Introducción al modelo FRCRN

FRCRN es un modelo de supresión de ruido acústico desarrollado por DAMO Academy, accesible a través de la plataforma ModelScope. Está optimizado para audio monofónico con una frecuencia de muestreo de 16 kHz, y distingue eficazmente la voz humana del ruido de fondo, preservando la naturalidad del audio.

Características clave:

• Diseñado específicamente para formatos de audio de 16 kHz y un solo canal.
• Supresión de ruido inteligente que mantiene la claridad de la voz.
• Adecuado para diversas aplicaciones como la mejora de grabaciones.
• Capacidad para procesar múltiples archivos de forma secuencial.

Preparación del entorno de desarrlolo

Antes de comenzar, verifique que su sistema cumple con los siguientes requisitos de software:

• Intérprete de Python (versión 3.8 o superior).
• Biblioteca de computación numérica y aprendizaje profundo PyTorch.
• SDK de ModelScope para la gestión de modelos.
• Herramientas de línea de comandos como FFmpeg para el manejo de formatos de audio.

Instalación de dependencias

Para instalar el SDK de ModelScope y las dependencias esenciales, ejecute el siguiente comando en su terminal:

pip install modelscope torch torchaudio

Puede validar la instalación de ModelScope con un script de comprobación rápida:

python -c "from modelscope.pipelines import pipeline; print('SDK de ModelScope disponible.')"

Requisitos y conversión de archivos de audio

El modelo FRCRN requiere que los archivos de audio de entrada cumplan con especificaciones estrictas para garantizar un rendimiento óptimo.

Especificaciones técnicas del audio

• Frecuencia de muestreo: 16000 Hz (16 kHz).
• Canales: Mono (un solo canal).
• Formato de archivo recomendado: WAV (PCM lineal).

Conversión con FFmpeg

Si los archivos de audio no cumplen con los requisitos, utilice FFmpeg para convertirlos. El siguiente comando convierte un archivo MP3 a WAV, estableciendo la frecuencia de muestreo y el modo mono:

ffmpeg -i archivo_original.mp3 -ar 16000 -ac 1 archivo_convertido.wav

Conversión con Python (alternativa)

También puede realizar la conversión usando bibliotecas de Python como pydub:

from pydub import AudioSegment

# Cargar el archivo de audio original
audio_original = AudioSegment.from_file("grabacion.mp3")

# Convertir a mono y cambiar la frecuencia de muestreo a 16 kHz
audio_procesado = audio_original.set_channels(1).set_frame_rate(16000)

# Exportar como archivo WAV
audio_procesado.export("grabacion_procesada.wav", format="wav")

Procesamiento de un solo archivo

Para aplicar la reducción de ruido a un único archivo, se puede crear un pipeline de ModelScope. El siguiente ejemplo muestra cómo cargar el modelo y procesar una pista de audio específica:

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

# Inicializar el pipeline de supresión de ruido
supresor_ruido = pipeline(
    task=Tasks.acoustic_noise_suppression,
    model='damo/speech_frcrn_ans_cirm_16k'
)

# Aplicar el modelo al archivo de audio de entrada
resultado = supresor_ruido("conferencia_grabada.wav")

# El resultado es un diccionario con la clave 'audio' que contiene el array de datos
import soundfile as sf
sf.write("conferencia_limpia.wav", resultado['audio'], 16000)

Procesamiento por lotes para múltiples archivos

Cuando se trabaja con varios archivos, es eficiente crear un script que itere sobre un directorio. A continuación, se muestra un ejemplo estructurado de procesamiento por lotes:

import os
from pathlib import Path
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
import soundfile as sf

def procesar_audios_en_lote(carpeta_entrada, carpeta_salida):
    """
    Procesa todos los archivos .wav en la carpeta de entrada y guarda
    los resultados en la carpeta de salida.
    """
    # Asegurar que la carpeta de salida exista
    Path(carpeta_salida).mkdir(parents=True, exist_ok=True)
    
    # Cargar el pipeline del modelo una sola vez
    pipeline_ruido = pipeline(
        task=Tasks.acoustic_noise_suppression,
        model='damo/speech_frcrn_ans_cirm_16k'
    )
    
    # Iterar sobre los archivos en la carpeta de entrada
    archivos_procesados = 0
    for archivo in os.listdir(carpeta_entrada):
        if archivo.lower().endswith('.wav'):
            ruta_completa = os.path.join(carpeta_entrada, archivo)
            try:
                # Aplicar la supresión de ruido
                resultado_modelo = pipeline_ruido(ruta_completa)
                # Definir la ruta de salida
                nombre_salida = f"limpio_{archivo}"
                ruta_salida = os.path.join(carpeta_salida, nombre_salida)
                # Guardar el resultado
                sf.write(ruta_salida, resultado_modelo['audio'], 16000)
                archivos_procesados += 1
                print(f"Éxito: {archivo} -> {nombre_salida}")
            except Exception as error:
                print(f"Error procesando {archivo}: {str(error)}")
    
    print(f"\nProceso finalizado. Archivos procesados: {archivos_procesados}")

# Ejemplo de uso
if __name__ == "__main__":
    procesar_audios_en_lote("./grabaciones_originales", "./grabaciones_filtradas")

Solución de problemas comunes

Calidad del audio procesado

• Problema: El audio suena alterado o con artefactos.
  Solución: Verifique que la conversión a 16 kHz mono se realizó correctamente antes del procesamiento.
• Problema: La reducción de ruido es insuficiente.
  Solución: El modelo puede tener un rendimiento varible según el tipo de ruido. Intente normalizar el volumen del audio de entrada.

Rendimiento y ejecución

• Problema: La primera ejecución es muy lenta.
  Causa: El modelo debe descargarse desde los servidores de ModelScope (pesa varios cientos de MB).
  Solución: Asegúrese de tener una conexión a internet estable. La descarga ocurre una sola vez.
• Problema: El procesamiento es lento en lotes grandes.
  Causa: El modelo se está ejecutando únicamente con la CPU.
  Solución: Verifique que tiene instalado PyTorch con soporte para CUDA y que su GPU es compatible para acelerar el proceso.

Aplicaciones prácticas

El modelo FRCRN es versátil y puede aplicarse en múltiples escenarios del mundo real.

• Mejora de grabaciones de voz: Ideal para limpiar grabaciones de llamadas, reuniones o entrevistas, aumentando la inteligibilidad del habla.
• Producción multimedia: Útil para creadores de contenido que necesitan limpiar audio grabado en exteriores o en entornos con ruido ambiente.
• Preprocesamiento para reconocimiento de voz: Alimentar un sistema de ASR (Speech-to-Text) con audio limpio puede mejorar significativamente la precisión de la transcripción.