Multaj homoj memoras, ke la televidserio "Silicon Valley" temas pri programisto Rikardo
Hendrix, kiu hazarde elpensis revolucian datumkunpreman algoritmon kaj decidis
konstrui vian ekentreprenon.
La konsultistoj de la serio eĉ proponis metrikon kun kiu taksi
similaj algoritmoj estas la fikcia Weissman Score.
Plie en la rakonto, la starto faris videobabilejon uzante ĉi tiun solvon.
La respektata komunumo estas invitata diskuti pri alia, tute nekutima
la principo de datumkunpremo por aŭdaj kaj videovokoj, kiu solvas la problemon kun nova,
neatendita flanko.
Se vi volas partopreni en la diskuto pri ĉi tiu solvo, kaj ankaŭ ekscii, kion ĉi tio havas komune
konceptoj kun Jonathan Swift kaj la verkoj de Leo Tolstoj, bonvolu sub kato.
Iom teorio
Ni priskribu ĝenerale kiel funkcias moderna aŭda komunikado - la principo estas la sama por ambaŭ
vokoj tra la GSM-reto, same kiel por tujmesaĝiloj kaj VOIP-retoj.
Sonvibroj estas senditaj al la mikrofono de la inteligenta telefono, tiam en analoga-cifereca
konvertilo (ADC aŭ ADC):
Poste, kodado okazas kun diversaj kodekoj (G711, G729, OPUS, GSM, ktp.),
ĉifrado estas aldonita aŭ ne aldonita (SRTP, ZPTP, ktp.) kaj sendata al la medio
transdono de datumoj.
Ekzemple, preskaŭ ĉiuj tujmesaĝiloj (WhatsApp, Viber, ktp.) uzas la samajn kodekojn (laste tio kutime estas Opus), kaj preskaŭ la samaj iomete.
modifitaj protokoloj (bazitaj sur SIP, WebRTC).
La reto de transdono de datumoj povas esti aŭ la publika Interreto aŭ la GSM-reto aŭ
intrareto:
Ĉifrado estas laŭvola elemento en ĉi tiu skemo, ekzemple en la plej multaj kazoj por
SIP-telefona ĉifrado ne estas uzata.
Sed ĉe mesaĝistoj, male, ili kutime uzas sian propran proprieton
protokoloj por voĉa kaj videoĉifrado.
Poste okazas la inversa procezo - la ricevanto, ricevinte la datumojn, malkodas la ricevitajn informojn, tiam la signalo iras al la DAC (cifereca-analoga konvertilo) kaj poste eniras la sonamplifilon konektitan al la laŭtparolilo:
Karakterizaĵoj de modernaj kodekoj:
G.711 64 Kbps.
G.726 16, 24, 32 aŭ 40 Kbps.
G.729A 8 Kb/sek.
GSM 13 Kb/sek.
iLBC 13.3 Kb/sek. (30ms kadro); 15.2 Kb/sek. (20ms kadro)
Speex Range de 2.15 ĝis 22.4 Kb/sek.
G.722 64 Kbps.
Tiel, ekzemple, dum 7-minuta konversacio ĉe WhatsApp aŭ Skajpo estos
Ĉirkaŭ 1 MB estis uzata.
Ni memoru ĉi tiujn nombrojn - 1MB por 7 minutoj da konversacio, ni baldaŭ bezonos ilin.
"Leo Tolstoj estas kiel spegulo... de revolucio..."
Ni memoru la plej faman romanon de ĉi tiu granda rusa verkisto:
"Milito kaj Paco" estas eposa romano de Lev Nikolajeviĉ Tolstoj, priskribanta la rusan
socio dum la militoj kontraŭ Napoleono en 1805-1812. La epilogo de la romano alportas
rakonto ĝis 1820.
La romano "Milito kaj Paco" de L.N. Tolstoj dediĉis sep jarojn da intensa kaj persista laboro Manuskriptoj atestas kiel unu el la plej grandaj kreaĵoj de la mondo estis kreita.
"Milito kaj Paco": la arkivo de la verkisto enhavas pli ol 5200 fajne skribitajn foliojn.
Se vi nun volas legi ĉi tiun romanon, vi povas facile elŝuti ĝin.
Kaj ĉi tiu dosiero pezas nur... 1 MB:
La formatoj fb2 kaj epub, same kiel zip, rar, principe, povas esti konsiderataj kiel speco de
kodekoj
Ni pensu pri tio - 7 minutoj de nia konversacio ĉe WhatsApp estas egalaj laŭ trafika volumo
bonega verko, kiu bezonis 7 jarojn por verki!
Konversacio de 7 minutoj estis kodita per la opus-kodeko, la romano estis kodita per ePub, la volumo estas la sama -
1MB, sed kia grandega diferenco!
La Vojaĝoj de Gulivero
Ĉiuj konas ĉi tiun verkon de Jonathan Swift de infanaĝo, sed fakte ĉi tiu libro ne estas por
infanoj.
La Vojaĝoj de Gulivero estas politika satiro por plenkreskuloj, kompreneble en la kunteksto de 18
jarcento.
La surpriza afero estas, ke Swift, estante fervora kontraŭulo de sia alia samtempulo -
Neŭtono, en sia "La Vojaĝoj de Gulivero" ne nur antaŭdiris la malkovron de satelitoj
Marso (kun sufiĉe preciza priskribo de iliaj karakterizaĵoj), sed ankaŭ priskribis sufiĉe interesa
maniero de komunikado inter homoj:
“... la projekto postulis la kompletan forigon de ĉiuj vortoj;
la aŭtoro de ĉi tiu projekto referencas ĉefe al ĝiaj sanaj profitoj kaj ŝparadoj
tempo.
Post ĉio, estas evidente, ke ĉiu vorto, kiun ni eldiras, estas asociita kun iom da eluziĝo.
pulmoj kaj, do, kondukas al redukto de nia vivo.
Kaj ĉar vortoj estas nur nomoj de aferoj, la aŭtoro de la projekto faras la supozon ke
ke estos por ni multe pli oportune kunporti la aferojn necesajn por esprimi nian
pensoj kaj deziroj.
... multaj tre kleraj kaj saĝaj homoj uzas ĉi tiun novan manieron esprimi sian
pensoj helpe de aferoj.
Ĝia nura ĝeno estas la fakto, ke, se necese,
fari longan konversacion pri diversaj temoj, la interparolantoj devas porti
ŝultroj kun grandaj faskoj da aferoj, se financoj ne permesas dungi unu aŭ
du fortaj uloj. Ofte mi hazarde vidis du tiajn saĝulojn, elĉerpitaj sub
peza ŝarĝo, kiel niaj kolportistoj. Kiam ili renkontiĝis surstrate, ili fotis
ŝultrosakoj, malfermis ilin kaj, elpreninte de tie la necesajn aferojn, tiel daŭrigis konversacion enen
daŭrigo de la horo; poste ili amasigis siajn ilojn kaj helpis unu la alian levi la ŝarĝon sur
ŝultroj, adiaŭis kaj disiĝis.
Tamen, por mallongaj kaj simplaj konversacioj vi povas porti ĉion, kion vi bezonas en via poŝo
aŭ sub la brako, kaj konversacio okazanta hejme ne kaŭzas
malfacilaĵoj. Tial, la ĉambroj, kie homoj uzantaj ĉi tiun metodon kunvenas, estas plenigitaj
ĉiaj objektoj taŭgaj por servi kiel materialo por tia artefarita
konversacioj.
Alia granda avantaĝo de ĉi tiu invento estas ke ĝi povas esti uzata
kiel universala lingvo, komprenebla por ĉiuj civilizitaj nacioj, por mebloj kaj domanaro
la iloj estas ĉie samaj aŭ tre similaj, por ke oni facile komprenu ilian uzon.
Tiel, senditoj povas facile paroli kun fremdaj reĝoj aŭ
ministroj, kies lingvo estas tute nekonata al ili..."
Do, vi verŝajne jam divenas kien mi iras kun ĉi tio :)
Kial transdoni aervibrojn (sonojn) tra multaj centoj kaj miloj da kilometroj?
ĝenu pri kodigo (por transdoni tiujn vibrojn de aero al la ricevanto kiel eble plej precize kaj efike), konservu la necesan bendolarĝon, se semantike
Ĉu la ŝarĝo de ĉi tiu dissendo estas minimuma, aŭ eĉ tendencas al nulo?
Ja homoj komunikas inter si ne per sonoj, sed per signifo, enhavo, semantiko, pensoj...
La koncepto de la nova komunika sistemo estas sufiĉe simpla - sur la fonta flanko A estas sonaĵoj
vibroj ankaŭ cifereciĝas, sed ne tuj transdonas al la alia partio, sed
estas konvertitaj en tekston (Speech To Text) kaj poste la signifoplenan tekston el
abonanto A, kiu:
- povas esti elsendita kun la minimuma postulata datenbendolarĝo (eĉ HF-radiaj komunikadoj eblas, ktp.)
- povas esti ĉifrita per iu ajn forta ĉifrada algoritmo
Sur la flanko B, ricevitaj mesaĝoj estas deĉifritaj kaj reproduktitaj kiel voĉo de
abonanto A (Text To Speech).
Vi ankaŭ povas elŝuti la tiel nomatan B-flankon. voĉavataro de abonanto A, kiu farus
precize ripetis la parolmanieron de abonanto A.
Aparta kanalo povas transdoni fonan bruon kaj emociojn.
Tute same validas por videokomunikado - precipe ĉar individuaj elementoj estas longe
ekzistas en aplikoj (diversaj maskoj, fono en Zoom, ktp.).
Jes, estas teknikaj aspektoj kiuj nuntempe ne estas plene efektivigitaj en la ĝusta formo -
ekzemple, la rapideco de Speech To Text konvertiĝo estos kritika, sed uzanta
Prognozaj AI-konvertaj algoritmoj povas signife pliigi ĉi tiun rapidecon.
La plej grava avantaĝo estas ke minimuma bendolarĝo estas postulata en la dissenda medio
datumoj.
Tiuj. Ĉi tiu principo povas esti uzata ne nur por ordinara ĉiutaga
komunikadoj, sed ankaŭ por armeaj kaj longdistancaj komunikadoj kun longaj prokrastoj
(spaca komunikado, interplaneda - Luno, Marso, ktp. :)
Kvankam ĉi tio estas priskribo de la koncepto, fakte, en unu el niaj projektoj estas jam pluraj
Prototipo kun ĉi tiu principo estas uzata dum monatoj.
Sed pli pri tio venontfoje...
fonto: www.habr.com