Âm thanh siêu phân giải là công nghệ sử dụng AI để ước tính và bổ sung các thành phần tần số cao bị mất trong âm thanh tốc độ lấy mẫu thấp hoặc tốc độ bit thấp, đồng thời khôi phục âm thanh chất lượng cao. Một ứng dụng của kỹ thuật siêu phân giải hình ảnh vào miền âm thanh.
Âm thanh siêu phân giải là công nghệ sử dụng mô hình học sâu để ước tính và bổ sung các dải tần số cao bị thiếu trong âm thanh chất lượng thấp như 8kHz và 16kHz, đồng thời chuyển đổi thành âm thanh có độ phân giải cao từ 44,1kHz trở lên. Các ứng dụng điển hình bao gồm khôi phục kho lưu trữ âm thanh điện thoại và bản ghi VoIP, đồng thời cải thiện độ chính xác của bản sao thông qua tiền xử lý ASR.
Hỗ trợ xử lý theo thời gian thực sẽ là trở ngại lớn nhất trong hoạt động thực tế vào năm 2026. Việc triển khai dựa trên EnCodec và HiFi-GAN của Meta đã đạt được tốc độ thực tế để xử lý hàng loạt, nhưng các ứng dụng phát trực tiếp và cuộc gọi yêu cầu độ trễ từ 50 mili giây trở xuống, do đó chi phí lựa chọn GPU liên quan trực tiếp đến lợi nhuận. Giá thị trường cho API đám mây là khoảng 0,10 USD đến 0,50 USD mỗi giờ âm thanh, vì vậy hãy lưu ý rằng chi phí ban đầu sẽ tăng vọt khi xây dựng tại chỗ.
Có ba điểm cần cân nhắc khi lựa chọn tại chỗ. ① Kiến trúc mô hình thay đổi tùy thuộc vào việc đó là “khôi phục kho lưu trữ” hay “xử lý thời gian thực”. ②Đối với giọng nói tiếng Nhật, nếu mô hình được huấn luyện bằng dữ liệu tiếng Anh thì độ chính xác phục hồi phụ âm sẽ thấp hơn, do đó, việc tinh chỉnh hoặc mô hình dành riêng cho tiếng Nhật sẽ có lợi cho việc sử dụng trong nước. ③ Kể từ năm 2026, vẫn sẽ có vùng xám về mặt pháp lý trong việc áp dụng bản quyền âm nhạc nên cần phải kiểm tra trước khi sử dụng cho mục đích thương mại.
Ví dụ: nó ngày càng được sử dụng nhiều hơn để sửa lại các chương trình trước đây tại các đài phát sóng và xử lý trước ASR cho các bản ghi của trung tâm cuộc gọi, đồng thời các yêu cầu về ReviewAI như một công cụ cải thiện chất lượng âm thanh đang ngày càng tăng.