Strona głównaUsuń szumy.
Zostaw głos.
Usuwanie szumów i wyodrębnianie głównego mówcy w czasie rzeczywistym: wszystkie inne głosy są wycinane, więc zostaje tylko Twój rozmówca.
Głośne miejsca.
Czyste rozmowy.
Ludzie dzwonią z kawiarni, biur coworkingowych i ruchliwych ulic. Clarity pomaga Twojemu agentowi głosowemu skupić się na osobie po drugiej stronie linii.
Clarity robi dwie rzeczy, w czasie rzeczywistym. Usuwa szumy tła. I wyodrębnia głównego mówcę: wszystkie inne głosy, od gwaru w kawiarni po osobę przy sąsiednim biurku, są wycinane, więc przebija się tylko Twój rozmówca.
Twój agent głosowy rozumie wtedy rozmówcę, a nie otoczenie: rozpoznawanie mowy, wykrywanie końca wypowiedzi i model, który za tym stoi, pracują na jednym czystym głosie.
Słyszysz różnicę?
Wypróbuj Clarity na własnym nagraniu.
Stworzone do prawdziwych rozmów.
Twój agent głosowy słyszy tylko rozmówcę.
Clarity usuwa szumy tła i gwar, zanim usłyszy je Twój agent głosowy, dzięki czemu wykrywanie końca wypowiedzi i rozpoznawanie mowy reagują wyłącznie na rozmówcę.
+50 msdodatkowego opóźnienia w potokach z fragmentami po 240 ms
Poddane próbie.
W starciu z najlepszymi.
Jakość wyodrębniania mówcy
Libri2Mix · DNSMOS, wyżej znaczy lepiej
| Metryka | Clarity 1240 ms | StarTSE[1]560 ms |
|---|---|---|
| Jakość mowy SIG | 3.56 (najlepszy) | 3.54 |
| Jakość tła BAK | 4.03 (najlepszy) | 3.75 |
| Jakość ogólna OVRL | 3.27 (najlepszy) | 3.12 |
Usuwanie szumów
DNS 2020 Challenge · DNSMOS, wyżej znaczy lepiej
| Metryka | Clarity 1240 ms | Bez przetwarzaniaOryginalne nagranie | AI Acoustics15 ms | DeepFilterNet310 ms | GTCRN16 ms |
|---|---|---|---|---|---|
| Jakość mowy SIG | 3.62 (najlepszy) | 3.39 | 3.46 | 3.51 | 3.34 |
| Jakość tła BAK | 4.11 (najlepszy) | 2.62 | 3.60 | 4.11 (najlepszy) | 3.98 |
| Jakość ogólna OVRL | 3.37 (najlepszy) | 2.48 | 2.98 | 3.25 | 3.05 |
Warto wiedzieć.
Czym jest Clarity?
Clarity to model poprawy jakości mowy, który wykonuje dwa zadania w czasie rzeczywistym. Usuwa szumy tła i wyodrębnia głównego mówcę: wszystkie inne głosy, takie jak gwar w kawiarni czy pobliscy współpracownicy, są wycinane, więc zostaje tylko ten jeden ważny głos. Ktokolwiek słucha, człowiek czy agent głosowy, słyszy wyraźną mowę.
Jakie opóźnienie dodaje Clarity?
Clarity przetwarza dźwięk we fragmentach po 240 ms i potrzebuje około 50 ms na każdy. Jeśli Twoje wykrywanie końca wypowiedzi już czyta dźwięk we fragmentach po 240 ms, Clarity dodaje tylko te 50 ms. Przy mniejszych blokach wejściowych dźwięk może wyjść do 290 ms później, zależnie od miejsca we fragmencie.
Skąd wie, który głos zostawić?
Wyodrębnianie głównego mówcy korzysta z krótkiego nagrania referencyjnego osoby, za którą ma podążać, i wycina wszystkie inne głosy. Bez nagrania referencyjnego zostawia najgłośniejszego mówcę.
Czy pomaga mojemu agentowi głosowemu rozumieć rozmówców?
Tak. Rozpoznawanie mowy, wykrywanie końca wypowiedzi i model językowy stojący za Twoim agentem mogą pracować tylko na dźwięku, który dostają, więc Clarity daje im jeden czysty głos: Twojego rozmówcy. Osoby w tle przestają trafiać do transkrypcji i uruchamiać wykrywania końca wypowiedzi, a agent odpowiada rozmówcy, a nie otoczeniu.
Czy czeka, aż rozmówca skończy?
Nie. Clarity przetwarza dźwięk w ciągłym strumieniu, na bieżąco. Jest stworzone do rozmów na żywo, a nie do czekania na gotowe nagranie.
Czy mogę usłyszeć to na własnym nagraniu?
Tak. Zarejestruj się i przepuść własne nagrania przez Clarity w panelu, za darmo do 30 października. W sprawie wdrożenia we własnej infrastrukturze lub większego wdrożenia skontaktuj się z nami i przynieś przykłady ze środowisk Twoich rozmówców.