深度學習降噪，越來越受到音訊演算法工程師的關注，以往每一種演算法只能處理一種或者幾種效果的侷限有望
被打破，這是大家都往這個方向研究的原因之一。
下面分享基於rnnoise 開源演算法的訓練經驗：
1、效果的好壞，第一取決於雜訊源以及純語音資料的質量，這是深度學習演算法的最重要的部分。所以收集
高質量的資料是關鍵。
2、語音頻號特徵點的選擇，也是深度學習演算法最重要的部分，直接決定了訓練的效果。
3、深度學習模型結構以及其複雜度，這個現在大部分模型都有一定的效果，哪乙個更好就需要自己訓練測試。
總的來說：1 = 2 > 3;
鑑於目前現狀，我覺得對於音訊演算法工程師做深度學習降噪的困難主要是：
1、高質量資料的收集，因為目前網上很難找到好的資料，語音識別的資料往往並不純淨。
2、由於第一點的問題，導致深度學習降噪的效果沒有理想的好，甚至對於一些訊雜比的雜訊，效果不如基於
雜訊估計的演算法，這個時候就需要採取更多的其他的方式來優化。
3、特徵點的選擇以及訓練模型也需要更多的實驗。
附：rnnoise 降噪演算法 與傳統演算法對比分析：
深度學習的發展與挑戰
本文介紹深度神經網路在不同的分類問題和接近人類水平效能的應用領域上的顯著成果。討論深度學習作為未來科學的各種疑問，揭示深度神經網路在機器執行任務方面的隱藏能力。簡介 智慧型系統的要求 1.識別和處理各維度的複雜資訊 2.獲取大量的資訊。深度學習通過應用反向傳播演算法來確定改變的引數，以正確計算前一層...
人臉降噪中的深度學習演算法學問
降噪演算法，最大的問題是降噪後的影象容易不實，顯得模糊。而且乙個降噪演算法難以處理多種型別的噪點 彩噪 亮噪等 在監控領域，降噪演算法的劣勢體現在人臉的五官等細節不實，塗抹比較嚴重。尤其在低照度場景下，這種問題會被放大。傳統演算法搞來搞去，根據畫素點的值和空間距離設定各種規則進行濾波，都難以克服上述...
深度學習基礎 當前研究的挑戰
1 rnn難以訓練。有 表明大量不同的rnn架構，其表現力是同等的，任何效能上的差異都是由於某些架構比其他架構更容易優化導致的 2 無監督難以訓練，因為模型的輸出通常 但不總是 更大 例如，1024 x 1024畫素，巨大的語音和文字序列 3 gan難以訓練，但對目標函式進行了修改。原來jensen...