കുന്നു. അതിനാൽ ഒരു പ്രദർശനത്തിൽ ഫാനിന്റെ ശബ്ദം കുറഞ്ഞത് കാണുന്നത് എല്ലാ സാഹചര്യത്തിലും അതേ ഗുണനിലവാരം ലഭിക്കുമെന്ന തെളിവല്ല.

ബഹളം കുറയ്ക്കുമ്പോൾ സംസാരവും നഷ്ടപ്പെടാം

സംസാരത്തിനും പശ്ചാത്തല ഒച്ചയ്ക്കും ചില ശബ്ദഘടകങ്ങൾ ഒരേ മേഖലയിലുണ്ടാകും. ഒരു ഭാഗം കൂടുതൽ കുറച്ചാൽ അതിൽ ഉണ്ടായിരുന്ന സംസാരത്തിന്റെ സൂക്ഷ്മഭാഗവും കുറയാം. വാക്കുകളുടെ തുടക്കമോ അവസാനമോ മങ്ങാം; ശബ്ദം സ്വാഭാവികമല്ലെന്ന് തോന്നാം. ബഹളം തീരെ കേൾക്കാതിരിക്കുക മാത്രം മികച്ച ഫലത്തിന്റെ അളവല്ല. വാക്കുകൾ വ്യക്തമായി നിലനിൽക്കുന്നുണ്ടോ എന്നതാണ് പ്രധാന ചോദ്യം.

സംസാരം ലക്ഷ്യമിട്ട നിയന്ത്രണം സംഗീതത്തെ അനാവശ്യ ഒച്ചയായി കണ്ട് കുറച്ചേക്കാം. ഗിത്താർ പഠിപ്പിക്കുമ്പോഴോ പാട്ട് കേൾപ്പിക്കുമ്പോഴോ ഇത് പ്രശ്നമാണ്. സൂമിന്റെ രേഖകളിൽ സംഗീതത്തിനുള്ള ഒറിജിനൽ സൗണ്ട് പോലുള്ള പ്രത്യേക ക്രമീകരണങ്ങൾ വിശദീകരിക്കുന്നു. ഇത് സൂമിന്റെ സൗകര്യമാണ്; എല്ലാ ആപ്പിലും അതേ പേരോ അതേ പ്രവർത്തനമോ ഉണ്ടാകണമെന്നില്ല. ഉപയോഗിക്കുന്ന സേവനത്തിൽ സംഗീതത്തിന് യോജിച്ച രീതി ഉണ്ടോ പരിശോധിക്കുക.

ക്രമീകരണം കേട്ടു താരതമ്യം ചെയ്യുക

ഒരു ചെറിയ പരീക്ഷണത്തിൽ അതേ വാചകം നിയന്ത്രണം പ്രവർത്തിപ്പിച്ചും ഇല്ലാതെയും പറയുക. ഇരമ്പൽ കുറയുമ്പോൾ വാക്കുകൾ മുറിയുന്നുണ്ടോ എന്ന് കേൾക്കുക. “കുറഞ്ഞ ഒച്ച”യും “നല്ല സംസാരം”യും ഒരുപോലെ പരിശോധിക്കുക. ആപ്പിൽ നിയന്ത്രണത്തിന്റെ ശക്തി മാറ്റാൻ കഴിയുമെങ്കിൽ കുറവായ ക്രമീകരണവും പരീക്ഷിക്കാം. ലഭ്യമല്ലാത്ത ക്രമീകരണം തേടേണ്ടതില്ല; ശാന്തമായിടത്തേക്ക് മാറുന്നതും മൈക്രോഫോൺ ശരിയായി ഉപയോഗിക്കുന്നതും സഹായിക്കാം.

മറ്റൊരാൾ കേൾക്കുന്ന ഫലം ലഭ്യമെങ്കിൽ അതാണ് പരിശോധിക്കേണ്ടത്; സ്വയം റെക്കോർഡ് ചെയ്ത ശബ്ദവും കോളിലേക്ക് അയയ്ക്കുന്ന ശബ്ദവും ഒരേ സംസ്‌കരണം ലഭിക്കണമെന്നില്ല. പ്രധാന യോഗത്തിനോ സംഗീതപാഠത്തിനോ മുമ്പ് മറുവശത്തുള്ള ആളോട് വാക്കുകളും സംഗീതവും വ്യക്തമായി കേൾക്കുന്നുണ്ടോ ചോദിക്കാം. യഥാർത്ഥ പരീക്ഷണം നടത്തിയിട്ടില്ലെങ്കിൽ ഒരു ക്രമീകരണം മികച്ചതാണെന്ന് അവകാശപ്പെടരുത്.

ശബ്ദം വ്യക്തമാക്കുന്നതും വാക്കുകൾ എഴുത്താക്കി മാറ്റുന്നതും വ്യത്യസ്ത ജോലികളാണ്. ഇവിടെ പുറത്തുവരുന്നത് മാറ്റിയ ശബ്ദം തന്നെയാണ്; വാക്കുകളുടെ പട്ടികയല്ല. ഒരു കോളിൽ ഇരമ്പൽ കുറഞ്ഞെങ്കിലും ചില അക്ഷരങ്ങൾ മങ്ങിയാൽ ആ ഫലം കേൾക്കാൻ സുഖകരവും മനസ്സിലാക്കാൻ ബുദ്ധിമുട്ടുള്ളതുമാകാം. അതിനാൽ ഒരു ഫിൽട്ടർ നല്ലതാണോ എന്ന് തീരുമാനിക്കുമ്പോൾ ശാന്തത മാത്രം കേൾക്കാതെ വാചകത്തിന്റെ അർത്ഥം കൃത്യമായി കേൾക്കുന്നുണ്ടോ ശ്രദ്ധിക്കുക.

സംസാരം മാത്രം ഉള്ള സമയത്തും ബഹളം മാത്രം ഉള്ള സമയത്തും കേട്ടുനോക്കുന്നത് വ്യത്യാസം മനസ്സിലാക്കാൻ സഹായിക്കും. ഒച്ചയില്ലാത്ത ഇടവേള മനോഹരമായി കേൾക്കുമ്പോഴും അടുത്ത വാക്കിന്റെ തുടക്കം നഷ്ടമായിരിക്കാം. സാധ്യമെങ്കിൽ മുൻകൂട്ടി ഒരു ചെറിയ പരീക്ഷണത്തിൽ ഈ രണ്ടും ശ്രദ്ധിക്കുക. ഇത് നിങ്ങളുടെ തെറ്റാണെന്നല്ല അർത്ഥം; ലഭിക്കുന്ന മിശ്രിതത്തിൽ എന്ത് നിലനിർത്തണമെന്ന് സംവിധാനം കണക്കാക്കുന്നതിന് പരിധിയുണ്ട്. എല്ലായിടത്തും ഒരേയൊരു ക്രമീകരണം മതിയാകണമെന്നില്ല.

സംസാരത്തിന്റെ ബഹളം കുറയ്ക്കുന്നത് ഹെഡ്ഫോണിലൂടെ മുറി ശാന്തമാക്കുന്നതുപോലെയല്ല. ഇവിടെ മാറുന്നത് അയയ്ക്കുന്ന ശബ്ദരേഖയാണ്. ആ വ്യത്യാസം ഓർത്താൽ, കൂടുതൽ ശക്തമായ നിയന്ത്രണം തിരഞ്ഞെടുക്കുന്നതിനു പകരം കേൾക്കുന്ന വ്യക്തിക്ക് ആവശ്യമായ ശബ്ദം നിലനിൽക്കുന്നതാണോ എന്ന് നോക്കി ക്രമീകരിക്കാം.

ഉറവിടങ്ങൾ
  1. A Hybrid DSP/Deep Learning Approach to Real-Time Full-Band Speech EnhancementJean-Marc Valin; IEEE Multimedia Signal Processing Workshop
  2. RNNoise: Learning Noise SuppressionJean-Marc Valin / Xiph.org
  3. Setting up professional audio for Zoom MeetingsZoom Support