फेसबुक ने मशीन लर्निंग का उपयोग करके एनकोडेक ऑडियो कोडेक प्रकाशित किया

मेटा/फेसबुक (रूसी संघ में प्रतिबंधित) ने एक नया ऑडियो कोडेक, एनकोडेक पेश किया, जो गुणवत्ता खोए बिना संपीड़न अनुपात को बढ़ाने के लिए मशीन सीखने के तरीकों का उपयोग करता है। कोडेक का उपयोग वास्तविक समय में ऑडियो स्ट्रीमिंग और बाद में फ़ाइलों में सहेजने के लिए एन्कोडिंग दोनों के लिए किया जा सकता है। EnCodec संदर्भ कार्यान्वयन PyTorch फ्रेमवर्क का उपयोग करके Python में लिखा गया है और इसे केवल गैर-व्यावसायिक उपयोग के लिए CC BY-NC 4.0 (क्रिएटिव कॉमन्स एट्रिब्यूशन-नॉन-कमर्शियल) लाइसेंस के तहत लाइसेंस प्राप्त है।

दो तैयार मॉडल डाउनलोड के लिए पेश किए गए हैं:

• 24 किलोहर्ट्ज़ नमूना दर का उपयोग करने वाला एक कारण मॉडल, केवल मोनोफोनिक ऑडियो का समर्थन करता है, और विविध ऑडियो डेटा (स्पीच कोडिंग के लिए उपयुक्त) पर प्रशिक्षित होता है। मॉडल का उपयोग 1.5, 3, 6, 12 और 24 केबीपीएस की बिट दर पर ट्रांसमिशन के लिए ऑडियो डेटा पैकेज करने के लिए किया जा सकता है।
• 48 किलोहर्ट्ज़ की नमूना दर का उपयोग करने वाला एक गैर-कारण मॉडल, स्टीरियो ऑडियो का समर्थन करता है और केवल संगीत पर प्रशिक्षित होता है। मॉडल 3, 6, 12 और 24 केबीपीएस की बिटरेट का समर्थन करता है।

प्रत्येक मॉडल के लिए, एक अतिरिक्त भाषा मॉडल तैयार किया गया है, जो आपको गुणवत्ता की हानि के बिना संपीड़न अनुपात (40% तक) में उल्लेखनीय वृद्धि प्राप्त करने की अनुमति देता है। ऑडियो संपीड़न के लिए मशीन लर्निंग विधियों का उपयोग करने वाली पहले विकसित परियोजनाओं के विपरीत, एनकोडेक का उपयोग न केवल भाषण पैकेजिंग के लिए किया जा सकता है, बल्कि ऑडियो सीडी के स्तर के अनुरूप 48 kHz की नमूना दर के साथ संगीत संपीड़न के लिए भी किया जा सकता है। नए कोडेक के डेवलपर्स के अनुसार, एमपी64 प्रारूप की तुलना में 3 केबीपीएस की बिटरेट के साथ संचारित करते समय, वे गुणवत्ता के समान स्तर को बनाए रखते हुए ऑडियो संपीड़न की डिग्री को लगभग दस गुना बढ़ाने में सक्षम थे (उदाहरण के लिए, उपयोग करते समय) एमपी3, 64 केबीपीएस की बैंडविड्थ की आवश्यकता है, उसके साथ ट्रांसमिशन के लिए एनकोडेक में समान गुणवत्ता 6 केबीपीएस पर्याप्त है)।

कोडेक आर्किटेक्चर एक "ट्रांसफार्मर" आर्किटेक्चर के साथ एक तंत्रिका नेटवर्क पर बनाया गया है और यह चार लिंक पर आधारित है: एनकोडर, क्वांटाइज़र, डिकोडर और डिस्क्रिमिनेटर। एनकोडर वॉयस डेटा के पैरामीटर निकालता है और पैक्ड स्ट्रीम को कम फ्रेम दर में परिवर्तित करता है। क्वांटाइज़र (आरवीक्यू, अवशिष्ट वेक्टर क्वांटाइज़र) एनकोडर द्वारा स्ट्रीम आउटपुट को पैकेट के सेट में परिवर्तित करता है, चयनित बिटरेट के आधार पर जानकारी को संपीड़ित करता है। क्वांटाइज़र का आउटपुट डेटा का एक संपीड़ित प्रतिनिधित्व है, जो नेटवर्क पर ट्रांसमिशन या डिस्क पर सहेजने के लिए उपयुक्त है।

डिकोडर डेटा के संपीड़ित प्रतिनिधित्व को डिकोड करता है और मूल ध्वनि तरंग का पुनर्निर्माण करता है। विवेचक मानव श्रवण धारणा के मॉडल को ध्यान में रखते हुए, उत्पन्न नमूनों की गुणवत्ता में सुधार करता है। गुणवत्ता और बिटरेट के स्तर के बावजूद, एन्कोडिंग और डिकोडिंग के लिए उपयोग किए जाने वाले मॉडल मामूली संसाधन आवश्यकताओं से भिन्न होते हैं (वास्तविक समय संचालन के लिए आवश्यक गणना एकल सीपीयू कोर पर की जाती है)।

स्रोत: opennet.ru