Google ໄດ້ເຜີຍແຜ່ຕົວແປງສັນຍານສຽງ Lyra ສຳລັບການສົ່ງສຽງເວົ້າໃນຄຸນນະພາບການເຊື່ອມຕໍ່ທີ່ບໍ່ດີ

ກູໂກໄດ້ນໍາສະເຫນີຕົວແປງສັນຍານສຽງໃຫມ່, Lyra, ເພີ່ມປະສິດທິພາບເພື່ອໃຫ້ໄດ້ຄຸນນະພາບສຽງສູງສຸດເຖິງແມ່ນວ່າໃນເວລາທີ່ໃຊ້ຊ່ອງທາງການສື່ສານຊ້າຫຼາຍ. ລະຫັດການປະຕິບັດ Lyra ຖືກຂຽນໄວ້ໃນ C ++ ແລະເປີດພາຍໃຕ້ໃບອະນຸຍາດ Apache 2.0, ແຕ່ໃນບັນດາຄວາມເພິ່ງພາອາໄສທີ່ຕ້ອງການສໍາລັບການປະຕິບັດງານມີຫ້ອງສະຫມຸດທີ່ເປັນເຈົ້າຂອງ libsparse_inference.so ທີ່ມີການປະຕິບັດ kernel ສໍາລັບການຄິດໄລ່ທາງຄະນິດສາດ. ມັນໄດ້ຖືກສັງເກດເຫັນວ່າຫ້ອງສະຫມຸດທີ່ເປັນເຈົ້າຂອງແມ່ນຊົ່ວຄາວ - ໃນອະນາຄົດ Google ສັນຍາວ່າຈະພັດທະນາການທົດແທນທີ່ເປີດແລະສະຫນອງການສະຫນັບສະຫນູນສໍາລັບເວທີຕ່າງໆ.

ໃນດ້ານຄຸນນະພາບຂອງຂໍ້ມູນສຽງທີ່ສົ່ງຜ່ານຄວາມໄວຕ່ໍາ, Lyra ແມ່ນດີເລີດກັບຕົວແປງສັນຍານແບບດັ້ງເດີມທີ່ນໍາໃຊ້ວິທີການປະມວນຜົນສັນຍານດິຈິຕອນ. ເພື່ອບັນລຸການຖ່າຍທອດສຽງທີ່ມີຄຸນນະພາບສູງໃນເງື່ອນໄຂທີ່ມີຈໍານວນຈໍາກັດຂອງຂໍ້ມູນການຖ່າຍທອດ, ນອກເຫນືອຈາກວິທີການແບບດັ້ງເດີມຂອງການບີບອັດສຽງແລະການປ່ຽນສັນຍານ, Lyra ໃຊ້ຮູບແບບຄໍາເວົ້າໂດຍອີງໃສ່ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ, ເຊິ່ງຊ່ວຍໃຫ້ທ່ານສາມາດສ້າງຂໍ້ມູນທີ່ຂາດຫາຍໄປໂດຍອີງໃສ່ ລັກສະນະການເວົ້າແບບປົກກະຕິ. ຮູບແບບທີ່ໃຊ້ເພື່ອສ້າງສຽງໄດ້ຖືກຝຶກອົບຮົມໂດຍໃຊ້ການບັນທຶກສຽງຫຼາຍພັນຊົ່ວໂມງໃນຫຼາຍກວ່າ 70 ພາສາ.

ຕົວແປງສັນຍານປະກອບມີຕົວເຂົ້າລະຫັດແລະຕົວຖອດລະຫັດ. ສູດການຄິດໄລ່ຂອງຕົວເຂົ້າລະຫັດຈະຕົ້ມລົງໄປເພື່ອສະກັດຕົວກໍານົດຂໍ້ມູນສຽງໃນທຸກໆ 40 ມິນລິວິນາທີ, ບີບອັດພວກມັນ ແລະສົ່ງພວກມັນໄປຫາຜູ້ຮັບຜ່ານເຄືອຂ່າຍ. ຊ່ອງທາງການສື່ສານທີ່ມີຄວາມໄວ 3 ກິໂລບິດຕໍ່ວິນາທີແມ່ນພຽງພໍສໍາລັບການສົ່ງຂໍ້ມູນ. ຕົວກໍານົດການສຽງທີ່ສະກັດອອກປະກອບມີ spectrograms logarithmic mel ທີ່ຄໍານຶງເຖິງຄຸນລັກສະນະພະລັງງານຂອງສຽງເວົ້າໃນຂອບເຂດຄວາມຖີ່ທີ່ແຕກຕ່າງກັນແລະຖືກກະກຽມໂດຍຄໍານຶງເຖິງຕົວແບບຂອງການຮັບຮູ້ການຟັງຂອງມະນຸດ.

ຕົວຖອດລະຫັດໃຊ້ຮູບແບບການຜະລິດທີ່, ອີງຕາມຕົວກໍານົດການສຽງທີ່ຖ່າຍທອດ, ສ້າງສັນຍານສຽງເວົ້າ. ເພື່ອຫຼຸດຜ່ອນຄວາມສັບສົນຂອງການຄິດໄລ່, ຮູບແບບທີ່ມີນ້ໍາຫນັກເບົາໂດຍອີງໃສ່ເຄືອຂ່າຍ neural ທີ່ເກີດຂື້ນ, ເຊິ່ງເປັນຕົວແປຂອງຮູບແບບການສັງເຄາະສຽງເວົ້າ WaveRNN, ເຊິ່ງໃຊ້ຄວາມຖີ່ຂອງການເກັບຕົວຢ່າງຕ່ໍາ, ແຕ່ສ້າງສັນຍານຫຼາຍອັນໃນຂະຫນານໃນຂອບເຂດຄວາມຖີ່ທີ່ແຕກຕ່າງກັນ. ຫຼັງຈາກນັ້ນ, ສັນຍານຜົນໄດ້ຮັບແມ່ນ superimposed ເພື່ອຜະລິດສັນຍານຜົນຜະລິດດຽວທີ່ສອດຄ້ອງກັນກັບອັດຕາການເກັບຕົວຢ່າງທີ່ກໍານົດໄວ້.

ຄໍາແນະນໍາຂອງໂປເຊດເຊີພິເສດທີ່ມີຢູ່ໃນໂປເຊດເຊີ ARM 64-bit ຍັງຖືກນໍາໃຊ້ສໍາລັບການເລັ່ງ. ດັ່ງນັ້ນ, ເຖິງວ່າຈະມີການນໍາໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ຕົວແປງສັນຍານ Lyra ສາມາດນໍາໃຊ້ສໍາລັບການເຂົ້າລະຫັດສຽງເວົ້າໃນເວລາທີ່ແທ້ຈິງແລະການຖອດລະຫັດໃນໂທລະສັບສະຫຼາດລະດັບກາງ, ສະແດງໃຫ້ເຫັນເຖິງການຊັກຊ້າການສົ່ງສັນຍານຂອງ 90 milliseconds.

ແຫຼ່ງຂໍ້ມູນ: opennet.ru