其他行业 · AI应用
用于语音-噪声分离的深度学习助听器
研究人员开发了一个GPU加速的深度学习程序，能够将人类语音从背景噪声中分离出来，并分别调整各自的音量。该程序训练了一个深度神经网络，学习了85个区分语音和噪声的特征，能够分析嘈杂的音频样本，将时频单元分类为语音或非语音，并过滤掉噪声。这解决了助听器用户的主要困扰。使用TensorFlow、cuDNN、CUDA和NVIDIA TITAN X等技术，参与者的语音理解能力从10%提高到近90%，听力受损者在使用该程序后，在理解嘈杂句子方面甚至优于正常听力者。
开发了一个GPU加速的深度学习程序，用于从背景噪声中分离人类语音。
未披露
训练了一个深度神经网络，学习了85个区分语音和噪声的特征。
未披露
语音理解能力显著提高，参与者从10%提升到近90%。
未披露
01
业务背景
研究人员开发了一个GPU加速的深度学习程序，能够将人类语音从背景噪声中分离出来，并分别调整各自的音量。该程序训练了一个深度神经网络，学习了85个区分语音和噪声的特征，能够分析嘈杂的音频样本，将时频单元分类为语音或非语音，并过滤掉噪声。这解决了助听器用户的主要困扰。使用TensorFlow、cuDNN、CUDA和NVIDIA TITAN X等技术，参与者的语音理解能力从10%提高到近90%，听力受损者在使用该程序后，在理解嘈杂句子方面甚至优于正常听力者。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了一个GPU加速的深度学习程序，用于从背景噪声中分离人类语音。：
训练了一个深度神经网络，学习了85个区分语音和噪声的特征。：
语音理解能力显著提高，参与者从10%提升到近90%。：
听力受损者使用该程序后，在理解嘈杂句子方面优于正常听力者。：
使用了TensorFlow、cuDNN、CUDA和NVIDIA TITAN X等技术。：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。