mayton2019

espeak

Начни с обычных фильтров. Когда поймешь какой фильтр работает и дает эффект - то тогда сможешь оценить
качество работы нейросетей. В противном случае получается что нейросеть что-то там сделала а как
сделала - непонятно. В большинстве случаев людям достаточно убрать шум или фон или звукового сопровождения.

Ну если человек по жизни - шепелявый то какие питчи не накладывай то все равно будет шепелявый.
А вообще задачу надо смотреть более широко. Не только голос но и согласные буквы. Слова-паразиты.
Паузы. Кашель. Шмыгание носом. Просто грамотность речи. Все это маркеры которые просто
приближают метрику к нужному человеку. Опять-же эти маркеры нужно было собирать заранее для всей выборки людей.

Вообще во всех задачах распознавания нужно брать как можно более широкий вектор параметров.

Можно с помощью youtube-dl отдельно скачать дорожку в mp3. Но в настоящий момент Youtube что-то поменял в ендпоинтах и эта утилита сломана. Ждем фикса здесь https://github.com/ytdl-org/youtube-dl/issues

И тогда можно ее вызвать из Python. И сама она тоже написана на Python. Поэтому с интеграцией не будет проблем я думаю.

Да. Обычно на корпусе указывают именно электрическую мощность. Как у чайника. Но там нужно смотреть внимательно какая имеется в виду. По ГОСТ обычно указывают среднюю действующую. По иностранным стандартам могут указывать пиковую. Тоесть дейсвтующую несколько милисекунд на максимуме. Этим часто злоупотребляют. Например мои старые колонки Радиотехника С 90 при сопротивлении 8 ОМ были что-то вроде 20Вт. А некоторые китайские бум-боксы пишут и по 900Вт на корпусе. Но тут и ежу понятно что я могу свести с ума соседей одним звуком напольных деревянных колонок а китайский бубмокс-вряд-ли.

Сопоставить громкость слышимого звука и электрическую - сложнее. Например наушники вставленные в уши могут звучать субъективно сильнее чем колонки на рок-концерте. Честно я этим вопросом даже не сильно интересовался. Да и еще наблюдение - стерео-колонки не складывают своё звуковое давление в сумму. Тоесть закон арифметики может не работать.

В аналоговой технике 20-го века (усилителях и эквалайзерах) это могло называться тон-компенсация (Equal-loudness contour) https://en.wikipedia.org/wiki/Equal-loudness_contour

В 20-м веке. Когда вы покупали радио-технику (магнитофон или винил-проигрыватель) такое каждое устройство
шло в комплекте с книжечкой которая называлась Руководство по эксплуатации. И там кроме того что была
схема электрическая принципиальная - писали на первой странице целую таблицу технических характеристик.
Например - диапазон воспроизводимых частот. И я помню что для моего Вега-Стерео там было что-то вроде
- диапазон от 20Гц до 16кГц
- уровень шумов и т.д...

И эта техника считалась ... ну так на уровне. И зак каждую цифру производитель
отвечал. Тоесть не так как китайцы. А отвечал по натоящему. По ОТК.

Сегодня например есть звуковушки которые поддерживают частоту дискретизации до 192кГц. Грубо говоря
максимально слышимая частота звука на выходе может достигать 96 килогерц. Я не знаю ультразвук это или нет
но вряд-ли вы найдете колонки которые способны воспроизвести подобный звук.

Скорее всего нет таких колонок. А даже если-бы и существовали то простой эксперимент над вами показал-бы
что вы не различаете 48кГц и 192кГц. Зачем вообще для современной музыки такая частота - я не знаю.
Аудиофилы говорят - нюансы. Но я в это не верю. Просто потому-что все на грани статистического угадывания.

На amazon.com я находил вполне себе красивые проигрыватели в форме чемодана.

Колонка. Вот там где цифра перетекает в непрерывное напряжение - (усилитель) - вот там и появляется
аналоговый сигнал. До этого весь pipeline (или как говорят в радиотехнике - тракт) полностью цифровой.

Bluetooth - это тоже стандарт цифровой связи хотя и в радио-диапазоне.

Мне видится такая декомпозиция.
1) перевод источника (mp3/aac/ogg) в формат pcm.
2) распознавание ритма и основной мелодии и гармонии. Выделение отдельных инструментов и классификация.
3) рендеринг ударной партии и сведение сольных партий с дистошеном.
4) pcm -> mp3

Пункт 2 является самым сложным. За него даже заплатят денег если автор осилит это.

Остальные пункты этого задания технически решены и интереса не представляют. Они - утилитарны.