ເຟສບຸກເຜີຍແຜ່ຕົວແປງສັນຍານສຽງ EnCodec ໂດຍໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກ

Meta/Facebook (ຖືກຫ້າມໃນລັດເຊຍ) ໄດ້ນໍາສະເຫນີຕົວແປງສັນຍານສຽງໃຫມ່ທີ່ເອີ້ນວ່າ EnCodec, ເຊິ່ງໃຊ້ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອເພີ່ມອັດຕາສ່ວນການບີບອັດໂດຍບໍ່ສູນເສຍຄຸນນະພາບ. ຕົວແປງສັນຍານສາມາດນໍາໃຊ້ໄດ້ທັງສໍາລັບການຖ່າຍທອດສຽງໃນເວລາຈິງແລະສໍາລັບການເຂົ້າລະຫັດສໍາລັບການເກັບຮັກສາຕໍ່ໄປໃນໄຟລ໌. ການປະຕິບັດການອ້າງອີງ EnCodec ແມ່ນຂຽນໃນ Python ໂດຍໃຊ້ກອບ PyTorch ແລະໄດ້ຮັບອະນຸຍາດພາຍໃຕ້ໃບອະນຸຍາດ CC BY-NC 4.0 (Creative Commons Attribution-NonCommercial) ສໍາລັບການນໍາໃຊ້ທີ່ບໍ່ແມ່ນການຄ້າເທົ່ານັ້ນ.

ສອງ​ແບບ​ທີ່​ກຽມ​ພ້ອມ​ແມ່ນ​ສະ​ຫນອງ​ໃຫ້​ສໍາ​ລັບ​ການ​ດາວ​ໂຫຼດ​:

• ຮູບແບບສາເຫດທີ່ໃຊ້ອັດຕາຕົວຢ່າງ 24 kHz, ຮອງຮັບພຽງແຕ່ສຽງ monophonic, ແລະໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນສຽງທີ່ຫຼາກຫຼາຍ (ເຫມາະສົມສໍາລັບການເຂົ້າລະຫັດສຽງ). ຮູບແບບສາມາດຖືກນໍາໃຊ້ເພື່ອຫຸ້ມຫໍ່ຂໍ້ມູນສຽງສໍາລັບການສົ່ງຕໍ່ໃນອັດຕາບິດ 1.5, 3, 6, 12 ແລະ 24 kbps.
• ຮູບແບບທີ່ບໍ່ມີສາເຫດໂດຍໃຊ້ອັດຕາຕົວຢ່າງ 48 kHz, ຮອງຮັບສຽງສະເຕີລິໂອ, ແລະຝຶກຝົນໃນດົນຕີເທົ່ານັ້ນ. ຮູບແບບດັ່ງກ່າວຮອງຮັບ 3, 6, 12 ແລະ 24 kbps ບິດເຣດ.

ສໍາລັບແຕ່ລະຮູບແບບ, ຮູບແບບພາສາເພີ່ມເຕີມໄດ້ຖືກກະກຽມ, ເຊິ່ງເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະບັນລຸອັດຕາສ່ວນການບີບອັດເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ (ເຖິງ 40%) ໂດຍບໍ່ມີການສູນເສຍຄຸນນະພາບ. ບໍ່ເຫມືອນກັບໂຄງການກ່ອນຫນ້າທີ່ຈະນໍາໃຊ້ເຕັກນິກການຮຽນຮູ້ເຄື່ອງຈັກໃນການບີບອັດສຽງ, EnCodec ສາມາດນໍາໃຊ້ບໍ່ພຽງແຕ່ສໍາລັບການຫຸ້ມຫໍ່ສຽງເວົ້າ, ແຕ່ຍັງສໍາລັບການບີບອັດດົນຕີທີ່ມີອັດຕາການເກັບຕົວຢ່າງຂອງ 48 kHz, ທີ່ສອດຄ້ອງກັນກັບລະດັບຂອງ CDs ສຽງ. ອີງຕາມນັກພັດທະນາຂອງຕົວແປງສັນຍານໃຫມ່, ເມື່ອຖ່າຍທອດໃນອັດຕາບິດຂອງ 64 kbps ເມື່ອທຽບກັບຮູບແບບ MP3, ພວກເຂົາເຈົ້າສາມາດເພີ່ມອັດຕາສ່ວນການບີບອັດສຽງປະມານສິບເທົ່າໃນຂະນະທີ່ຮັກສາລະດັບດຽວກັນຂອງຄຸນນະພາບ (ຕົວຢ່າງເຊັ່ນ, ເມື່ອໃຊ້ MP3. ຕ້ອງການແບນວິດຂອງ 64 kbps, ເພື່ອໂອນດ້ວຍຄຸນນະພາບດຽວກັນໃນ EnCodec, 6 kbps ແມ່ນພຽງພໍ).

ສະຖາປັດຕະຍະກໍາ codec ຖືກສ້າງຂຶ້ນບົນພື້ນຖານຂອງເຄືອຂ່າຍ neural ທີ່ມີສະຖາປັດຕະ "transformer" ແລະອີງໃສ່ສີ່ເຊື່ອມຕໍ່: encoder, quantizer, decoder ແລະຈໍາແນກ. ຕົວເຂົ້າລະຫັດສະກັດເອົາພາລາມິເຕີຂອງຂໍ້ມູນສຽງ ແລະປ່ຽນພວກມັນເປັນກະແສທີ່ບັນຈຸຢູ່ໃນອັດຕາເຟຣມຕໍ່າກວ່າ. quantizer (RVQ, Residual Vector Quantizer) converts stream output ໂດຍ encoder ເຂົ້າໄປໃນຊຸດຂອງ packets, compressing ຂໍ້ມູນທີ່ກ່ຽວຂ້ອງກັບ bitrate ທີ່ເລືອກ. ຜົນຜະລິດຂອງ quantizer ແມ່ນການບີບອັດເປັນຕົວແທນຂອງຂໍ້ມູນທີ່ເຫມາະສົມສໍາລັບການສົ່ງຜ່ານເຄືອຂ່າຍຫຼືບັນທຶກໃສ່ແຜ່ນ.

ຕົວຖອດລະຫັດຖອດລະຫັດການສະແດງຂໍ້ມູນທີ່ຖືກບີບອັດ ແລະສ້າງຄື້ນສຽງຕົ້ນສະບັບຄືນໃໝ່. ຜູ້ຈໍາແນກປັບປຸງຄຸນນະພາບຂອງຕົວຢ່າງທີ່ສ້າງຂຶ້ນ (ຕົວຢ່າງ) ໂດຍຄໍານຶງເຖິງຕົວແບບຂອງການຮັບຮູ້ການຟັງຂອງມະນຸດ. ໂດຍບໍ່ຄໍານຶງເຖິງລະດັບຂອງຄຸນນະພາບແລະອັດຕາບິດ, ແບບຈໍາລອງທີ່ໃຊ້ສໍາລັບການເຂົ້າລະຫັດແລະການຖອດລະຫັດແຕກຕ່າງກັນໃນຄວາມຕ້ອງການຊັບພະຍາກອນເລັກນ້ອຍ (ການຄິດໄລ່ທີ່ຈໍາເປັນສໍາລັບການປະຕິບັດງານໃນເວລາທີ່ແທ້ຈິງແມ່ນປະຕິບັດຢູ່ໃນຫຼັກ CPU ດຽວ).

ແຫຼ່ງຂໍ້ມູນ: opennet.ru