Implementación de un sistema de filtrado digital asistido por inteligencia artificial para la optimización de la inteligibilidad de voz en comunicaciones de banda lateral única (BL...

• Autores: Noël, Tomás
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Breslin, Roberto Daniel
• Materia: Trabajo final de grado; Telecomunicación; Red de telecomunicaciones; Inteligencia artificial
• Institución: Universidad Católica de Salta

El presente trabajo aborda el desafío crítico de la baja inteligibilidad de la voz en tiempo real en sistemas de radiocomunicación de Banda Lateral Única (BLU), causada principalmente por el ruido no estacionario y la interferencia de canal. La degradación de la calidad de audio en estos entornos operativos puede tener consecuencias graves para la seguridad pública y las operaciones de emergencia, donde la comprensión inmediata del mensaje es vital. La solución de ingeniería propuesta se centra en la convergencia del Procesamiento Digital de Señales (DSP) y la Inteligencia Artificial (IA). El método central implica el desarrollo y la implementación de un filtro digital asistido por Inteligencia Artificial Causal en una plataforma de Edge Computing de bajo costo (Raspberry Pi 5), utilizando una cadena de audio full-duplex de alta fidelidad (ADC/DAC PCM1808/PCM5102). El modelo de Deep Learning es optimizado mediante cuantización INT8 para garantizar una inferencia eficiente en tiempo real. Se postula que esta solución ofrece una robustez significativamente mayor ante ruido no estacionario y SNR ultra-baja en comparación con los algoritmos DSP clásicos (NLMS/FxLMS). El sistema será validado mediante criterios operacionales estrictos, demostrando el cumplimiento de la restricción de latencia End-to-End (E2E) ≤ 30 ms sostenida y logrando una mejora objetiva de la calidad de voz, con metas de rendimiento de ≥ 15 % en STOI y ≥ 5 dB en SI-SDR. This work addresses the critical challenge of low real-time speech intelligibility in legacy Single Side Band (SSB) radio communication systems, primarily caused by non-stationary noise and channel interference. The degradation of audio quality in such operational environments can have severe consequences for public safety and emergency operations, where immediate message comprehension is vital. The proposed engineering solution focuses on the convergence of Digital Signal Processing (DSP) and Artificial Intelligence (AI). The core method involves the development and implementation of a Causal AI-assisted digital filter on a low-cost Edge Computing platform (Raspberry Pi 5), employing a high-fidelity full-duplex audio chain (ADC/DAC PCM1808/PCM5102). The Deep Learning model is optimized through INT8 quantization to ensure efficient real-time inference. It is hypothesized that this solution provides significantly greater robustness against nonstationary noise and ultra-low SNR compared to classical DSP algorithms (NLMS/FxLMS). The system will be validated under strict operational criteria, demonstrating compliance with an End-to-End (E2E) latency constraint of ≤ 30 ms, while achieving an objective improvement in speech quality, with performance targets of ≥ 15% in STOI and ≥ 5 dB in SI-SDR.
Fil: Breslin, Roberto Daniel. Universidad Católica de Salta. Facultad de Ingeniería; Argentina.
Fil: Noël, Tomás. Universidad Católica de Salta. Facultad de Ingeniería; Argentina.