Google публикува данни и модел за машинно обучение за разделяне на звуци

Компания Google е публикувала база от еталонни смесени звуци, снабдена с анотации, която може да се използва в системи за машинно обучение, прилагани за разделяне на произволни смесени звуци на отделни компоненти. Също така е публикувана универсална дълбока модел на машинно обучение (TDCN++), който може да се използва в Tensorflow за разделяне на звуци. Данните са подготвени на база колекция freesound.org и бяха публикувани под лицензия CC BY 4.0.

Представеният проект FUSS (Free Universal Sound Separation) има за цел да реши проблема с разделянето на произволен брой смесени звуци, чието естество не е известно предварително. Други подобни системи обикновено са ограничени до задачата за разделяне на определени звуци, като глас и не-глас или различни говорещи хора.

Базата данни съдържа около 20 хиляди смесвания. В набора също така са включени предварително изчислени импулсни характеристики на помещението, подготвени с помощта на специално създаден симулатор на стая и вземащи предвид отражението от стените, местоположението на източника на звук и местоположението на микрофона.

Източник: opennet.ru