Google দুর্বল সংযোগের গুণমানে স্পিচ ট্রান্সমিশনের জন্য Lyra অডিও কোডেক প্রকাশ করেছে

Google একটি নতুন অডিও কোডেক, Lyra প্রবর্তন করেছে, খুব ধীর যোগাযোগের চ্যানেল ব্যবহার করার সময়ও সর্বাধিক ভয়েস গুণমান অর্জনের জন্য অপ্টিমাইজ করা হয়েছে। Lyra বাস্তবায়ন কোড C++ এ লেখা এবং Apache 2.0 লাইসেন্সের অধীনে খোলা, কিন্তু অপারেশনের জন্য প্রয়োজনীয় নির্ভরতার মধ্যে একটি মালিকানা লাইব্রেরি libsparse_inference.so গাণিতিক গণনার জন্য একটি কার্নেল বাস্তবায়ন সহ রয়েছে। এটি উল্লেখ্য যে মালিকানাধীন লাইব্রেরিটি অস্থায়ী - ভবিষ্যতে Google একটি উন্মুক্ত প্রতিস্থাপন বিকাশ এবং বিভিন্ন প্ল্যাটফর্মের জন্য সমর্থন প্রদানের প্রতিশ্রুতি দেয়।

কম গতিতে প্রেরিত ভয়েস ডেটার মানের দিক থেকে, Lyra প্রথাগত কোডেকগুলির থেকে উল্লেখযোগ্যভাবে উচ্চতর যা ডিজিটাল সিগন্যাল প্রক্রিয়াকরণ পদ্ধতি ব্যবহার করে। অডিও কম্প্রেশন এবং সিগন্যাল রূপান্তরের প্রচলিত পদ্ধতির পাশাপাশি, সীমিত পরিমাণে প্রেরিত তথ্যের পরিস্থিতিতে উচ্চ মানের ভয়েস ট্রান্সমিশন অর্জন করতে, লাইরা একটি মেশিন লার্নিং সিস্টেমের উপর ভিত্তি করে একটি স্পিচ মডেল ব্যবহার করে, যা আপনাকে অনুপস্থিত তথ্যের উপর ভিত্তি করে পুনরায় তৈরি করতে দেয়। সাধারণ বক্তৃতা বৈশিষ্ট্য। শব্দ উৎপন্ন করতে ব্যবহৃত মডেলটি 70 টিরও বেশি ভাষায় কয়েক হাজার ঘন্টা ভয়েস রেকর্ডিং ব্যবহার করে প্রশিক্ষিত হয়েছিল।

কোডেক একটি এনকোডার এবং একটি ডিকোডার অন্তর্ভুক্ত। এনকোডারের অ্যালগরিদম প্রতি 40 মিলিসেকেন্ডে ভয়েস ডেটা প্যারামিটার বের করে, সেগুলিকে সংকুচিত করে এবং নেটওয়ার্কের মাধ্যমে প্রাপকের কাছে প্রেরণ করে। প্রতি সেকেন্ডে 3 কিলোবিট গতির একটি যোগাযোগ চ্যানেল ডেটা ট্রান্সমিশনের জন্য যথেষ্ট। নিষ্কাশিত অডিও প্যারামিটারগুলির মধ্যে লগারিদমিক মেল স্পেকট্রোগ্রাম রয়েছে যা বিভিন্ন ফ্রিকোয়েন্সি রেঞ্জে বক্তৃতার শক্তি বৈশিষ্ট্যগুলিকে বিবেচনা করে এবং মানুষের শ্রবণ উপলব্ধির মডেলকে বিবেচনায় নিয়ে প্রস্তুত করা হয়।

ডিকোডার একটি জেনারেটিভ মডেল ব্যবহার করে যা, প্রেরিত অডিও প্যারামিটারের উপর ভিত্তি করে, বক্তৃতা সংকেত পুনরায় তৈরি করে। গণনার জটিলতা কমাতে, পুনরাবৃত্ত নিউরাল নেটওয়ার্কের উপর ভিত্তি করে একটি হালকা ওজনের মডেল ব্যবহার করা হয়েছিল, যা WaveRNN স্পিচ সংশ্লেষণ মডেলের একটি বৈকল্পিক, যা কম নমুনা ফ্রিকোয়েন্সি ব্যবহার করে, কিন্তু বিভিন্ন ফ্রিকোয়েন্সি রেঞ্জে সমান্তরালে বেশ কয়েকটি সংকেত তৈরি করে। এর ফলে সংকেতগুলিকে নির্দিষ্ট স্যাম্পলিং হারের সাথে সামঞ্জস্যপূর্ণ একটি একক আউটপুট সংকেত তৈরি করতে সুপারইম্পোজ করা হয়।

64-বিট এআরএম প্রসেসরগুলিতে উপলব্ধ বিশেষায়িত প্রসেসর নির্দেশাবলীও ত্বরণের জন্য ব্যবহৃত হয়। ফলস্বরূপ, মেশিন লার্নিং ব্যবহার সত্ত্বেও, লাইরা কোডেকটি মধ্য-রেঞ্জের স্মার্টফোনগুলিতে রিয়েল-টাইম স্পিচ এনকোডিং এবং ডিকোডিংয়ের জন্য ব্যবহার করা যেতে পারে, যা 90 মিলিসেকেন্ডের সংকেত ট্রান্সমিশন লেটেন্সি প্রদর্শন করে।

উত্স: opennet.ru