Нейромережеве шумозаглушення: RNNoise і DeepFilterNet для чистого звуку

Вступ: чому шум вбиває розбірливість

Уявіть: ви проводите нараду в Zoom, а на фоні працює кондиціонер і стукотить клавіатура. Стандартний шумопригнічувач обрізає і голос, створюючи металевий відтінок. У результаті учасники скаржаться на втому, а автоматичне розшифрування (STT) видає 30% помилок. Ми стикалися з цим десятки разів: від VoIP-операторів з тисячами одночасних дзвінків до подкастерів, які хочуть заощадити на студії. AI-шумозаглушення — нейромережеві рішення, такі як RNNoise та DeepFilterNet, — вирішують проблему радикально: чистий звук без артефактів. Наш досвід — 5+ років в аудіообробці, понад 50 успішних інтеграцій для різних сценаріїв.

Чому спектральне віднімання створює «музичний шум»?

Традиційні методи, наприклад спектральне віднімання (noisereduce), засновані на відніманні оцінки шумової складової з сигналу. Але при низькому SNR (<10 дБ) вони починають «вирізати» мовні гармоніки, залишаючи тонкі частотні спотворення — той самий «музичний шум». В одному проєкті ми порівнювали noisereduce з нейромережею: PESQ у noisereduce склав 2.8, а у RNNoise — 3.2. Різниця відчутна на слух, а для STT WER знижується на 15-25%. RNNoise кращий за спектральне віднімання в 1.5 рази за PESQ. Згідно з дослідженнями, опублікованими в Mozilla Research, RNNoise досягає PESQ 3.2 при затримці менше 10 мс.

Як AI-моделі перевершують класику: RNNoise та DeepFilterNet

DeepFilterNet використовує глибокі фільтри та видає PESQ >3.8, але потребує GPU. Обидві моделі навчаються на парах «чиста мова + шум» та адаптуються до конкретного профілю шуму при fine-tuning. RNNoise — рекурентна мережа від Mozilla — аналізує спектр у реальному часі з затримкою менше 10 мс.

noisereduce

Бібліотека на основі спектрального віднімання з адаптивним профілем — проста у використанні, не потребує GPU.

import noisereduce as nr
import soundfile as sf

def denoise(input_path: str, output_path: str) -> None:
    audio, sr = sf.read(input_path)
    noise_sample = audio[:int(sr * 0.5)]
    reduced = nr.reduce_noise(y=audio, sr=sr, y_noise=noise_sample,
                              prop_decrease=0.75, stationary=False)
    sf.write(output_path, reduced, sr)

RNNoise

Легковагова рекурентна мережа, працює в реальному часі. Інтегрується через FFmpeg. RNNoise — open-source проєкт, який можна вбудувати в FreeSWITCH або Asterisk.

import subprocess

def rnnoise_denoise(input_wav: str, output_wav: str) -> None:
    subprocess.run([
        "ffmpeg", "-i", input_wav,
        "-af", "arnndn=m=/usr/share/rnnoise/models/bd.rnnn",
        output_wav
    ], check=True)

DeepFilterNet

SOTA-модель для студійної якості. Потребує GPU, але дає PESQ >3.8. Підтримує ONNX-експорт для інференсу на Triton.

from df import enhance, init_df

model, state, _ = init_df()

def enhance(audio: np.ndarray, sr: int) -> np.ndarray:
    return enhance(model, state, audio)

Які результати дають моделі?

DeepFilterNet перевершує noisereduce на 0.8 бала PESQ. Для реального кейсу з VoIP-оператором ми заміряли:

При 1000 одночасних дзвінків RNNoise тримає p99 latency <15 мс, DeepFilterNet на GPU T4 — <30 мс. Економія на ручній верифікації в одному проєкті склала до кількох тисяч доларів на місяць.

Як інтегрувати RNNoise в WebRTC пайплайн?

RNNoise можна вбудувати в WebRTC на серверній стороні, наприклад, з використанням FreeSWITCH та mod_rnnoise. Ми розгортали таке рішення для оператора: 500 одночасних дзвінків, затримка 5 мс, зниження WER з 28% до 14%. Економія на ручній верифікації досягла тисяч доларів щомісяця. Порівняння з класичним AEC: RNNoise зменшує WER у 2 рази. Для високонавантажених систем економія на операційних витратах може бути значною.

Для RNNoise достатньо CPU (одне ядро на потік). DeepFilterNet потребує GPU (NVIDIA T4 або вище) та CUDA 11+. Рекомендуємо контейнеризацію через Docker для простоти розгортання.

Процес роботи

1. Аналіз шумового профілю — запис 10 секунд аудіо, вимірювання SNR та спектру. Визначаємо тип шуму: стаціонарний (гул) або нестаціонарний (трафік).
2. Вибір моделі — на основі вимог до latency та якості. Для real-time — RNNoise або DeepFilterNet (якщо є GPU).
3. Інтеграція — через API, Docker-контейнер, FFmpeg-фільтр або модуль FreeSWITCH.
4. Навантажувальне тестування — p99 latency, PESQ, STOI при 1000 потоках.
5. Деплой — контейнеризація, моніторинг метрик (Grafana + Prometheus).

Терміни: від 3 до 10 робочих днів. Вартість розраховується індивідуально — залежить від складності пайплайну та кількості моделей.

Що входить у результат

• Оптимізований інференс моделі (ONNX, TensorRT) під вашу архітектуру
• Документація з інтеграції та експлуатації
• Навантажувальний звіт з метриками
• Навчання команди (2 години вебінару)
• 3 місяці технічної підтримки

Ми гарантуємо покращення PESQ мінімум на 0.5 бала та зниження WER на 15-40%. Оцініть ваш сценарій — зв'яжіться з нами для попереднього аналізу. Отримайте чистий звук без викривлень. Замовте пілотний проєкт на ваших даних. Отримайте консультацію для вашого проєкту.

Розпізнавання та синтез мовлення: перша лінія проблеми

Ми стикаємося із замовником, який має 40 000 годин записів кол-центру й хоче транскрибувати їх за тиждень — це типова задача розпізнавання мови ASR. Штатний хмарний ASR (Google Speech-to-Text) видає WER 28% на галузевій лексиці, а ціна при таких обсягах стає непідйомною. Завдання — знизити WER нижче 10% і перейти на self-hosted інференс. Така ситуація повторюється в кожному другому проєкті, і ми маємо напрацьований патерн рішення.

Типові технічні проблеми та їх усунення

WER не сходиться до потрібної метрики. Найчастіше винна не архітектура, а дані: шумні аудіо без нормалізації рівня (–23 LUFS замість стандарту), змішані мови в одному каналі, акцент, специфічна доменна лексика. Whisper large-v3 з коробки дає WER 8–12% на чистій українській і провалюється до 25–35% на записах з PSTN-артефактами та вузькосмуговим кодеком G.711.

Діаризація ламається при більш ніж двох спікерах. pyannote/speaker-diarization-3.1 працює стабільно при 2–3 мовцях, але DER (Diarization Error Rate) зростає з 6% до 18–22% при 5+ учасниках конференції. Проблема посилюється перехресними репліками: за замовчуванням min_duration_on=0.1 обрізає короткі вставки. Рішення — збільшити min_duration_on до 0.3 та додати overlap detection через pyannote-overlap-detection.

Клонування голосу — латентність чи якість. XTTS v2 (Coqui) дає натуральний голос, але при потоковій генерації stream_chunk_size=20 перший аудіочанк прилітає через 1.4–2.0 с — неприйнятно для інтерактивних сценаріїв. StyleTTS2 та Kokoro швидші, але вимагають точного підготовки референсного аудіо. Ми навчилися вирішувати цю дилему за допомогою гібридного підходу: на старті використовуємо Silero TTS (50–100 мс TTFB), а після отримання перших 3 секунд аудіо перемикаємо на XTTS для кращої натуральності.

Як вибрати ASR-модель під ваші дані?

faster-whisper (CTranslate2) швидший за оригінальний Whisper у 4 рази при однаковому WER. Для продакшену ми завжди використовуємо його.

Практичний приклад: fine-tuning Whisper на доменній лексиці

Фінтех-компанія з 12 000 дзвінків/день. Початковий WER на українській з банківською лексикою — 22% (Google STT). Після fine-tuning whisper-medium на 200 годинах розмічених записів через Hugging Face transformers + Seq2SeqTrainer з learning_rate=1e-5, warmup_steps=500 — WER впав до 7.3%. Інференс на одній A10G через faster-whisper з compute_type=float16 обробляє 40-хвилинний дзвінок за 55 секунд. Підсумкова вартість інференсу — $0.50 за годину аудіо, що в 6 разів дешевше за хмарне рішення. Проєкт виконано за 6 тижнів, включаючи підготовку даних і валідацію.

Техніка fine-tuning описана в офіційній документації Whisper на Hugging Face.

Як донавчити Whisper на доменних даних?

Коли загальна модель не справляється, fine-tuning — перший інструмент. Мінімальний датасет для помітного покращення — 20–30 годин розміченого аудіо в цільовому домені. Розмітку можна отримати через ітеративний процес: прогнати через базову модель → вручну виправити 10–15% помилок → перенавчити → повторити.

training_args = Seq2SeqTrainingArguments(
    per_device_train_batch_size=16,
    gradient_accumulation_steps=2,
    learning_rate=1e-5,
    warmup_steps=500,
    max_steps=5000,
    fp16=True,
    predict_with_generate=True,
    generation_max_length=225,
)

При fine-tuning обов’язково заморожуйте encoder перші 1000 кроків (model.freeze_encoder()), інакше акустичні ознаки роз’їдуться раніше, ніж decoder адаптується до нової лексики.

Синтез мовлення: що обрати для вашого сценарію?

Для інтерактивних ботів з вимогою TTFB < 300 мс — Silero або Kokoro. Для озвучення контенту, де важлива натуральність — XTTS v2 з потоковою віддачею через WebSocket. Ми гарантуємо, що підібрана модель відповідатиме вашим вимогам до латентності та якості — це підтверджено на 50+ реалізованих проєктах.

Наш досвід та гарантії

10+ років досвіду в NLP та speech processing. 50+ успішних проєктів для fintech, telecom, медицини. Сертифіковані моделі (Model Card + bias audit). Ми гарантуємо зниження WER до цільового рівня, інакше повертаємо кошти.

Що входить у роботу з нами?

Клієнт отримує:

• Документацію: model card, інструкцію з розгортання, API-специфікацію (OpenAPI 3.0)
• Код: готові скрипти для інференсу, пайплайни обробки (Docker Compose + Kubernetes маніфести за потреби)
• Доступи: до self-hosted інстансів, графіки моніторингу (Grafana + Prometheus)
• Навчання: 2 сесії для вашої команди (налаштування, експлуатація, troubleshooting)

Ми також надаємо сертифікат відповідності моделі (Model Card + bias report), що підсилює довіру до рішення.

Процес роботи та терміни

1. Аудит-сесія – беремо 2–4 години ваших записів, проганяємо через кілька моделей, вимірюємо WER/CER, дивимося на розподіл помилок (лексичні, акустичні, мова). Займає 1–2 дні.
2. Вибір архітектури – під ваш throughput: один GPU для 1000 хв/день або кластер з балансувальником для 100 000+ хв/день.
3. Реалізація – Docker-контейнер з FastAPI або Triton Inference Server для батчованого інференсу. Інтеграція з чергою Kafka.
4. Тестування – A/B тест на продакшн-даних, порівняння з baseline (Google/Azure STT).
5. Деплой – CI/CD (GitHub Actions + ArgoCD), моніторинг (Grafana + WER/CER алерти).

Терміни:

• Базова інтеграція готової моделі – 1–2 тижні.
• Fine-tuning з підготовкою даних та валідацією – 4–8 тижнів.
• Повна розробка голосового пайплайну (ASR + діаризація + TTS + моніторинг) – 2–4 місяці.

Зв'яжіться з нами для безкоштовної консультації — оцінимо ваш проєкт за 2 дні. Або замовте пілотний fine-tuning на 20 годинах ваших даних і отримайте перші результати вже за 2 тижні.