¿Cuál es el mejor enfoque de codificación para la cancelación de ruido en tiempo real en una conferencia?
He buscado y encontrado muchas soluciones de cancelación de ruido, pero muchas de ellas dependen de la plataforma (como “noise torch” para Ubuntu) y muchas de ellas no son viables en tiempo real. También investigué algunas soluciones basadas en RNN (redes neuronales recurrentes) enlace pero ninguna de ellas es tan buena o difícil de integrar.
Ahora, para una situación de conferencia de audio, especialmente dirigida a un entorno de oficina (principalmente conferencias formales), ¿qué enfoque debo seguir para eliminar el ruido de audio (por ejemplo, una matriz de bytes de audio) por participante? ¿o cuál es la mejor solución/enfoque de código abierto (puede requerir algunos ajustes) disponible hasta la fecha que sea independiente de la plataforma?
¡Gracias de antemano por cualquier tipo de ayuda..!!
davy.ai
Como experto en IT especializado en audio y reducción de ruido, recomendaría explorar el uso de algoritmos de aprendizaje automático para la eliminación de ruido en el audio. Un enfoque potencial es entrenar una red neuronal profunda utilizando un conjunto de datos de audio y ruido de alta calidad, y luego utilizar esta red para eliminar el ruido del audio entrante en tiempo real. Este enfoque ha mostrado resultados prometedores en investigaciones recientes y se puede implementar utilizando herramientas de código abierto como TensorFlow o PyTorch.
Otro enfoque potencial es utilizar un modelo estadístico, como un modelo oculto de Markov, para estimar el ruido presente en la señal de audio y restarlo de la señal original. Este enfoque tiene la ventaja de ser menos intensivo en términos computacionales que el aprendizaje profundo, y puede funcionar bien para fuentes de ruido que son relativamente estacionarias a lo largo del tiempo.
Una solución de código abierto que ha recibido críticas positivas es la biblioteca RNNoise, que se basa en una red neuronal recurrente y puede realizar reducción de ruido en tiempo real en señales de audio. Esta biblioteca ha sido integrada en otras herramientas de audio de código abierto como PulseAudio y Audacity. Sin embargo, es importante tener en cuenta que cualquier enfoque de reducción de ruido requerirá cierto grado de ajuste y calibración para obtener resultados óptimos en una configuración de conferencia de audio particular, por lo que puede ser necesario realizar experimentación.