Hush: 音声AIエージェント向けオープンソースノイズ抑制ツール

Hushは、Weya AIが開発したオープンソースの音声強調モデルであり、音声AIエージェントが実際の導入環境で直面する音声品質の問題を解決することを目的としています。リアルタイム通話中の背景ノイズ、テレビの音、隣の人の会話などの干渉は、音声AIエージェントの性能に深刻な影響を与え、転写エラーや意図の誤認識を引き起こします。DeepFilterNet3やRNNoiseといった従来のノイズ抑制モデルは、ファンや交通などの定常ノイズには効果的ですが、競合する人の声という重要な問題には対応できません。Hushはゼロから設計され、主話者を分離し、すべての干渉を排除することに焦点を当てています。

Hushの主な利点は、低遅延と高効率です。モデルサイズはわずか8MBで、CPU上で完全に動作し、フレームあたりの処理時間は1ミリ秒未満であり、GPUアクセラレーションは不要です。これにより、リアルタイム音声パイプラインに容易に統合でき、会話の自然なテンポを損なうことはありません。Hushは、LibriSpeech、VCTK、Common Voiceなどのクリーン音声と、DNS Challenge、FreeSoundなどのノイズデータを含む、10,000時間以上の混合オーディオデータでトレーニングされています。トレーニングプロセスでは、知覚品質指標だけでなく、ASRの単語誤り率（WER）も評価基準として使用され、抑制後の音声が転写精度を低下させないことが保証されています。

HushはApache 2.0ライセンスでオープンソース化されており、モデル、トレーニングコード、Rustランタイムライブラリ、および事前学習済みの重みがGitHubとHugging Faceで入手可能です。Weya AIがこの技術をオープンソース化した理由は、音声AIエコシステムのギャップを埋めることです。既存のベンチマーク（DNS Challengeなど）はノイズ抑制に焦点を当てており、話者分離には対応していないため、音声AIエージェントのニーズを満たしていません。Hushは、音声エージェント、コールセンターボット、リアルタイム文字起こし、または会話型AIシステムを構築するすべてのチームに適しています。

現在、HushはHugging FaceのAudio-to-Audioリーダーボードで5位にランクインしています。チームは、よりノイズの多い背景や音声に最適化されたv2バージョンを開発中です。Hushのオープン性と性能は、音声AI分野における重要なツールとなり、業界全体の発展に貢献することが期待されています。Weya AIは、Hushが単なるノイズ抑制モデルではなく、音声AIエコシステム全体の重要なコンポーネントであり、開発者が現実世界の音響課題に対処するのに役立つと強調しています。