Наша разработка
CWNet
Сами спроектировали.
Сами обучили. Перенесли на Android.
CWNet учитывает выбранную частоту и контекст соседних фрагментов сигнала. Обучаем её на телеграфе с известным текстом, меняя скорость, форму посылок и помехи.
- Что даёт
- В 27 раз меньше ожидания текста: по замерам владельца средняя задержка CWNet составляет около 100 мс, DeepCW — 2700 мс. Мы управляем обучением и можем разбирать конкретные ошибки. Потоковая модель работает на процессоре телефона. В измерении на Samsung обработка блока аудио 20 мс занимала в среднем 1,785 мс — с запасом для работы в реальном времени.
- Что ещё улучшаем
- Очень слабые сигналы, границы слов и ложные символы в шуме. CWNet пока не всегда точнее DeepCW или DSP — поэтому оставляем выбор за оператором.
Частотно-обусловленное локальное внимание, CTC-декодирование и сохранение состояния между блоками. Модель получает PCM 8 или 48 кГц; два ONNX-графа занимают около 3,6 МБ. Дополнительный контекст будущего сигнала — 80 мс. Всё выполняется локально на CPU через ONNX Runtime.



