ระบบตัดเสียงรบกวนรู้ได้อย่างไรว่าเสียงไหนคือเสียงเรา

เวลาคุยโทรศัพท์ในร้านกาแฟ เสียงรถบนถนนดังอยู่ข้าง ๆ หรือมีคนพูดคุยกันเต็มห้อง แต่ปลายสายกลับได้ยินเสียงเราค่อนข้างชัด หลายคนอาจสงสัยว่า หูฟังหรือโทรศัพท์รู้ได้อย่างไรว่าเสียงไหนคือเสียงของเรา และเสียงไหนควรตัดทิ้ง

คำตอบคือ มันไม่ได้ “ฟังออก” แบบมนุษย์ แต่ใช้ทั้ง ไมโครโฟน การประมวลผลสัญญาณ และในอุปกรณ์รุ่นใหม่บางประเภทก็ใช้ AI เพื่อแยกเสียงที่ต้องการออกจากเสียงรอบข้าง

ก่อนอื่นต้องแยกคำว่า Noise Cancelling กับ Voice Isolation ออกจากกัน

ระบบ Noise Cancelling ที่ใช้สำหรับการฟังเพลงจะทำงานโดยไมโครโฟนตรวจจับเสียงภายนอก แล้วสร้างคลื่นเสียงที่มีลักษณะตรงข้าม เพื่อหักล้างเสียงรบกวน เหมาะกับเสียงที่ค่อนข้างต่อเนื่อง เช่น เสียงเครื่องยนต์หรือเสียงแอร์

แต่เวลาพูดโทรศัพท์ สิ่งที่ต้องการไม่ใช่แค่ “ลดเสียงดัง” แต่ต้อง เก็บเสียงพูดของเราเอาไว้

ตรงนี้จึงเข้าสู่ระบบ Voice Isolation หรือระบบประมวลผลเสียงพูด

ลองนึกภาพว่าไมโครโฟนกำลังได้ยินเสียงทั้งหมดพร้อมกัน ทั้งเสียงรถ เสียงคนคุย เสียงพัดลม และเสียงของเรา ระบบจะรับสัญญาณเหล่านี้เข้ามา แล้ววิเคราะห์ลักษณะของเสียงเพื่อประเมินว่า ส่วนไหนมีแนวโน้มเป็นเสียงพูดที่ต้องการ

อุปกรณ์บางรุ่นใช้ ไมโครโฟนหลายตัว เพื่อดูว่าเสียงมาจากทิศทางใด เมื่อเสียงจากปากของเราไปถึงไมโครโฟนแต่ละตัวในเวลาหรือระดับที่แตกต่างกัน ระบบสามารถใช้ข้อมูลเหล่านี้ช่วยเน้นเสียงจากทิศทางของผู้พูด และลดเสียงจากทิศทางอื่นได้ เทคนิคนี้เรียกว่า beamforming และมีการใช้ร่วมกับอัลกอริทึมลดเสียงรบกวนในหูฟังสมัยใหม่

แต่เรื่องยังซับซ้อนกว่านั้น

เสียงพูดของมนุษย์ไม่ได้มีรูปแบบเดียวตลอดเวลา เราพูดเบาบ้าง ดังบ้าง เปลี่ยนเสียงสูงต่ำ และหยุดเป็นช่วง ๆ ระบบจึงต้องประมวลผลเสียงอย่างต่อเนื่อง

เทคโนโลยีสมัยใหม่สามารถใช้โมเดลการประมวลผลเสียงเพื่อแยกเสียงพูดออกจากเสียงรบกวนได้ ตัวอย่างเช่น งานวิจัยของ Apple อธิบายระบบ Voice Isolation ที่นำเสียงพูดซึ่งปะปนกับเสียงรบกวนมาผ่านกระบวนการหลายขั้นตอน รวมถึงการแยกเสียงพูดและการปรับปรุงสเปกตรัมของเสียงด้วยโมเดลที่ผ่านการฝึกมา

พูดง่าย ๆ คือ ระบบไม่ได้ถามตัวเองว่า

“นี่คือเสียงของเจ้าของเครื่องหรือเปล่า?”

แต่กำลังถามว่า

“เสียงส่วนไหนมีลักษณะเป็นเสียงพูดที่ควรเก็บไว้ และเสียงส่วนไหนมีแนวโน้มเป็นเสียงรบกวน?”

นี่เป็นเหตุผลว่าทำไมระบบจึงไม่ได้สมบูรณ์แบบเสมอไป

ถ้ามีคนพูดอยู่ข้าง ๆ พร้อมกับเรา เสียงทั้งสองอาจมีลักษณะใกล้เคียงกัน ระบบจึงอาจแยกออกได้ยากขึ้น เช่นเดียวกับเสียงที่เกิดขึ้นฉับพลันหรือเสียงที่มีความถี่ใกล้กับเสียงพูด

บางครั้งจึงเกิดเหตุการณ์ที่เสียงคนข้าง ๆ หายไป แต่บางคำของเราก็หายตามไปด้วย หรือเสียงพูดฟังดูแปลก ๆ เพราะระบบพยายามตัดสิ่งที่คิดว่าเป็นเสียงรบกวนออก

อุปกรณ์บางรุ่นยังใช้ข้อมูลจากไมโครโฟนหลายตัวร่วมกับ AI และ beamforming เพื่อจับเสียงของผู้ใช้ให้ชัดขึ้นโดยเฉพาะระหว่างการโทร

ในฝั่งโทรศัพท์ก็มีระบบลักษณะเดียวกัน ปัจจุบันบางอุปกรณ์มีโหมด Voice Isolation ที่ออกแบบมาเพื่อให้ความสำคัญกับเสียงของผู้พูดและลดเสียงรอบข้างโดยตรง

ดังนั้น ครั้งหน้าที่กำลังคุยโทรศัพท์อยู่กลางร้านอาหาร แล้วปลายสายบอกว่า

“เสียงชัดมาก ไม่ได้ยินเสียงข้างหลังเลย”

เบื้องหลังประโยคธรรมดานั้น มีไมโครโฟนหลายตัวกำลังเก็บข้อมูล มีอัลกอริทึมกำลังวิเคราะห์คลื่นเสียง และอาจมีโมเดล AI กำลังตัดสินใจทีละเสี้ยววินาทีว่า เสียงไหนควรอยู่ และเสียงไหนควรถูกลบออก

ทั้งหมดเกิดขึ้นเร็วมากจนเราแทบไม่ทันรู้ตัว เทคโนโลยีไม่ได้ทำให้โลกของเราเงียบลง

มันเพียง เลือกให้เราได้ยินสิ่งที่สำคัญกว่า