ການສະທ້ອນທີ່ຖືກກະຕຸ້ນໂດຍຜະລິດຕະພັນໃຫມ່ຂອງ Rokid: ບັນຫາໃດທີ່ຕ້ອງໄດ້ຮັບການແກ້ໄຂຄັ້ງທໍາອິດໃນການຍົກລະດັບສຽງຂອງແວ່ນຕາ AI?

ສຳລັບແວ່ນຕາອັດສະລິຍະ, ການອັບເກຣດສຽງມີຫຼາຍກວ່າການປ່ຽນລຳໂພງອອກ. ເນື່ອງຈາກພື້ນທີ່ຈໍາກັດພາຍໃນວັດວາອາຮາມ - ບ່ອນທີ່ໄດເວີສຽງ, ແບດເຕີລີ່, ຊິບ, ແລະໄມໂຄຣໂຟນທັງຫມົດຕ້ອງຖືກຈັດໃສ່ໃນການຕັ້ງຄ່າທີ່ຫນາແຫນ້ນ - ລໍາໂພງບໍ່ສາມາດຂະຫຍາຍໄດ້ຄືກັບຫູຟັງ.

ປົກກະຕິແລ້ວແວ່ນຕາອັດສະລິຍະນຳໃຊ້ການອອກແບບສຽງເປີດຫູ. ເນື່ອງຈາກຫູບໍ່ໄດ້ຖືກປະທັບຕາດ້ວຍຄໍາແນະນໍາຂອງຫູ, ສຽງມັກຈະຮົ່ວອອກພາຍນອກ, ແລະມັນຍາກທີ່ຈະສ້າງຜົນຜະລິດທີ່ມີຄວາມຖີ່ຕ່ໍາທີ່ເຂັ້ມແຂງ. ດັ່ງນັ້ນ, ຜູ້ໃຊ້ອາດຈະຮັບຮູ້ສຽງທີ່ຂາດຕົວ, ແລະສຽງແວດລ້ອມອ້ອມຂ້າງ—ເຊັ່ນ: ສຽງ, ສຽງຈາລະຈອນ, ແລະລົມ—ສາມາດທຳລາຍຄວາມຊັດເຈນຂອງເນື້ອຫາທີ່ເວົ້າໃນເວລາໃຊ້ກາງແຈ້ງ.

ເພື່ອແກ້ໄຂບັນຫາເຫຼົ່ານີ້, ສິ່ງທ້າທາຍຕົ້ນຕໍທີ່ຈະເອົາຊະນະແມ່ນ 'ປະສິດທິພາບຜົນຜະລິດສຽງພາຍໃນພື້ນທີ່ຈໍາກັດ.' ໂດຍບໍ່ມີການເພີ່ມປະລິມານຫຼືນ້ໍາຫນັກຂອງແຂນວັດ, ໄດເວີສຽງຕ້ອງເພີ່ມຄວາມກົດດັນສຽງທີ່ມີປະສິດທິພາບໃນຂະນະທີ່ຮັກສາຜົນຜະລິດທີ່ສົມດູນໃນຄວາມຖີ່ຕ່ໍາ, ກາງ, ແລະສູງ.

ນີ້ບໍ່ຈໍາເປັນຕ້ອງເພີ່ມພື້ນທີ່ diaphragm; ແທນທີ່ຈະ, ການເພີ່ມປະສິດທິພາບທີ່ສົມບູນແບບສາມາດເຮັດໄດ້ກ່ຽວກັບວັດສະດຸ diaphragm, ໂຄງສ້າງວົງຈອນແມ່ເຫຼັກ, ການອອກແບບທໍ່ສຽງ, ການຈັດວາງຫ້ອງສຽງ, ການວາງທິດທາງສຽງ, ແລະປະສິດທິພາບເຄື່ອງຂະຫຍາຍສຽງ. ພຽງແຕ່ຜ່ານການປະສານງານການເພີ່ມປະສິດທິພາບຂອງປັດໃຈເຫຼົ່ານີ້ມັນເປັນໄປໄດ້ທີ່ຈະບັນລຸການປະຕິບັດສຽງທີ່ເຫນືອກວ່າພາຍໃນຮ່ອງຮອຍທາງດ້ານຮ່າງກາຍທີ່ຄ້າຍຄືກັນ.

ດ້ວຍການສະຫນັບສະຫນູນຄວາມຖີ່ຕ່ໍາທີ່ປັບປຸງ, ຈັງຫວະ drum, ສາຍເບດ, ແລະບັນຍາກາດສະພາບແວດລ້ອມໃນດົນຕີກາຍເປັນສຽງທີ່ຊັດເຈນ, ຊ່ວຍລົບລ້າງຄວາມຮູ້ສຶກບາງໆໃນປະສົບການຟັງໂດຍລວມ. ບໍ່ວ່າຈະເປັນວິດີໂອ, ດົນຕີ, ຫຼືເກມ, ສຽງມີຮ່າງກາຍ ແລະປະກົດຕົວຫຼາຍຂຶ້ນ.

ຢ່າງໃດກໍ່ຕາມ, ການເພີ່ມປະສິດທິພາບຂອງຄວາມຖີ່ຕ່ໍາສະເຫນີສິ່ງທ້າທາຍຂອງຕົນເອງ. ການອອກແບບເປີດກັບຄືນໄປບ່ອນຂາດສະພາການສຽງປະທັບຕາ; ພຽງແຕ່ການເພີ່ມພະລັງງານຂັບເພື່ອສ້າງຄວາມເຂັ້ມແຂງຕ່ໍາສຸດສາມາດນໍາໄປສູ່ການບໍລິໂພກພະລັງງານທີ່ສູງຂຶ້ນແລະການບິດເບືອນເພີ່ມຂຶ້ນ.

ດັ່ງນັ້ນ, ສິ່ງທ້າທາຍທີ່ແທ້ຈິງບໍ່ແມ່ນພຽງແຕ່ໃນການເພີ່ມຜົນຜະລິດຄວາມຖີ່ຕ່ໍາ, ແຕ່ໃນຄວາມດຸ່ນດ່ຽງລະຫວ່າງການປະຕິບັດຄວາມຖີ່ຕ່ໍາ, ຄວາມຊັດເຈນຂອງສຽງ, ອາຍຸຫມໍ້ໄຟ, ແລະການຜະລິດຄວາມຮ້ອນ.

ການປະຕິບັດຄວາມຖີ່ລະຫວ່າງກາງຫາສູງແມ່ນສໍາຄັນຕໍ່ຄວາມຊັດເຈນຂອງສຽງຮ້ອງ ແລະສຽງເວົ້າ. ການເຕືອນການນໍາທາງ, ການຕອບສະໜອງ AI, ການແປແບບສົດໆ, ພອດແຄສ, ແລະການໂທທັງໝົດແມ່ນອີງໃສ່ການແຜ່ພັນທີ່ມີຄວາມຖີ່ລະຫວ່າງກາງຫາສູງ.

ຖ້າຄວາມກົດດັນສຽງແລະລະດັບຂອງລາຍລະອຽດໃນຂອບເຂດນີ້ບໍ່ພຽງພໍ, ຜູ້ໃຊ້ອາດຈະມີຄວາມຫຍຸ້ງຍາກທີ່ຈະໄດ້ຍິນເນື້ອຫາເຕັມທີ່ຢ່າງຊັດເຈນໃນສະພາບແວດລ້ອມທີ່ບໍ່ມີສຽງ.

ການແກ້ໄຂບັນຫານີ້ຮຽກຮ້ອງໃຫ້ມີຄົນຂັບສຽງທີ່ສາມາດຕອບສະຫນອງຄວາມຖີ່ລະຫວ່າງກາງຫາສູງທີ່ພຽງພໍ, ໃນຂະນະທີ່ຍັງຈໍາເປັນຕ້ອງມີການຄວບຄຸມຄວາມເຄັ່ງຕຶງແລະຄວາມຂັດແຍ້ງ.

ເມື່ອຖືກຈັດການຢ່າງຖືກຕ້ອງ, ຜູ້ໃຊ້ສາມາດຈໍາແນກລາຍລະອຽດໃນສຽງໄດ້ງ່າຍກວ່າໂດຍບໍ່ຕ້ອງເປີດສຽງເລື້ອຍໆ; ແນວໃດກໍ່ຕາມ, ການປະມວນຜົນຫຼາຍເກີນໄປສາມາດສົ່ງຜົນໃຫ້ສຽງທີ່ສົດໃສເກີນໄປ ຫຼືຮຸນແຮງ, ເຮັດໃຫ້ເກີດຄວາມເມື່ອຍລ້າຂອງຜູ້ຟັງໃນລະຫວ່າງການໃຊ້ຕໍ່ເນື່ອງ.

ເປົ້າຫມາຍໄປນອກເຫນືອການພຽງແຕ່ຮັບປະກັນປະລິມານພຽງພໍ; ມັນຍັງກ່ຽວຂ້ອງກັບການເພີ່ມປະສິດທິພາບສຽງ. ດ້ວຍແວ່ນຕາແບບເປີດ, ສຽງມີທ່າອຽງຕັ້ງຢູ່ໃກ້ຫູ, ສ້າງສະເຕດສຽງທີ່ຄັບແຄບ.

ການປະສົມປະສານຂອງລໍາໂພງ, ສະຖາປັດຕະຍະກໍາສຽງ, ແລະຜົນກະທົບສຽງທີ່ຖືກປັບແຕ່ງເປັນພິເສດສະເຫນີໃຫ້ມີທ່າແຮງທີ່ຈະປັບປຸງຄວາມຮູ້ສຶກຂອງພື້ນທີ່, ຊັ້ນ, ແລະຄວາມສົມດູນໂດຍລວມ.

ເມື່ອຟັງເພງ ຫຼືເບິ່ງວິດີໂອ, ຜູ້ໃຊ້ອາດຈະຮັບຮູ້ຄວາມແຕກຕ່າງລະຫວ່າງສຽງຮ້ອງ, ເຄື່ອງດົນຕີ ແລະສຽງພື້ນຫຼັງທີ່ເປັນທໍາມະຊາດຫຼາຍຂຶ້ນ, ຫຼີກເວັ້ນຄວາມຮູ້ສຶກຂອງສຽງທີ່ເຂັ້ມຂຸ້ນເກີນໄປໃນຈຸດດຽວ.

ສຳລັບແອັບພລິເຄຊັນຕ່າງໆ ເຊັ່ນ: ການໂຕ້ຕອບທາງສຽງ AI, ການນຳທາງ ແລະ ການແປ, ການປະມວນຜົນສຽງທີ່ມີປະສິດທິພາບສາມາດຊ່ວຍຮັກສາລາຍລະອຽດ, ເຮັດໃຫ້ການເວົ້າເຂົ້າໃຈງ່າຍຂຶ້ນໃນສະພາບແວດລ້ອມທີ່ທ້າທາຍ.

ຢ່າງໃດກໍຕາມ, ຜົນກະທົບສຽງບໍ່ສາມາດຊົດເຊີຍສໍາລັບຂໍ້ຈໍາກັດຂອງຮາດແວ. ຖ້າຄວາມສາມາດທາງກາຍະພາບຂອງໄດເວີສຽງບໍ່ພຽງພໍ, algorithms ພຽງແຕ່ສາມາດສະເຫນີການແກ້ໄຂທີ່ຈໍາກັດ; ການປຸງແຕ່ງຫຼາຍເກີນໄປອາດຈະແນະນໍາການໃສ່ສີທີ່ບໍ່ຕ້ອງການ, ການບິດເບືອນຄວາມຖີ່ຕ່ໍາ, ຫຼືຄວາມຮູ້ສຶກທີ່ບໍ່ເປັນທໍາມະຊາດຂອງ spatiality.

ໃນທີ່ສຸດ, ຄຸນນະພາບຂອງປະສົບການສຽງແມ່ນຂຶ້ນກັບການເຊື່ອມໂຍງຂອງລໍາໂພງ, ຫ້ອງສຽງ, ເຄື່ອງຂະຫຍາຍສຽງ, ແລະສູດການຄິດໄລ່ທີ່ບໍ່ສອດຄ່ອງກັນ.

ຈາກທັດສະນະນີ້, ການອັບເກຣດໄດເວີສຽງໃດໆຕ້ອງແກ້ໄຂສິ່ງທ້າທາຍທີ່ຍາວນານໃນແວ່ນຕາອັດສະລິຍະ: ວິທີການບັນລຸຜົນຜະລິດສຽງທີ່ອຸດົມສົມບູນ, ມີປະສິດທິພາບຫຼາຍຂຶ້ນໂດຍບໍ່ມີການເພີ່ມປະລິມານຂອງອຸປະກອນຢ່າງຫຼວງຫຼາຍ.

ຖ້າຮາດແວ ແລະ ການປະມວນຜົນສຽງເຮັດວຽກຮ່ວມກັນ, ຜູ້ໃຊ້ສາມາດເພີດເພີນໄປກັບສຽງເພງທີ່ມ່ວນກວ່າ, ການໂທສຽງທີ່ຊັດເຈນກວ່າ, ເວທີສຽງທີ່ເປັນທຳມະຊາດກວ່າສຳລັບວິດີໂອ ແລະ ປະສົບການການຟັງກາງແຈ້ງທີ່ສະດວກສະບາຍກວ່າ.

ເປົ້າຫມາຍຂອງການຍົກລະດັບສຽງໃນແວ່ນຕາ AI ບໍ່ແມ່ນການທົດແທນຫູຟັງຢ່າງສົມບູນ, ແຕ່ແທນທີ່ຈະ - ໃນຂະນະທີ່ຮັກສານ້ໍາຫນັກເບົາ, ສະດວກສະບາຍ - ເພື່ອນໍາເອົາອຸປະກອນເຂົ້າໃກ້ກັບຜະລິດຕະພັນສຽງທີ່ເຫມາະສົມກັບການນໍາໃຊ້ປະຈໍາວັນແລະໄລຍະຍາວ.

ທີ່ມາ: Rokid