Meta/Facebook (entèdi nan Federasyon Larisi la) prezante yon nouvo kodèk odyo, EnCodec, ki itilize metòd aprantisaj machin pou ogmante rapò konpresyon san yo pa pèdi bon jan kalite. Codec la ka itilize tou de pou difizyon odyo an tan reyèl ak pou kodaj pou pita ekonomize nan dosye. Enplemantasyon referans EnCodec ekri an Python lè l sèvi avèk fondasyon PyTorch la epi li gen lisans anba yon lisans CC BY-NC 4.0 (Creative Commons Attribution-NonCommercial) pou itilizasyon ki pa komèsyal sèlman.
Yo ofri de modèl pare yo pou telechaje:
- Yon modèl kozatif ki itilize yon to echantiyon 24 kHz, ki sipòte sèlman odyo monofonik, epi ki fòme sou divès done odyo (apwopriye pou kodaj lapawòl). Modèl la ka itilize pou pake done odyo pou transmisyon nan pousantaj ti 1.5, 3, 6, 12 ak 24 kbps.
- Yon modèl ki pa kozatif ki sèvi ak yon to echantiyon 48 kHz, ki sipòte odyo stereo epi ki fòme sèlman sou mizik. Modèl la sipòte bitrates 3, 6, 12 ak 24 kbps.
Pou chak modèl, yo te prepare yon modèl lang adisyonèl, ki pèmèt ou reyalize yon ogmantasyon siyifikatif nan rapò a konpresyon (jiska 40%) san yo pa pèdi bon jan kalite. Kontrèman ak pwojè ki deja devlope yo lè l sèvi avèk metòd aprantisaj machin pou konpresyon odyo, EnCodec ka itilize pa sèlman pou anbalaj lapawòl, men tou pou konpresyon mizik ak yon to echantiyon 48 kHz, ki koresponn ak nivo CD odyo. Dapre devlopè nouvo kodèk la, lè yo te transmèt ak yon vitès 64 kbps konpare ak fòma MP3 a, yo te kapab ogmante degre konpresyon odyo apeprè dis fwa pandan y ap kenbe menm nivo bon jan kalite (pa egzanp lè w ap itilize. MP3, se yon Pleasant de 64 kbps obligatwa, pou transmisyon ak sa menm bon jan kalite a nan EnCodec se ase 6 kbps).
Achitekti kodèk la bati sou yon rezo neral ki gen yon achitekti "transfòmatè" epi li baze sou kat lyen: encoder, quantizer, decoder ak diskriminator. Ankode a ekstrè paramèt done vwa yo ak konvèti kouran an chaje nan yon pousantaj ankadreman ki pi ba. Quantizer a (RVQ, Residual Vector Quantizer) konvèti pwodiksyon kouran pa ankode a nan seri pakè, konpresyon enfòmasyon ki baze sou pousantaj la chwazi. Pwodiksyon an nan quantizer a se yon reprezantasyon konprese nan done yo, apwopriye pou transmisyon sou yon rezo oswa ekonomize sou disk.
Dekodeur a dekode reprezantasyon konprese done yo epi rekonstwi onn son orijinal la. Diskriminatè a amelyore kalite echantiyon yo pwodwi, pran an kont modèl pèsepsyon oditif imen an. Kèlkeswa nivo bon jan kalite ak bitrate, modèl yo itilize pou kodaj ak dekodaj yo distenge pa kondisyon resous olye modès (kalkil ki nesesè pou operasyon an tan reyèl yo fèt sou yon nwayo CPU sèl).
Sous: opennet.ru