Είναι η ακύρωση θορύβου AI πραγματικά καλύτερη από την παραδοσιακή ENC; Το δοκιμάσαμε.
Αν αγοράσατε πρόσφατα ακουστικά, ειδικά ακουστικά UC (Unified Communications) που δίνουν έμφαση στις "κλήσεις-υψηλής ευκρίνειας" ή "χρήση συνεδρίων", σίγουρα έχετε δει αυτούς τους δύο όρους: ENC (Environmental Noise Cancellation) και AI Noise Cancellation. Όλοι οι κατασκευαστές ισχυρίζονται ότι η τεχνολογία τους "φιλτράρει τον θόρυβο του περιβάλλοντος", αλλά ποια είναι πραγματικά αξιόπιστη; Είναι απλώς διαφημιστική εκστρατεία μάρκετινγκ ή υπάρχει πραγματική διαφορά;
Ως κατασκευαστής που ειδικεύεται στον εξοπλισμό ήχου UC, δεν θέλουμε να βασιζόμαστε αποκλειστικά στις προδιαγραφές. Έτσι, μεταφέραμε το εργαστήριό μας στον πραγματικό κόσμο-καφετέριες, σταθμούς μετρό και γραφεία στο σπίτι-για να πραγματοποιήσουμε τυφλά τεστ και αντικειμενικές αναλύσεις δύο δικών μας ακουστικών εξοπλισμένων με παραδοσιακό ENC και την πιο πρόσφατη ακύρωση θορύβου AI. Εδώ είναι τα ευρήματά μας.
Αρχικά, ας διευκρινίσουμε: ποια είναι η θεμελιώδης διαφορά μεταξύ της ακύρωσης θορύβου ENC και AI;
Το παραδοσιακό ENC (Environmental Noise Cancellation) χρησιμοποιείται για πάνω από μια δεκαετία. Συνήθως βασίζεται σε δύο μικρόφωνα: το ένα στραμμένο προς το στόμα για να λαμβάνει την ανθρώπινη φωνή και το άλλο στραμμένο μακριά από το στόμα για να λαμβάνει τον θόρυβο του περιβάλλοντος. Το σύστημα ακυρώνει τον θόρυβο του περιβάλλοντος μέσω "αφαίρεσης". Ακούγεται έξυπνο, αλλά έχει ένα μοιραίο ελάττωμα: υποθέτει ότι ο θόρυβος είναι "σταθερός και προβλέψιμος"-όπως το βουητό ενός κλιματιστικού ή ο ήχος ενός ανεμιστήρα. Όταν εμφανίζονται ξαφνικοί ή περίπλοκοι ήχοι (κλάμα μωρού, χτυπήματα πληκτρολογίου, σειρήνες), το ENC συχνά καταρρέει, είτε αποτυγχάνοντας να καταστείλει τον θόρυβο είτε ακόμη και κρύβοντας τη φωνή σας, κάνοντάς το να ακούγεται σαν να μιλάτε κάτω από το νερό.
Η ακύρωση θορύβου AI είναι εντελώς διαφορετική. Δεν βασίζεται στη φυσική ακύρωση, αλλά στην «κατανόηση». Το ενσωματωμένο-μοντέλο νευρωνικών δικτύων στα ακουστικά εκπαιδεύεται σε τεράστιες ποσότητες δεδομένων ομιλίας και θορύβου, επιτρέποντάς του να προσδιορίζει σε πραγματικό χρόνο: "Αυτή είναι ανθρώπινη φωνή, αυτό είναι ένα σκυλί που γαβγίζει, αυτό είναι το βουητό ενός βαγιού του μετρό." Στη συνέχεια, διατηρεί μόνο το εύρος συχνοτήτων ανθρώπινης φωνής, εξαλείφοντας με ακρίβεια τα άλλα. Κυρίως, μπορεί να αναγνωρίσει τον θόρυβο "μη-σταθερής-κατάστασης" και γίνεται πιο έξυπνο με τη χρήση .
Αλλά αυτό σημαίνει ότι η τεχνητή νοημοσύνη είναι πάντα καλύτερη; Όχι απαραίτητα. Απαιτεί ένα πιο ισχυρό τσιπ, περισσότερη ισχύ και μπορεί να δημιουργήσει μια μικρή καθυστέρηση. Έτσι, αποφασίσαμε να πραγματοποιήσουμε δοκιμές σε πραγματικό-κόσμο.
Η μεθοδολογία δοκιμών μας: Χωρίς σταδιακές εργαστηριακές δοκιμές, μόνο σενάρια πραγματικού-κόσμου.
Επιλέξαμε δύο εσωτερικά αναπτυγμένα ακουστικά UC:
Μοντέλο ENC: Εξοπλισμένο με μια ώριμη λύση ENC διπλού-μικροφώνου, χαμηλού κόστους και χαμηλής κατανάλωσης ενέργειας, που στοχεύει σε μαζικές αγορές από επιχειρήσεις.
Μοντέλο AI: Εξοπλισμένο με μια-ανεπτυγμένη ελαφριά μηχανή διαχωρισμού φωνής AI, βασισμένη στην πλατφόρμα Qualcomm QCC5181, που υποστηρίζει δυναμική μοντελοποίηση θορύβου.
Οι δοκιμές διεξήχθησαν σε τέσσερα τυπικά σενάρια, με ηχογράφηση 30 δευτερολέπτων για κάθε σενάριο, που ολοκληρώθηκαν από τρεις δοκιμαστές με διαφορετικά χαρακτηριστικά φωνής (αρσενικό/θηλυκό/μέση-χαμηλή φωνή). Τα κριτήρια αξιολόγησης περιλάμβαναν:
Σαφήνεια ομιλίας που ακούγεται από το άλλο μέρος (υποκειμενική βαθμολογία 1–5)
Εμμονή θορύβου παρασκηνίου (SNR μετρημένο με χρήση επαγγελματικού λογισμικού ήχου)
Φυσικότητα φωνής (παραμόρφωση, διακοπή, "ρομποτικός" ήχος)
Σενάριο 1: Δρόμος της πόλης (συνεχής κυκλοφορία + περιστασιακά κόρνα)
Απόδοση ENC: Καταστέλλει τον θόρυβο της κυκλοφορίας στο παρασκήνιο, αλλά κάθε κόρνα αυτοκινήτου "διαρρέει", το άλλο μέρος ακούει καθαρά έναν ήχο "μπιπ".
Απόδοση AI: Οι ήχοι κόρνας εξαφανίζονται σχεδόν εντελώς, η φωνή είναι σταθερή. Το SNR βελτιώθηκε κατά περίπου 8 dB.
Συμπέρασμα: Η τεχνητή νοημοσύνη υπερτερεί σημαντικά, ειδικά στον χειρισμό του ξαφνικού θορύβου υψηλής-συχνότητας.
Σενάριο 2: Coffee Shop (Μουσική στο παρασκήνιο + Πολλαπλές συνομιλίες)
ENC Performance: Η μουσική ήταν εξασθενημένη, αλλά οι συνομιλίες στα γειτονικά τραπέζια εξακολουθούσαν να ακούγονται αμυδρά, ειδικά όταν το άλλο μέρος ύψωσε τη φωνή του.
Απόδοση τεχνητής νοημοσύνης: Οι φωνές του παρασκηνίου καταπνίγηκαν αποτελεσματικά, με μια πολύ αδύναμη αντήχηση μουσικής να απομένει. Σχόλια από δοκιμαστές: "Το άλλο μέρος νόμιζε ότι βρισκόμουν σε ένα ήσυχο γραφείο."
Βασική λεπτομέρεια: Το μοντέλο AI μπορεί να διακρίνει μεταξύ "μη-φωνών στόχου" και "φωνών στόχου", κάτι που το ENC δεν μπορεί να κάνει καθόλου.
Σενάριο 3: Εργασία από το σπίτι (μηχανικό πληκτρολόγιο + κλιματιστικό + γάβγισμα σκύλου)
ENC Απόδοση: Ο θόρυβος του κλιματιστικού αντιμετωπίστηκε καλά, αλλά το κλικ του πληκτρολογίου και το γάβγισμα του σκύλου ήταν εντελώς διεισδυτικά. Το άλλο μέρος ρώτησε επανειλημμένα: "Κάνετε ανακαίνιση εκεί;"
Απόδοση τεχνητής νοημοσύνης: Οι ήχοι του πληκτρολογίου μειώθηκαν σημαντικά (διατηρώντας ελαφρά απτική ανάδραση χωρίς να επηρεάζεται η ομιλία) και το γάβγισμα σκύλου αναγνωρίστηκε ως "μη-ομιλικό συμβάν" και αφαιρέθηκε. Η μόνη αδυναμία: Περιστασιακά, υπήρχαν μικρές διακοπές στην ομιλία κατά τη γρήγορη, συνεχή πληκτρολόγηση.
Ενδιαφέρον εύρημα: Η τεχνητή νοημοσύνη χειρίζεται τον "θόρυβο ρουτίνας" (όπως ο θόρυβος του πληκτρολογίου) χειρότερα από τον "αιφνίδιο θόρυβο"-που υποδηλώνει ότι υπάρχει ακόμη περιθώριο βελτίωσης στα δεδομένα εκπαίδευσης.
Σενάριο 4: Ήσυχο γραφείο (σημείο αναφοράς) Και τα δύο είχαν σχεδόν πανομοιότυπη απόδοση, με φυσική παραμόρφωση-ελεύθερη ομιλία. Αυτό αποδεικνύει ότι η τεχνητή νοημοσύνη δεν «υπερεπεξεργαζόταν» τον ήχο σε καθαρό περιβάλλον.
Κατανάλωση ενέργειας και καθυστέρηση: Πόσο κοστίζει η τεχνητή νοημοσύνη;
Παρακολουθήσαμε την κατανάλωση μπαταρίας για 2 ώρες συνεχών κλήσεων:
Μοντέλο Ε (ENC): 12% κατανάλωση ενέργειας
Μοντέλο A (AI): 16% κατανάλωση ενέργειας Υπάρχει διαφορά, αλλά ο αντίκτυπός της στα κύρια ακουστικά UC (που συνήθως προσφέρουν 15+ ώρες διάρκεια ζωής της μπαταρίας) είναι περιορισμένος. Όσον αφορά τον λανθάνοντα χρόνο, το μοντέλο AI εισάγει περίπου 15–20 ms πρόσθετου χρόνου επεξεργασίας-εντελώς ανεπαίσθητο στις φωνητικές κλήσεις (το όριο ανθρώπινης ακοής είναι περίπου 30–50 ms), αλλά συνιστάται προσοχή σε σενάρια χαμηλού-λανθάνοντος χρόνου (όπως η ζωντανή φωνή-).
Λοιπόν, πώς πρέπει να επιλέξουν οι απλοί χρήστες;
Επιλέξτε το παραδοσιακό ENC εάν θέλετε:
Είναι -ευαίσθητα στον προϋπολογισμό (συνήθης σε επιχειρήσεις μεγάλης- κλίμακας)
Χρήση σε σχετικά ήσυχα ή μονότονα περιβάλλοντα (π.χ. τηλεφωνικά κέντρα, σταθεροί σταθμοί εργασίας)
Μεγάλη διάρκεια ζωής της μπαταρίας (π.χ. 24/7 προσωπικό πεδίου)
Επιλέξτε ακύρωση θορύβου AI εάν:
Πραγματοποιείτε συχνά κλήσεις σε ποικίλα και θορυβώδη περιβάλλοντα (καφετέριες, αεροδρόμια, κοινόχρηστα γραφεία)
Είστε πωλητής, σύμβουλος ή απομακρυσμένος εργαζόμενος-καθαρή φωνή=επαγγελματική εικόνα
Είστε διατεθειμένοι να πληρώσετε λίγο παραπάνω για την αμηχανία του "το άλλο μέρος δεν μπορεί να σας ακούσει"
Για εμάς, η απάντηση είναι σαφής: η ακύρωση θορύβου AI δεν είναι το μέλλον, είναι ήδη εδώ. Καθώς το κόστος των τσιπ μειώνεται, μειώνουμε σταδιακά αυτήν την τεχνολογία στη σειρά προϊόντων μεσαίας-γκάμας. Εξάλλου, στην εποχή του Zoom, κανείς δεν ήθελε να χάσει έναν μεγάλο πελάτη λόγω του θορύβου του περιβάλλοντος.
Τέλος, ας είμαστε ειλικρινείς: δεν υπάρχει απολύτως καλή ή κακή τεχνολογία, μόνο αν ταιριάζει με το σενάριο. Ως κατασκευαστής, δεν υποστηρίζουμε την "παντοδυναμία της τεχνητής νοημοσύνης", αλλά πιστεύουμε: μια καλή εμπειρία ήχου θα πρέπει να κάνει τους χρήστες να ξεχνούν ότι υπάρχει τεχνολογία-είτε βρίσκεστε στο μετρό, στην κουζίνα ή σε μια αίθουσα συσκέψεων, το άλλο μέρος θα πρέπει να ακούει μόνο εσάς και όχι τον καθημερινό σας θόρυβο.
Θέλετε να αγοράσετε ακουστικά συσκέψεων για την ομάδα της επιχείρησής σας; [Επικοινωνήστε με τους ειδικούς μας στις λύσεις UC]
