മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് ഫേസ്ബുക്ക് എൻകോഡെക് ഓഡിയോ കോഡെക് പ്രസിദ്ധീകരിക്കുന്നു

മെറ്റാ/ഫേസ്ബുക്ക് (റഷ്യൻ ഫെഡറേഷനിൽ നിരോധിച്ചിരിക്കുന്നു) എൻകോഡെക് എന്ന പുതിയ ഓഡിയോ കോഡെക് അവതരിപ്പിച്ചു, അത് ഗുണനിലവാരം നഷ്ടപ്പെടാതെ കംപ്രഷൻ അനുപാതം വർദ്ധിപ്പിക്കുന്നതിന് മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിക്കുന്നു. തത്സമയം ഓഡിയോ സ്ട്രീം ചെയ്യുന്നതിനും പിന്നീട് ഫയലുകളിൽ സംരക്ഷിക്കുന്നതിനും എൻകോഡിംഗിനും കോഡെക് ഉപയോഗിക്കാം. എൻകോഡെക് റഫറൻസ് നടപ്പിലാക്കുന്നത് പൈടോർച്ച് ചട്ടക്കൂട് ഉപയോഗിച്ച് പൈത്തണിൽ എഴുതിയതാണ് കൂടാതെ വാണിജ്യേതര ഉപയോഗത്തിന് മാത്രമായി CC BY-NC 4.0 (ക്രിയേറ്റീവ് കോമൺസ് ആട്രിബ്യൂഷൻ-നോൺ കൊമേഴ്‌സ്യൽ) ലൈസൻസിന് കീഴിലാണ് ലൈസൻസ് നൽകിയിരിക്കുന്നത്.

ഡൗൺലോഡിനായി രണ്ട് റെഡിമെയ്ഡ് മോഡലുകൾ വാഗ്ദാനം ചെയ്യുന്നു:

• 24 kHz സാമ്പിൾ നിരക്ക് ഉപയോഗിക്കുന്ന, മോണോഫോണിക് ഓഡിയോയെ മാത്രം പിന്തുണയ്ക്കുന്ന, വൈവിധ്യമാർന്ന ഓഡിയോ ഡാറ്റയിൽ പരിശീലിപ്പിച്ച (സ്പീച്ച് കോഡിംഗിന് അനുയോജ്യം) ഒരു കോസൽ മോഡൽ. 1.5, 3, 6, 12, 24 കെബിപിഎസ് ബിറ്റ് നിരക്കിൽ പ്രക്ഷേപണത്തിനായി ഓഡിയോ ഡാറ്റ പാക്കേജ് ചെയ്യാൻ മോഡൽ ഉപയോഗിക്കാം.
• 48 kHz സാംപ്ലിംഗ് നിരക്ക് ഉപയോഗിക്കുന്ന ഒരു നോൺ-കോസൽ മോഡൽ, സ്റ്റീരിയോ ഓഡിയോയെ പിന്തുണയ്ക്കുകയും സംഗീതത്തിൽ മാത്രം പരിശീലനം നേടുകയും ചെയ്യുന്നു. മോഡൽ 3, ​​6, 12, 24 കെബിപിഎസ് എന്നിവയുടെ ബിറ്റ്റേറ്റുകളെ പിന്തുണയ്ക്കുന്നു.

ഓരോ മോഡലിനും, ഒരു അധിക ഭാഷാ മോഡൽ തയ്യാറാക്കിയിട്ടുണ്ട്, ഇത് ഗുണനിലവാരം നഷ്ടപ്പെടാതെ കംപ്രഷൻ അനുപാതത്തിൽ (40% വരെ) ഗണ്യമായ വർദ്ധനവ് നേടാൻ നിങ്ങളെ അനുവദിക്കുന്നു. ഓഡിയോ കംപ്രഷനായി മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിച്ച് മുമ്പ് വികസിപ്പിച്ച പ്രോജക്റ്റുകളിൽ നിന്ന് വ്യത്യസ്തമായി, എൻകോഡെക് സ്പീച്ച് പാക്കേജിംഗിന് മാത്രമല്ല, ഓഡിയോ സിഡികളുടെ നിലവാരത്തിന് അനുസൃതമായി 48 kHz സാമ്പിൾ നിരക്ക് ഉള്ള സംഗീത കംപ്രഷനും ഉപയോഗിക്കാം. പുതിയ കോഡെക്കിന്റെ ഡെവലപ്പർമാർ പറയുന്നതനുസരിച്ച്, MP64 ഫോർമാറ്റുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ 3 kbps ബിറ്റ്റേറ്റ് ഉപയോഗിച്ച് സംപ്രേഷണം ചെയ്യുമ്പോൾ, അതേ നിലവാരത്തിലുള്ള നിലവാരം നിലനിർത്തിക്കൊണ്ട് ഓഡിയോ കംപ്രഷന്റെ അളവ് ഏകദേശം പത്ത് മടങ്ങ് വർദ്ധിപ്പിക്കാൻ അവർക്ക് കഴിഞ്ഞു (ഉദാഹരണത്തിന്, ഉപയോഗിക്കുമ്പോൾ MP3, 64 kbps ബാൻഡ്‌വിഡ്ത്ത് ആവശ്യമാണ്, എൻകോഡെക്കിലെ അതേ നിലവാരം 6 കെബിപിഎസ് മതി)

കോഡെക് ആർക്കിടെക്ചർ "ട്രാൻസ്ഫോർമർ" ആർക്കിടെക്ചറുള്ള ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്, ഇത് നാല് ലിങ്കുകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: എൻകോഡർ, ക്വാണ്ടൈസർ, ഡീകോഡർ, ഡിസ്ക്രിമിനേറ്റർ. എൻകോഡർ വോയ്‌സ് ഡാറ്റയുടെ പാരാമീറ്ററുകൾ എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യുകയും പായ്ക്ക് ചെയ്‌ത സ്‌ട്രീമിനെ കുറഞ്ഞ ഫ്രെയിം റേറ്റിലേക്ക് പരിവർത്തനം ചെയ്യുകയും ചെയ്യുന്നു. ക്വാണ്ടൈസർ (RVQ, റെസിഡ്യൂവൽ വെക്റ്റർ ക്വാണ്ടിസർ) എൻകോഡർ വഴി സ്ട്രീം ഔട്ട്പുട്ടിനെ പാക്കറ്റുകളുടെ കൂട്ടങ്ങളാക്കി മാറ്റുന്നു, തിരഞ്ഞെടുത്ത ബിറ്റ്റേറ്റിനെ അടിസ്ഥാനമാക്കി വിവരങ്ങൾ കംപ്രസ്സുചെയ്യുന്നു. ഒരു നെറ്റ്‌വർക്കിലൂടെ സംപ്രേഷണം ചെയ്യുന്നതിനോ ഡിസ്കിലേക്ക് സംരക്ഷിക്കുന്നതിനോ അനുയോജ്യമായ ഡാറ്റയുടെ കംപ്രസ് ചെയ്ത പ്രാതിനിധ്യമാണ് ക്വാണ്ടൈസറിന്റെ ഔട്ട്പുട്ട്.

ഡീകോഡർ ഡാറ്റയുടെ കംപ്രസ് ചെയ്ത പ്രാതിനിധ്യം ഡീകോഡ് ചെയ്യുകയും യഥാർത്ഥ ശബ്ദ തരംഗത്തെ പുനർനിർമ്മിക്കുകയും ചെയ്യുന്നു. മാനുഷിക ശ്രവണ ധാരണയുടെ മാതൃക കണക്കിലെടുത്ത് വിവേചനം സൃഷ്ടിക്കുന്ന സാമ്പിളുകളുടെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നു. ഗുണനിലവാരത്തിന്റെയും ബിറ്റ്റേറ്റിന്റെയും നിലവാരം പരിഗണിക്കാതെ തന്നെ, എൻകോഡിംഗിനും ഡീകോഡിംഗിനുമായി ഉപയോഗിക്കുന്ന മോഡലുകൾ മിതമായ വിഭവ ആവശ്യകതകളാൽ വേർതിരിച്ചിരിക്കുന്നു (തത്സമയ പ്രവർത്തനത്തിന് ആവശ്യമായ കണക്കുകൂട്ടലുകൾ ഒരൊറ്റ സിപിയു കോറിൽ നടത്തുന്നു).

അവലംബം: opennet.ru