Làm thế nào có thể Lọc giọng nói của một người trong số 100 giọng nói khác?

Vì vậy, tôi mới biết rằng giọng nói của con người không phải là một sóng hình sin đơn lẻ mà là một loạt các sóng hình sin không giới hạn, mỗi sóng có tần số khác nhau,

Theo Wikipedia,

Giọng nói bao gồm âm thanh được tạo ra bởi một con người sử dụng các nếp gấp của giọng nói để nói, hát, cười, khóc, la hét, v.v. Tần số của nó dao động trong khoảng 60 đến 7000 Hz.

Vì vậy, nếu giọng nói của con người là tín hiệu tổng hợp, nó chứa các tần số khác nhau trong khoảng từ 60Hz đến 7KHz.

Giả sử nếu có một nhóm người hát cùng một bài hát, mỗi người có một dải tần số giọng nói riêng,

Ví dụ,

Nếu một người A có các tần số sau, 100Hz, 250HZ 6KHz, 10Hz, 87Hz, 52Hz, 2KHz .......

và một người B có các tần số sau, 217Hz1, 11Hz, 12Hz, 2323Hz, 839Hz, 4KHz, 100Hz, 10Hz .....

phải có rất nhiều tần số giống nhau ở cả người A & B, như trong ví dụ trên, tần số 100Hz và 10Hz là phổ biến giữa hai người.

Tôi đang xem một chương trình TV "Fringe" nơi họ lọc giọng nói của Người đàn ông cụ thể từ một tệp âm thanh trong khi cũng có giọng nói của người khác ở đó.

Vậy làm thế nào để chính xác họ lọc giọng nói của ai đó ra khỏi giọng nói của 100 người nếu có quá nhiều tần số phổ biến trong số họ thì phải làm gì với biên độ tần số của người đó?

Nếu tín hiệu được ghi chỉ bằng một micrô, bạn có thể sử dụng các phương pháp như trừ phổ. Phương pháp này phù hợp hơn với tiếng ồn "không đổi", như tiếng ồn từ quạt hoặc động cơ không tải. Các phương pháp khác dựa trên thống kê và mô hình nhận thức của lời nói. Nếu tín hiệu được ghi bằng một số micrô, bạn có thể sử dụng tách nguồn mù để tách tín hiệu (lời nói). Như ngày hôm nay, bạn sẽ không nhận được kết quả hoàn hảo. Kết quả cuối cùng điển hình luôn là sự đánh đổi giữa "tiếng ồn" và sự rõ ràng của tín hiệu lời nói quan tâm. Ức chế "nhiễu" nhiều hơn -> suy giảm tín hiệu quan tâm nhiều hơn.

được rồi, giả sử chúng ta có một tập tin âm thanh của hai người nói chuyện .. nếu họ không nói chuyện đồng thanh, có thể tách rời yếu tố âm điệu trong bài phát biểu của họ. Có thể khó hơn để phân tách các yếu tố tiếng ồn trong lời nói của họ (ssss hoặc âm fffff), nhưng một lần nữa nếu họ không nói đồng thanh thì có thể là có thể. điều này sẽ dễ thực hiện hơn nhiều nếu chúng ta có thể thực hiện phân tích quang phổ trên âm thanh mà không làm mất thông tin pha.

về cơ bản, phân tích quang phổ lấy một dạng sóng (âm thanh là một sóng hoặc một đường) và tách tất cả các âm riêng lẻ để bạn có thể nhìn thấy chúng từ thấp đến cao và từ trái sang phải theo thời gian. khi thực hiện điều này, hầu hết các thông tin cho thấy sự tăng giảm của dạng sóng đơn bị mất. nếu chúng ta có thể lưu giữ thông tin pha, việc này sẽ dễ dàng hơn nhiều vì tất cả các tần số thành phần riêng lẻ của một giọng nói sẽ liên quan hài hòa với nhau, do đó pha của chúng sẽ thẳng hàng.

hiện tại, tôi không biết bất kỳ thuật toán nào đạt được điều này, nhưng tôi tin rằng nó có thể về mặt lý thuyết. Tôi nhớ đã đọc một số bài viết về peter neubäcker của melodyne đang làm việc để làm điều này, để hai ca sĩ hát với nhau có thể được tách ra, nhưng tôi không biết làm thế nào tôi sẽ tìm lại bài viết này