In protte minsken ûnthâlde dat de tv-searje "Silicon Valley" giet oer programmeur Richard
Hendrix, dy't by ûngelok kaam mei in revolúsjonêr data kompresje algoritme en besletten
bou jo opstart.
De adviseurs fan 'e searje stelden sels in metryske foar om te evaluearjen
ferlykbere algoritmen binne de fiktive Weissman Score.
Fierder yn it ferhaal makke de opstart in fideochat mei dizze oplossing.
De respektearre mienskip wurdt útnoege om te besprekken in oar, folslein ûngewoan
it prinsipe fan gegevenskompresje foar audio- en fideoproppen, dy't it probleem oplost mei in nije,
ûnferwachte kant.
As jo wolle meidwaan oan de diskusje fan dizze oplossing, en ek útfine wat dit hat gemien
konsepten mei Jonathan Swift en it wurk fan Leo Tolstoj, asjebleaft ûnder kat.
In bytsje teory
Lit ús yn algemiene termen beskriuwe hoe't moderne audiokommunikaasje wurket - it prinsipe is itselde foar beide
ropt oer it GSM-netwurk, lykas ek foar instant messengers en VOIP-netwurken.
Lûdvibraasjes wurde stjoerd nei de mikrofoan fan 'e smartphone, dan yn analoog-digitaal
converter (ADC of ADC):
Dêrnei komt kodearring foar mei in ferskaat oan codecs (G711, G729, OPUS, GSM, ensfh.),
fersifering wurdt tafoege of net tafoege (SRTP, ZPTP, ensfh) en stjoerd nei de omjouwing
gegevens oerdracht.
Bygelyks, hast alle instant messengers (WhatsApp, Viber, ensfh.) brûke deselde codecs (de lêste tiid is dit meastal Opus), en hast itselde in bytsje
wizige protokollen (basearre op SIP, WebRTC).
It netwurk foar gegevensoerdracht kin it iepenbiere ynternet wêze as it GSM-netwurk of
Yntranet:
Fersifering is in opsjoneel elemint yn dit skema, bygelyks yn de measte gefallen foar
SIP-tillefoanyske fersifering wurdt net brûkt.
Mar yn boaden, krekt oarsom, brûke se normaal har eigen proprietary
protokollen foar stim en fideo fersifering.
Dêrnei bart it omkearde proses - de ûntfanger, nei't de gegevens ûntfongen is, dekodearret de ûntfongen ynformaasje, dan giet it sinjaal nei de DAC (digitaal-nei-analoge converter) en komt dan yn 'e audiofersterker ferbûn mei de sprekker:
Skaaimerken fan moderne codecs:
G.711 64 Kbps.
G.726 16, 24, 32 of 40 Kbps.
G.729A 8 Kb/sek.
GSM 13 Kb/sek.
iLBC 13.3 Kb/sek. (30ms frame); 15.2 Kb/sek. (20ms frame)
Speex-berik fan 2.15 oant 22.4 Kb/sek.
G.722 64 Kbps.
Sa sil bygelyks by in 7-minuten petear op WhatsApp of Skype der wêze
Sawat 1 MB waard brûkt.
Litte wy dizze nûmers ûnthâlde - 1MB foar 7 minuten petear, wy sille se gau nedich hawwe.
"Leo Tolstoj is as in spegel ... fan revolúsje ..."
Lit ús ûnthâlde de meast ferneamde roman fan dizze grutte Russyske skriuwer:
"Oarloch en Frede" is in epyske roman fan Leo Nikolajevitsj Tolstoj, dy't Russysk beskriuwt
maatskippij yn 'e oarloggen tsjin Napoleon yn 1805-1812. De epilooch fan 'e roman bringt
ferhaal oant 1820.
De roman "Oarloch en Frede" fan L.N. Tolstoj wijde sân jier fan yntinsyf en oanhâldend wurk.
"Oarloch en Frede": it skriuwersargyf befettet mear as 5200 moai skreaune blêden.
As jo no dizze roman lêze wolle, kinne jo it maklik downloade.
En dit bestân weegt mar... 1 MB:
De formaten fb2 en epub kinne, krekt as zip, rar, yn prinsipe beskôge wurde as in soarte fan
codecs
Litte wy der oer neitinke - 7 minuten fan ús petear op WhatsApp is gelyk yn termen fan ferkearsvolume
in geweldich wurk dat 7 jier duorre om te skriuwen!
In petear fan 7 minuten waard kodearre mei de opus codec, de roman waard kodearre mei ePub, it volume is itselde -
1MB, mar wat in grut ferskil!
Gulliver's Travels
Elkenien ken dit wurk fan Jonathan Swift fan bernetiid, mar yn feite is dit boek net foar
bern.
Gulliver's Travels is in politike satire foar folwoeksenen, fansels yn 'e kontekst fan 18
ieu.
It ferrassende is dat Swift, in fûle tsjinstanner is fan syn oare tiidgenoat -
Newton, yn syn "Gulliver's Travels" foarsei net allinich de ûntdekking fan satelliten
Mars (mei in frij krekte beskriuwing fan har skaaimerken), mar ek beskreaun in nochal nijsgjirrich
wize fan kommunikaasje tusken minsken:
“... it projekt easke de folsleine ôfskaffing fan alle wurden;
de skriuwer fan dit projekt ferwiisde benammen nei syn sûnensfoardielen en besparrings
fan tiid.
It is ommers fanselssprekkend dat elk wurd dat wy útsprekke is ferbûn mei wat slijtage.
longen en, dêrom, liedt ta in fermindering fan ús libben.
En om't wurden allinnich nammen binne fan dingen, makket de skriuwer fan it projekt de oanname dat
dat it foar ús folle handiger wêze sil om de dingen mei ús te dragen dy't nedich binne om ús út te drukken
tinzen en winsken.
... in protte tige learde en wize minsken brûke dizze nije manier om har út te drukken
tinzen mei help fan dingen.
It ienige ûngemak is it feit dat, as it nedich is,
fiere in lang petear oer in ferskaat oan ûnderwerpen, de petearpartners moatte drage
skouders mei grutte bondels fan dingen, as fûnsen net tastean ynhier ien of
twa flinke jonges. Ik seach faaks twa fan sokke wizen, wurch ûnder
swiere lêst, lykas ús keaplju. Doe't se op strjitte troffen, makken se foto's
skoudertassen, iepene se en helle dêr de nedige dingen út, fierde sa in petear yn
fuortsetting fan 'e oere; doe hellen se har gerei op en holpen inoar de loads op
skouders, sei goed en skieden wegen.
Foar koarte en ienfâldige petearen kinne jo lykwols alles wat jo nedich binne yn jo bûse drage
of ûnder de earm, en in petear dat plakfynt thús net feroarsaket gjin
swierrichheden. Dêrom binne de keamers dêr't minsken mei dizze metoade sammelje, fol mei
allerhanne objekten geskikt om te tsjinjen as materiaal foar sokke keunstmjittige
petearen.
In oar grut foardiel fan dizze útfining is dat it kin wurde brûkt
as in universele taal, begryplik foar alle beskaafde folken, foar meubels en húshâlding
de gebrûksfoarwerpen binne oeral itselde of tige lykje, sadat har gebrûk maklik te begripen is.
Sa kinne gesanten maklik prate mei frjemde keningen of
ministers waans taal har folslein ûnbekend is..."
Dus, jo riede wierskynlik al wêr't ik mei dit hinne gean :)
Wêrom stjoere loftvibraasjes (lûden) oer in protte hûnderten en tûzenen kilometers?
lestich falle mei kodearring (om dizze luchtvibraasjes sa krekt en effisjint mooglik oer te bringen oan de ûntfanger), behâlde de nedige bânbreedte, as semantysk
Is de lading fan dizze oerdracht minimaal, of hat it sels nei nul?
Minsken kommunisearje ommers net mei lûden, mar mei betsjutting, ynhâld, semantyk, tinzen...
It konsept fan it nije kommunikaasjesysteem is frij simpel - oan 'e boarnekant A binne audio
trillings wurde ek digitalisearre, mar wurde net daliks oerdroegen oan de oare partij, mar
wurde omset yn tekst (Speech To Text) en dan de sinfol tekst fan
abonnee A, wa:
- kin oerdroegen wurde mei de minimale fereaske databânbreedte (sels HF-radiokommunikaasje binne mooglik, ensfh.)
- kin fersifere wurde mei elk sterk fersiferingsalgoritme
Oan kant B wurde ûntfongen berjochten ûntsifere en reprodusearre as in stim fan
abonnee A (Tekst Nei Spraak).
Jo kinne ek download de saneamde B side. stim avatar fan abonnee A, wa soe
sekuer werhelle de wize fan sprekken fan abonnee A.
In apart kanaal kin eftergrûnlûd en emoasjes oerbringe.
Itselde jildt foar fideokommunikaasje - benammen om't yndividuele eleminten al lang west hawwe
bestean yn applikaasjes (ferskate maskers, eftergrûn yn Zoom, ensfh.).
Ja, d'r binne technyske aspekten dy't op it stuit net folslein yn 'e goede foarm binne ymplementearre -
bygelyks,, de snelheid fan Speech To Text konverzje sil wêze kritysk, mar mei help fan
Foarsizzende AI-konverzjealgoritmen kinne dizze snelheid signifikant ferheegje.
It wichtichste foardiel is dat minimale bânbreedte nedich is yn it oerdrachtmedium
data.
Dy. Dit prinsipe kin brûkt wurde net allinnich foar gewoane deistige
kommunikaasje, mar ek foar militêre en lange-ôfstân kommunikaasje mei lange fertraging
(romtekommunikaasje, interplanetêr - Moanne, Mars, ensfh. :)
Hoewol dit in beskriuwing fan it konsept is, binne d'r yn feite al ferskate yn ien fan ús projekten
In prototype mei dit prinsipe is al moannen yn gebrûk.
Mar dêroer de kommende tiid mear...
Boarne: www.habr.com