حذف نویز چگونه کار می‌کند: اثر انگشت نویز، هوش مصنوعی و بازآفرینی صدا

هر ضبط، ترکیبی هم‌زمان از فرکانس‌های بسیار است

هر صدایی ترکیبی از فرکانس‌هاست. وزوز یک نوای بم است، خش‌خش طیف گسترده‌ای از نواهای زیر است و صدای انسان مجموعه‌ای از نواهاست که با هر هجا تغییر می‌کند. اگر ضبطی را طوری رسم کنید که زمان از چپ به راست پیش برود و صدا از پایین به بالا زیرتر شود، گفتار به شکل نوارهای روشن دیده می‌شود و نویز ثابت مانند مه‌ای پشت آن‌ها قرار می‌گیرد.

1. اثر انگشت نویز: شناختن نویز و سپس حذف آن از کل ضبط

روش کلاسیک فقط یک چیز از شما می‌خواهد: چند ثانیه بدون گفتار که در آن فقط نویز شنیده شود. در Denoise این روش همان موتور Classical است که از شما می‌خواهد چنین بازه‌ای را علامت بزنید و چند بازه هم پیشنهاد می‌دهد. این موتور اندازه می‌گیرد که نویز در هر باند فرکانسیِ آن بازه چقدر بلند است (همان اثر انگشت نویز) و سپس همان باندها را در کل ضبط به همان اندازه کم می‌کند. Noise reduction level تعیین می‌کند این کاهش تا چه حد باشد.

این روش روی نویزی که هیچ‌وقت تغییر نمی‌کند بهترین نتیجه را می‌دهد: فن، کولر، وزوز برق، خش‌خش نوار. اما با نویزی که می‌آید و می‌رود، مثل ترافیک، باد یا صحبت آدم‌ها، به مشکل می‌خورد، چون یک اثر انگشت نمی‌تواند همه‌ی آن را توصیف کند. و چون همان باندها را در همه‌جای ضبط کم می‌کند، زیاده‌روی در آن صدایی «آبکی» و لرزان باقی می‌گذارد و هر جا صدا و نویز فرکانس‌های مشترکی دارند، صدا را نازک می‌کند.

2. سرکوب نویز با هوش مصنوعی: همان ایده، این بار خودکار

نویزگیرهای هوش مصنوعی همین کار را بدون اینکه نمونه‌ای از شما بخواهند انجام می‌دهند. آن‌ها با هزاران ساعت گفتار تمیز که با همه نوع نویزی ترکیب شده آموزش دیده‌اند، بنابراین یاد گرفته‌اند صدای انسان در آن تصویر چه شکلی دارد و نویز چه شکلی. هر چند میلی‌ثانیه یک بار، باند به باند تخمین می‌زنند چه مقدار از صدا به گوینده تعلق دارد، همان را نگه می‌دارند و بقیه را کم می‌کنند. چون در هر لحظه دوباره تصمیم می‌گیرند، نویزی را که تغییر می‌کند دنبال می‌کنند: ماشینی که رد می‌شود، وزش ناگهانی باد، صدای یک در.

این همان کاری است که AI · Auto به‌طور پیش‌فرض در Denoise انجام می‌دهد، و مدل‌های DPDFNet و DeepFilterNet هم جداگانه و به‌ترتیب با نام‌های AI · DPDFNet و AI · Fast Denoise ارائه می‌شوند؛ اما AI · aTENNuate به‌جای باندهای فرکانسی، روی خود موج صوتی کار می‌کند. همه‌ی آن‌ها فقط با صدایی که ضبط شده کار می‌کنند، بنابراین نمی‌توانند کلماتی اضافه کنند که کسی نگفته است. Denoise strength تعیین می‌کند چه مقدار نویز حذف شود، و باقی گذاشتن کمی از آن اغلب طبیعی‌تر به گوش می‌رسد.

3. بازیابی: بازسازی آنچه ضبط از دست داده است

بعضی ضبط‌ها بخشی از صدا را از دست داده‌اند، نه اینکه فقط نویز به آن‌ها اضافه شده باشد. تماس تلفنی، یک دستگاه ضبط صدای قدیمی یا فشرده‌سازی شدید می‌تواند فرکانس‌های بالاتر را حذف کند، طوری که صدا حتی در یک اتاق ساکت هم خفه به گوش برسد. Restore speech quality آن بخش بالاییِ از دست‌رفته را از روی آنچه باقی مانده بازسازی می‌کند. این قابلیت به صدا چیزی اضافه می‌کند و جای آن را نمی‌گیرد، بنابراین کلمات همان‌هایی می‌مانند که گفته شده‌اند؛ آنچه اضافه می‌شود روشنی‌ای باورپذیر است، نه جزئیاتی که از دست رفته است.

4. بازآفرینی: صدایی تازه از روی توصیفی از صدای قبلی

جدیدترین مدل‌های بازیابی از این هم فراتر می‌روند. آن‌ها به ضبط آسیب‌دیده گوش می‌دهند، گفتاری را که فکر می‌کنند در آن هست تشخیص می‌دهند و ضبطی تازه از آن تولید می‌کنند، تقریباً همان‌طور که یک سنتزکننده‌ی گفتار این کار را می‌کند. به همین شکل است که AI · Sidon می‌تواند صدایی را نجات دهد که از دست نویزگیر کاری برایش برنمی‌آید: صداهایی که به‌شدت مخدوش، کلیپ‌شده یا بسیار خفه‌اند.

مشکل اینجاست که نتیجه، بهترین حدسِ مدل است. وقتی بیش از اندازه از صدای اصلی از دست رفته باشد، یک مدل بازآفرین ممکن است گفتاری تولید کند که درست به گوش می‌رسد، با صدا و ریتم درست، اما هجاهایی را می‌گوید که کسی نگفته است و گاهی حرف‌هایی کاملاً بی‌معنی. ما دقیقاً همین را از VoiceFixer، مدلی که Denoise قبلاً از آن استفاده می‌کرد، روی ضبط یک سخنرانی به‌شدت آسیب‌دیده شنیدیم: گفتاری واضح که هیچ معنایی نداشت. Sidon، که جای آن را گرفت، طوری ساخته و آزموده شده که کلمات را حفظ کند، اما هیچ مدل بازآفرینی از این خطا مصون نیست؛ پس در هر چیزی که اهمیت دارد نام‌ها و عددها را بررسی کنید و فقط وقتی سراغ بازآفرینی بروید که حذف نویز معمولی کمکی نمی‌کند.

چه چیزی تعیین می‌کند نتیجه تا چه حد می‌تواند خوب باشد

هر یک از روش‌های بالا فقط با چیزی می‌تواند کار کند که هنوز در ضبط باقی مانده است. چهار عامل بیش از همه اهمیت دارند:

• چه مقدار از صدا باقی مانده است. اگر بخشی از صدا هرگز ضبط نشده باشد یا یک فرمت کم‌کیفیت آن را دور ریخته باشد، حذف نویز نمی‌تواند آن را برگرداند؛ فقط بازیابی می‌تواند نسخه‌ای باورپذیر از آن اضافه کند.
• بلندی نویز در مقایسه با صدا. وقتی نویز به بلندی صدا یا بلندتر از آن باشد، این دو در بیشتر فرکانس‌ها مشترک‌اند و حذف نویز بخش‌هایی از صدا را هم با خود می‌برد: نتیجه نازک، خفه یا رباتی به گوش می‌رسد.
• اینکه ضبط کلیپ شده است یا نه. اگر صدا برای میکروفون یا سطح ضبط بیش از حد بلند بوده باشد، قله‌های موج صوتی صاف بریده شده‌اند. آن اعوجاجِ خش‌دار حالا بخشی از خود صداست، نه نویزی جداگانه، بنابراین نویزگیر آن را باقی می‌گذارد؛ فقط بازآفرینی می‌تواند آن را از نو ترسیم کند.
• چه چیز دیگری در پس‌زمینه شبیه صدای انسان است. صحبت آدم‌های دیگر یا موسیقی باکلام از نگاه همه‌ی روش‌ها شبیه گفتار است، بنابراین بخشی از آن باقی می‌ماند. برای موسیقی، در عوض AI · Music صدای خواننده را از سازها جدا می‌کند.

اکو نویز نیست

اکوی اتاق، یا همان ریورب، خود صداست که لحظه‌ای بعد، دوباره از دیوارها، سقف و کف به گوش می‌رسد. چون از همان صدا ساخته شده، حذفش از نویز سخت‌تر است: نویزگیرهای هوش مصنوعی بخشی از آن را کم می‌کنند، اما در یک سالن، راه‌پله یا اتاق خالی کلمات در هم محو می‌شوند و هیچ تنظیمی نمی‌تواند آن‌ها را کاملاً دوباره واضح کند. راه‌حل، فاصله است: هرچه میکروفون به دهان نزدیک‌تر باشد، صدا در مقایسه با اکوی خودش بلندتر است.

بهترین حذف نویز پیش از ضبط اتفاق می‌افتد

نرم‌افزار ضبط‌ها را نجات می‌دهد، اما نمی‌تواند صدایی را که هرگز ضبط نشده برگرداند. چند عادت بیش از هر تنظیمی کارساز است:

• میکروفون را نزدیک نگه دارید. گوشی‌ای که نزدیک گوینده نگه داشته شود، از گوشی‌ای که روی میزی در آن سوی اتاق است بهتر عمل می‌کند. برای مصاحبه و ویدیو، یک میکروفون گیره‌ای (لاوالیر) روی یقه‌ی گوینده، چه سیمی چه بی‌سیم، به‌تنهایی بزرگ‌ترین بهبود را ایجاد می‌کند.
• آن را از باد دور نگه دارید. در فضای باز، یک بادگیر فومی یا خزدار روی میکروفون خارجی کمک می‌کند؛ با گوشی، پشت به باد بایستید یا گوشی را با دست یا در پناه یک گوشه از باد محافظت کنید.
• سطح صدا را زیر نظر داشته باشید. اگر نشانگر سطح صدا به بالاترین حد برسد، صدا کلیپ می‌شود. ضبطِ کمی آرام‌تر از حد لازم امن‌تر است، چون صدای آرام را بعداً می‌توان بلند کرد، اما کلیپینگ را نمی‌توان برگرداند.
• ساکت‌ترین جای ممکن را انتخاب کنید. هنگام ضبط، فن‌ها و کولر را خاموش کنید و از ترافیک و دستگاه‌های در حال کار دور شوید.
• اتاق‌هایی با سطوح نرم اکوی کمتری دارند. مبلمان، پرده، فرش و قفسه‌های کتاب اکو را جذب می‌کنند؛ کاشی، شیشه و اتاق‌های خالی آن را بازمی‌تابانند.