{"id":99675,"date":"2021-04-06T22:22:41","date_gmt":"2021-04-06T20:22:42","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/google-opublikoval-audiokodek-lyra-dlya-peredachi-rechi-pri-plohom-kachestve-svyazi"},"modified":"2021-04-06T22:22:41","modified_gmt":"2021-04-06T20:22:42","slug":"google-opublikoval-audiokodek-lyra-dlya-peredachi-rechi-pri-plohom-kachestve-svyazi","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/google-opublikoval-audiokodek-lyra-dlya-peredachi-rechi-pri-plohom-kachestve-svyazi","title":{"rendered":"Google ha publicado el c\u00f3dec de audio Lyra para la transmisi\u00f3n de voz en condiciones de conexi\u00f3n deficiente","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
La compa\u00f1\u00eda Google ha presentado un nuevo c\u00f3dec de audio llamado Lyra, optimizado para lograr la m\u00e1xima calidad en la transmisi\u00f3n de voz, incluso con canales de comunicaci\u00f3n muy lentos. La implementaci\u00f3n de Lyra est\u00e1 escrita en C++ y est\u00e1 bajo la licencia Apache 2.0, pero entre las dependencias necesarias para su funcionamiento se encuentra la biblioteca propietaria libsparse_inference.so, que implementa el n\u00facleo para c\u00e1lculos matem\u00e1ticos. Se se\u00f1ala que la biblioteca propietaria es temporal; en el futuro, Google promete desarrollar una sustituta de c\u00f3digo abierto y garantizar la compatibilidad con diversas plataformas. <\/p>\n
En t\u00e9rminos de calidad de los datos de voz transmitidos a bajas velocidades, Lyra supera significativamente a los c\u00f3decs tradicionales que utilizan m\u00e9todos de procesamiento digital de se\u00f1ales. Para lograr una alta calidad en la transmisi\u00f3n de voz en condiciones de un volumen limitado de informaci\u00f3n transmitida, adem\u00e1s de los m\u00e9todos convencionales de compresi\u00f3n de sonido y transformaci\u00f3n de se\u00f1ales, Lyra utiliza un modelo de voz basado en un sistema de aprendizaje autom\u00e1tico, que permite recrear la informaci\u00f3n faltante bas\u00e1ndose en caracter\u00edsticas t\u00edpicas de la voz. El modelo utilizado para la generaci\u00f3n del sonido ha sido entrenado con varias miles de horas de grabaciones de voces en m\u00e1s de 70 idiomas.
<\/center> <\/p>\n
El c\u00f3dec incluye un codificador y un decodificador. El algoritmo de funcionamiento del codificador se centra en extraer par\u00e1metros de los datos de voz cada 40 milisegundos, comprimirlos y enviarlos al receptor a trav\u00e9s de la red. Para transmitir datos, se requiere un canal de comunicaci\u00f3n con una velocidad de 3 kilobits por segundo. Los par\u00e1metros de sonido extra\u00eddos incluyen espectrogramas mel-logar\u00edtmicos, que consideran las caracter\u00edsticas de energ\u00eda de la voz en diferentes rangos de frecuencia y est\u00e1n preparados teniendo en cuenta el modelo de percepci\u00f3n auditiva humana.
<\/center> <\/p>\n
El decodificador utiliza un modelo generativo que recrea la se\u00f1al de voz a partir de los par\u00e1metros de sonido enviados. Para reducir la complejidad de los c\u00e1lculos, se aplic\u00f3 un modelo ligero basado en una red neuronal recurrente, que es una variante del modelo de s\u00edntesis de voz WaveRNN, en el que se utiliza una frecuencia de muestreo m\u00e1s baja, pero se generan simult\u00e1neamente varias se\u00f1ales en diferentes rangos de frecuencia. Las se\u00f1ales obtenidas se superponen luego para obtener una \u00fanica se\u00f1al de salida, correspondiente a la frecuencia de muestreo especificada. <\/p>\n
Para acelerar, tambi\u00e9n se aplican instrucciones de procesador especializadas, disponibles en procesadores ARM de 64 bits. Como resultado, a pesar del uso de aprendizaje autom\u00e1tico, el c\u00f3dec Lyra puede utilizarse para la codificaci\u00f3n y decodificaci\u00f3n de voz en tiempo real en smartphones de gama media, mostrando una latencia de transmisi\u00f3n de se\u00f1al de 90 milisegundos. \n Fuente: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Google](\"\/wp-content\/uploads\/2021\/04\/dff1cbc3a2422197df2b4510b0a4fc75.png\")
<\/center> <\/p>\n![\"Google](\"\/wp-content\/uploads\/2021\/04\/5fedbeb0d9e364c54c9fd35dab76f019.png\")
<\/center> <\/p>\n