З поширенням у сучасному світі голосових технологій, систем розпізнавання мовлення та телекомунікаційних сервісів, все частіше постає питання про якісну обробку аудіосигналів у цифровому форматі. Потреби користувачів у чистому звуці зростають швидше, ніж розвиваються апаратні технології запису та передачі аудіо, тому все частіше постає питання програмної оптимізації процесів шумопоглинення. Крім базових методів фільтрації та адаптивної обробки сигналів, важливу роль відіграють механізми адаптивного шумопоглинення на основі глибокого навчання. Шумопоглинення має на увазі під собою видалення небажаних шумових компонент з аудіосигналу за рахунок використання того факту, що мовлення та шум мають різні статистичні характеристики у частотно-часовій області та підпорядковуються різним законам розподілу енергії по частотному спектру. Більшість аудіоданих, що передаються по мережі – голосові повідомлення, відеоконференції, подкасти, музичні файли та потокове мовлення. Для якісної обробки цих файлів та їх компактного зберігання потрібні ефективні алгоритми шумопоглинення, які здатні швидко та якісно очищувати аудіосигнали від різних типів шуму: стаціонарного (білий шум, рожевий шум), нестаціонарного (шум натовпу, вуличний шум) та періодичного (гул вентилятора, електромережі). Проблемою при шумопоглиненні за допомогою методів глибокого навчання є обчислювальна складність нейронних мереж, яка обмежує їх застосування в режимі реального часу, особливо на мобільних пристроях з обмеженими обчислювальними ресурсами. З іншого боку, класичні методи обробки сигналів, такі як спектральне віднімання або фільтрація Вінера, працюють швидко та не потребують апаратного прискорення, але часто призводять до появи артефактів «музичного шуму» – випадкових тональних компонент, що виникають через нестаціонарність реального шуму та помилки в оцінці його статистичних характеристик. Проблемою при розробці систем шумопоглинення є знаходження оптимального балансу між якістю очищення сигналу, швидкістю обробки та обчислювальними вимогами. Існуючі рішення зазвичай орієнтуються на один з цих параметрів, жертвуючи іншими. Тому актуальною є розробка гібридних підходів, що поєднують переваги класичних та сучасних методів. У цій роботі розглянемо особливості шумопоглинення аудіосигналів, проведемо детальний аналіз класичних методів (фільтр Вінера, спектральне віднімання, адаптивна фільтрація) та сучасних підходів на основі глибокого навчання (DNN, SEGAN, WaveNet, U-Net), дослідимо їх переваги та недоліки, та реалізуємо інноваційну двоетапну модель, що дозволяє підвищити ефективність шумопоглиення при збереженні прийнятної швидкості обробки для застосувань, близьких до реального часу.