Google અવાજોને અલગ કરવા માટે ડેટા અને મશીન લર્નિંગ મોડલ બહાર પાડે છે

Google પ્રકાશિત સંદર્ભ મિશ્રિત અવાજોનો એક ટીકાયુક્ત ડેટાબેસ કે જેનો ઉપયોગ મશીન લર્નિંગ સિસ્ટમ્સમાં થઈ શકે છે જેનો ઉપયોગ મનસ્વી મિશ્ર અવાજોને તેમના વ્યક્તિગત ઘટકોમાં અલગ કરવા માટે થાય છે. એક સામાન્ય ડીપ મશીન લર્નિંગ મોડલ (TDCN++) પણ પ્રકાશિત કરવામાં આવ્યું છે જેનો ઉપયોગ અવાજને અલગ કરવા માટે ટેન્સરફ્લોમાં થઈ શકે છે. સંગ્રહના આધારે તૈયાર કરવામાં આવેલ ડેટા freesound.org и પ્રકાશિત CC BY 4.0 હેઠળ લાઇસન્સ.

પ્રસ્તુત પ્રોજેક્ટ FUSS (ફ્રી યુનિવર્સલ સાઉન્ડ સેપરેશન) નો ઉદ્દેશ ગમે તેટલા મનસ્વી અવાજોને અલગ કરવાની સમસ્યાને હલ કરવાનો છે, જેની પ્રકૃતિ અગાઉથી જાણીતી નથી. અન્ય સમાન પ્રણાલીઓ સામાન્ય રીતે અમુક અવાજો, જેમ કે અવાજો અને બિન-અવાજ, અથવા અલગ-અલગ લોકો બોલતા હોય, વચ્ચે ભેદ પાડવાના કાર્ય સુધી મર્યાદિત હોય છે.

ડેટાબેઝમાં લગભગ 20 હજાર મિશ્રણો છે. કિટમાં કસ્ટમ-બિલ્ટ રૂમ સિમ્યુલેટરનો ઉપયોગ કરીને પૂર્વ-ગણતરી કરેલ રૂમ ઇમ્પલ્સ રિસ્પોન્સનો પણ સમાવેશ થાય છે જે દિવાલના પ્રતિબિંબ, ધ્વનિ સ્ત્રોત સ્થાન અને માઇક્રોફોન સ્થાનને ધ્યાનમાં લે છે.

સોર્સ: opennet.ru