Google ने खराब कनेक्शन गुणवत्ता में भाषण प्रसारण के लिए लाइरा ऑडियो कोडेक प्रकाशित किया है

गूगल ने एक नया ऑडियो कोडेक, लाइरा (Lyra) प्रस्तुत किया है, जो बहुत धीमे संचार चैनलों पर भी अधिकतम वाक् गुणवत्ता प्राप्त करने के लिए अनुकूलित है। लाइरा कार्यान्वयन कोड C++ में लिखा गया है और अपाचे 2.0 लाइसेंस के अंतर्गत ओपन सोर्स है, लेकिन संचालन के लिए आवश्यक निर्भरताओं में गणितीय गणनाओं के लिए कोर के कार्यान्वयन के साथ स्वामित्व वाली libsparse_inference.so लाइब्रेरी भी शामिल है। यह ध्यान देने योग्य बात है कि स्वामित्व वाली लाइब्रेरी अस्थायी है - भविष्य में, गूगल एक खुला प्रतिस्थापन विकसित करने और विभिन्न प्लेटफार्मों के लिए समर्थन प्रदान करने का वादा करता है।

कम गति पर प्रेषित ध्वनि डेटा की गुणवत्ता के संदर्भ में, लाइरा डिजिटल सिग्नल प्रोसेसिंग विधियों का उपयोग करने वाले पारंपरिक कोडेक्स से काफी आगे है। प्रेषित सूचना की सीमित मात्रा की स्थिति में उच्च गुणवत्ता वाली आवाज संचरण प्राप्त करने के लिए, ऑडियो संपीड़न और संकेत रूपांतरण के पारंपरिक तरीकों के अलावा, लाइरा एक मशीन लर्निंग सिस्टम पर आधारित भाषण मॉडल का उपयोग करता है, जो विशिष्ट भाषण विशेषताओं के आधार पर गायब जानकारी को फिर से बनाने की अनुमति देता है। ध्वनि उत्पन्न करने के लिए प्रयुक्त मॉडल को 70 से अधिक भाषाओं में हजारों घंटों की ध्वनि रिकॉर्डिंग का उपयोग करके प्रशिक्षित किया गया था।

एक कोडेक में एक एनकोडर और एक डिकोडर शामिल होता है। एनकोडर का एल्गोरिथ्म प्रत्येक 40 मिलीसेकंड में ध्वनि डेटा पैरामीटर्स को निकालने, उन्हें संपीड़ित करने और नेटवर्क पर प्राप्तकर्ता तक प्रेषित करने तक सीमित हो जाता है। डेटा संचरण के लिए 3 किलोबिट प्रति सेकंड की गति वाला संचार चैनल पर्याप्त है। निकाले गए ध्वनि मापदंडों में लॉगरिदमिक मेल-स्पेक्ट्रोग्राम शामिल हैं जो विभिन्न आवृत्ति श्रेणियों में भाषण ऊर्जा की विशेषताओं को ध्यान में रखते हैं और मानव श्रवण धारणा के मॉडल को ध्यान में रखते हुए तैयार किए जाते हैं।

डिकोडर एक जनरेटिव मॉडल का उपयोग करता है जो प्रेषित ऑडियो मापदंडों के आधार पर वाक् संकेत को पुनः निर्मित करता है। गणनाओं की जटिलता को कम करने के लिए, आवर्तक तंत्रिका नेटवर्क पर आधारित एक हल्के मॉडल का उपयोग किया गया, जो WaveRNN स्पीच संश्लेषण मॉडल का एक प्रकार है, जो कम नमूना आवृत्ति का उपयोग करता है, लेकिन विभिन्न आवृत्ति श्रेणियों में समानांतर रूप से कई संकेत उत्पन्न करता है। परिणामी संकेतों को फिर एक दिए गए नमूना आवृत्ति के अनुरूप एकल आउटपुट संकेत उत्पन्न करने के लिए आरोपित किया जाता है।

64-बिट ARM प्रोसेसर में उपलब्ध विशेष प्रोसेसर निर्देशों का उपयोग भी त्वरण के लिए किया जाता है। परिणामस्वरूप, मशीन लर्निंग के उपयोग के बावजूद, लाइरा कोडेक का उपयोग मध्य-श्रेणी के स्मार्टफोन पर वास्तविक समय में स्पीच एनकोडिंग और डिकोडिंग के लिए किया जा सकता है, जो 90 मिलीसेकंड की सिग्नल ट्रांसमिशन विलंबता प्रदर्शित करता है।

स्रोत: opennet.ru