Facebook মেশিন লার্নিং ব্যবহার করে EnCodec অডিও কোডেক প্রকাশ করে

মেটা/ফেসবুক (রাশিয়ান ফেডারেশনে নিষিদ্ধ) একটি নতুন অডিও কোডেক, এনকোডেক প্রবর্তন করেছে, যা মান হারানো ছাড়াই কম্প্রেশন অনুপাত বাড়ানোর জন্য মেশিন লার্নিং পদ্ধতি ব্যবহার করে। কোডেকটি রিয়েল টাইমে অডিও স্ট্রিমিং এবং পরবর্তীতে ফাইলগুলিতে সংরক্ষণের জন্য এনকোডিংয়ের জন্য উভয়ই ব্যবহার করা যেতে পারে। EnCodec রেফারেন্স বাস্তবায়ন PyTorch ফ্রেমওয়ার্ক ব্যবহার করে পাইথনে লেখা হয়েছে এবং শুধুমাত্র অ-বাণিজ্যিক ব্যবহারের জন্য CC BY-NC 4.0 (Creative Commons Attribution-Noncommercial) লাইসেন্সের অধীনে লাইসেন্স করা হয়েছে।

দুটি রেডিমেড মডেল ডাউনলোডের জন্য দেওয়া হয়:

• একটি কার্যকারণ মডেল একটি 24 kHz স্যাম্পলিং রেট ব্যবহার করে, শুধুমাত্র মনোফোনিক অডিও সমর্থন করে এবং বিভিন্ন অডিও ডেটাতে প্রশিক্ষিত (স্পিচ কোডিংয়ের জন্য উপযুক্ত)। মডেলটি 1.5, 3, 6, 12 এবং 24 kbps বিট রেটে ট্রান্সমিশনের জন্য অডিও ডেটা প্যাকেজ করতে ব্যবহার করা যেতে পারে।
• 48 kHz স্যাম্পলিং রেট ব্যবহার করে একটি নন-কারসাল মডেল, স্টেরিও অডিও সমর্থন করে এবং শুধুমাত্র সঙ্গীতে প্রশিক্ষিত। মডেলটি 3, 6, 12 এবং 24 kbps এর বিটরেট সমর্থন করে।

প্রতিটি মডেলের জন্য, একটি অতিরিক্ত ভাষা মডেল প্রস্তুত করা হয়েছে, যা আপনাকে মানের ক্ষতি ছাড়াই কম্প্রেশন অনুপাত (40% পর্যন্ত) উল্লেখযোগ্য বৃদ্ধি অর্জন করতে দেয়। অডিও কম্প্রেশনের জন্য মেশিন লার্নিং পদ্ধতি ব্যবহার করে পূর্বে বিকশিত প্রকল্পগুলির বিপরীতে, EnCodec শুধুমাত্র স্পিচ প্যাকেজিংয়ের জন্যই নয়, অডিও সিডির স্তরের সাথে সঙ্গতিপূর্ণ 48 kHz এর স্যাম্পলিং রেট সহ মিউজিক কম্প্রেশনের জন্যও ব্যবহার করা যেতে পারে। নতুন কোডেক ডেভেলপারদের মতে, MP64 ফরম্যাটের তুলনায় 3 kbps এর বিটরেটের সাথে ট্রান্সমিট করার সময়, তারা একই স্তরের গুণমান বজায় রেখে অডিও কম্প্রেশনের মাত্রা প্রায় দশ গুণ বাড়িয়ে তুলতে সক্ষম হয়েছিল (উদাহরণস্বরূপ, ব্যবহার করার সময় MP3, 64 kbps এর একটি ব্যান্ডউইথ প্রয়োজন, এটির সাথে ট্রান্সমিশনের জন্য EnCodec-এ একই গুণমান যথেষ্ট 6 kbps)।

কোডেক আর্কিটেকচার একটি "ট্রান্সফরমার" আর্কিটেকচার সহ একটি নিউরাল নেটওয়ার্কে নির্মিত এবং এটি চারটি লিঙ্কের উপর ভিত্তি করে: এনকোডার, কোয়ান্টাইজার, ডিকোডার এবং ডিসক্রিমিনেটর। এনকোডার ভয়েস ডেটার প্যারামিটার বের করে এবং প্যাক করা স্ট্রীমকে কম ফ্রেমের হারে রূপান্তর করে। কোয়ান্টাইজার (RVQ, অবশিষ্ট ভেক্টর কোয়ান্টিজার) এনকোডার দ্বারা স্ট্রিম আউটপুটকে প্যাকেটের সেটে রূপান্তর করে, নির্বাচিত বিটরেটের উপর ভিত্তি করে তথ্য সংকুচিত করে। কোয়ান্টাইজারের আউটপুট হল ডেটার একটি সংকুচিত উপস্থাপন, যা নেটওয়ার্কের মাধ্যমে ট্রান্সমিশন বা ডিস্কে সংরক্ষণের জন্য উপযুক্ত।

ডিকোডার ডেটার সংকুচিত উপস্থাপনাকে ডিকোড করে এবং মূল শব্দ তরঙ্গ পুনর্গঠন করে। বৈষম্যকারী উত্পন্ন নমুনার গুণমান উন্নত করে, মানুষের শ্রবণ উপলব্ধির মডেলকে বিবেচনায় নিয়ে। গুণমান এবং বিটরেটের স্তর নির্বিশেষে, এনকোডিং এবং ডিকোডিংয়ের জন্য ব্যবহৃত মডেলগুলি বরং পরিমিত সম্পদের প্রয়োজনীয়তার দ্বারা আলাদা করা হয় (রিয়েল-টাইম অপারেশনের জন্য প্রয়োজনীয় গণনাগুলি একটি একক CPU কোরে সঞ্চালিত হয়)।

উত্স: opennet.ru