दळणवळणात क्रांती? नवीन दृष्टीकोन तुम्हाला ऑडिओ आणि व्हिडिओ कॉलसाठी 100 पट किंवा त्याहून अधिक बँडविड्थ वाचवण्याची परवानगी देतो

बर्‍याच लोकांना आठवते की "सिलिकॉन व्हॅली" ही टीव्ही मालिका प्रोग्रामर रिचर्डबद्दल आहे
हेंड्रिक्स, ज्याने चुकून क्रांतिकारी डेटा कॉम्प्रेशन अल्गोरिदम आणला आणि निर्णय घेतला
तुमचे स्टार्टअप तयार करा.

मालिकेच्या सल्लागारांनी एक मेट्रिक देखील सुचवला ज्यासह मूल्यांकन करावे
तत्सम अल्गोरिदम हे काल्पनिक वेसमन स्कोअर आहेत.

कथेत पुढे, स्टार्टअपने हे उपाय वापरून व्हिडिओ चॅट केले.

आदरणीय समुदायाला दुसर्या चर्चेसाठी आमंत्रित केले आहे, पूर्णपणे असामान्य
ऑडिओ आणि व्हिडिओ कॉलसाठी डेटा कॉम्प्रेशनचे तत्त्व, जे नवीन कॉलसह समस्या सोडवते,
अनपेक्षित बाजू.

जर तुम्हाला या समाधानाच्या चर्चेत सहभागी व्हायचे असेल आणि यात काय साम्य आहे ते देखील शोधा
जोनाथन स्विफ्टसह संकल्पना आणि लिओ टॉल्स्टॉयची कामे, कृपया मांजरीच्या खाली.

सिद्धांताचा बिट

आधुनिक ऑडिओ कम्युनिकेशन कसे कार्य करते ते सामान्य शब्दात वर्णन करूया - तत्त्व दोन्हीसाठी समान आहे
GSM नेटवर्कवर कॉल, तसेच इन्स्टंट मेसेंजर आणि VOIP नेटवर्कसाठी.

ध्वनी कंपन स्मार्टफोनच्या मायक्रोफोनवर पाठवले जातात, नंतर अॅनालॉग-डिजिटलमध्ये
कनवर्टर (ADC किंवा ADC):

पुढे, एन्कोडिंग विविध कोडेक्ससह होते (G711, G729, OPUS, GSM, इ.),
एनक्रिप्शन जोडले किंवा जोडले नाही (SRTP, ZPTP, इ.) आणि वातावरणात पाठवले
डेटा ट्रान्समिशन.

उदाहरणार्थ, जवळजवळ सर्व इन्स्टंट मेसेंजर (WhatsApp, Viber, इ.) समान कोडेक्स वापरतात (अलीकडे हे सहसा Opus आहे), आणि जवळजवळ सारखेच
सुधारित प्रोटोकॉल (SIP, WebRTC वर आधारित).

डेटा ट्रान्समिशन नेटवर्क सार्वजनिक इंटरनेट किंवा जीएसएम नेटवर्क किंवा असू शकते
इंट्रानेट:

एनक्रिप्शन हा या योजनेतील पर्यायी घटक आहे, उदाहरणार्थ बहुतेक प्रकरणांमध्ये
SIP टेलिफोनी एन्क्रिप्शन वापरले जात नाही.

परंतु संदेशवाहकांमध्ये, त्याउलट, ते सहसा त्यांच्या स्वतःच्या मालकीचा वापर करतात
व्हॉइस आणि व्हिडिओ एन्क्रिप्शनसाठी प्रोटोकॉल.

पुढे, उलट प्रक्रिया होते - प्राप्तकर्ता, डेटा प्राप्त केल्यानंतर, प्राप्त माहिती डीकोड करतो, त्यानंतर सिग्नल DAC (डिजिटल-टू-एनालॉग कनवर्टर) वर जातो आणि नंतर स्पीकरशी कनेक्ट केलेल्या ऑडिओ अॅम्प्लीफायरमध्ये प्रवेश करतो:

आधुनिक कोडेक्सची वैशिष्ट्ये:

G.711 64 Kbps.
G.726 16, 24, 32 किंवा 40 Kbps.
G.729A 8 Kb/से.
GSM 13 Kb/सेकंद
iLBC 13.3 Kb/से. (30ms फ्रेम); १५.२ Kb/से. (15.2ms फ्रेम)
स्पीक्स रेंज 2.15 ते 22.4 Kb/से.
G.722 64 Kbps.

अशा प्रकारे, उदाहरणार्थ, व्हॉट्सअॅप किंवा स्काईपवर 7-मिनिटांच्या संभाषणात असेल
सुमारे 1 MB वापरले होते.

चला हे नंबर लक्षात ठेवूया - 1 मिनिटांच्या संभाषणासाठी 7MB, आम्हाला लवकरच त्यांची आवश्यकता असेल.

"लिओ टॉल्स्टॉय हा क्रांतीचा आरशासारखा आहे..."

या महान रशियन लेखकाची सर्वात प्रसिद्ध कादंबरी लक्षात ठेवूया:

"युद्ध आणि शांती" ही लिओ निकोलाविच टॉल्स्टॉय यांची महाकादंबरी आहे, ज्यामध्ये रशियन भाषेचे वर्णन आहे.
1805-1812 मध्ये नेपोलियन विरुद्धच्या युद्धांदरम्यान समाज. कादंबरीचा उपसंहार घेऊन येतो
1820 पर्यंत कथा.

एल.एन.ची “वॉर अँड पीस” ही कादंबरी. टॉल्स्टॉयने सात वर्षे अखंड आणि सतत काम केले. जगातील सर्वात मोठ्या निर्मितींपैकी एक कशी तयार झाली याची हस्तलिखिते साक्ष देतात.
“युद्ध आणि शांतता”: लेखकाच्या संग्रहात 5200 पेक्षा जास्त बारीक लिखित पत्रके आहेत.

तुम्हाला आता ही कादंबरी वाचायची असेल तर तुम्ही ती सहज डाउनलोड करू शकता.

आणि या फाइलचे वजन फक्त... 1 MB आहे:

zip, rar प्रमाणेच fb2 आणि epub हे स्वरूप, तत्त्वतः, एक प्रकारचे मानले जाऊ शकते.
कोडेक्स

चला याचा विचार करूया - व्हॉट्सअॅपवरील आमच्या संभाषणाची 7 मिनिटे रहदारीच्या प्रमाणात समान आहे
लिहिण्यासाठी ७ वर्षे लागली हे एक उत्तम काम!

7 मिनिटांचे संभाषण ओपस कोडेकसह एन्कोड केले गेले, कादंबरी ePub सह एन्कोड केली गेली, खंड समान आहे -
1MB, पण किती मोठा फरक!

गुलिव्हर ट्रॅव्हल्स

जोनाथन स्विफ्टचे हे काम लहानपणापासून सर्वांनाच माहीत आहे, पण खरं तर हे पुस्तक नाही
मुले

गुलिव्हर ट्रॅव्हल्स हे प्रौढांसाठी एक राजकीय व्यंगचित्र आहे, अर्थातच 18 च्या संदर्भात
शतक.

आश्चर्याची गोष्ट म्हणजे स्विफ्ट, त्याच्या इतर समकालीनांचा कट्टर विरोधक आहे -
न्यूटनने त्याच्या "गुलिव्हर ट्रॅव्हल्स" मध्ये केवळ उपग्रहांच्या शोधाचा अंदाज लावला नाही.
मंगळ (त्यांच्या वैशिष्ट्यांच्या अगदी अचूक वर्णनासह), परंतु त्याऐवजी मनोरंजक वर्णन देखील केले
लोकांमधील संवादाचे मार्ग:

“... प्रकल्पाने सर्व शब्द पूर्णपणे रद्द करण्याची मागणी केली;
या प्रकल्पाच्या लेखकाने प्रामुख्याने त्याचे आरोग्य फायदे आणि बचत यांचा उल्लेख केला आहे
वेळ

शेवटी, हे उघड आहे की आपण उच्चारलेला प्रत्येक शब्द काही झीज आणि झीजशी संबंधित आहे.
फुफ्फुस आणि त्यामुळे आपल्या जीवनात घट होते.

आणि शब्द ही केवळ गोष्टींची नावे असल्याने, प्रकल्पाचा लेखक असे गृहीत धरतो
की व्यक्त होण्यासाठी आवश्यक असलेल्या गोष्टी आपल्यासोबत घेऊन जाणे आपल्यासाठी अधिक सोयीचे होईल
विचार आणि इच्छा.

... बरेच विद्वान आणि ज्ञानी लोक त्यांच्या अभिव्यक्तीचा हा नवीन मार्ग वापरतात
गोष्टींच्या मदतीने विचार.

त्याची एकमात्र गैरसोय ही आहे की आवश्यक असल्यास,
विविध विषयांवर प्रदीर्घ संभाषण करा, संभाषणकर्त्यांना वाहून घ्यावे लागेल
गोष्टींचे मोठे बंडल असलेले खांदे, जर निधी एखाद्याला कामावर ठेवण्याची परवानगी देत ​​नसेल किंवा
दोन वजनदार लोक. मी अनेकदा असे दोन शहाणे पाहिले, खाली थकलेले
जड ओझे, आमच्या पेडलर्ससारखे. रस्त्यावर भेटल्यावर त्यांनी फोटो काढले
खांद्यावर पिशव्या टाकल्या, त्या उघडल्या आणि तिथून आवश्यक गोष्टी काढून आतमध्ये संवाद सुरू झाला
तास सुरू ठेवणे; मग त्यांनी त्यांच्या भांड्यांचा ढीग केला आणि एकमेकांना भार उचलण्यास मदत केली
खांद्यावर, निरोप घेतला आणि मार्ग विभक्त झाला.

तथापि, लहान आणि साध्या संभाषणांसाठी आपण आपल्या खिशात आवश्यक असलेली प्रत्येक गोष्ट ठेवू शकता
किंवा हाताखाली, आणि घरी होणार्‍या संभाषणामुळे काहीही होत नाही
अडचणी म्हणून, ही पद्धत वापरणारे लोक जेथे जमतात त्या खोल्या भरल्या आहेत
अशा कृत्रिम वस्तूंसाठी साहित्य म्हणून काम करण्यासाठी योग्य असलेल्या सर्व प्रकारच्या वस्तू
संभाषणे

या शोधाचा आणखी एक मोठा फायदा म्हणजे तो वापरता येतो
एक सार्वत्रिक भाषा म्हणून, सर्व सुसंस्कृत राष्ट्रांना समजण्यायोग्य, फर्निचर आणि घरगुती
भांडी सर्वत्र सारखीच असतात किंवा अगदी सारखी असतात, जेणेकरून त्यांचा वापर सहज समजू शकतो.
अशा प्रकारे, दूत सहजपणे परदेशी राजांशी बोलू शकतात किंवा
ज्या मंत्र्यांची भाषा त्यांना पूर्णपणे अनोळखी आहे..."

तर, मी यासह कुठे जात आहे याचा अंदाज तुम्हाला आधीच आला असेल :)

शेकडो आणि हजारो किलोमीटरवर हवेतील कंपने (ध्वनी) का प्रसारित करतात?
एन्कोडिंगचा त्रास घ्या (हवेची ही कंपने प्राप्तकर्त्यापर्यंत शक्य तितक्या अचूक आणि कार्यक्षमतेने पोहोचवण्यासाठी), आवश्यक बँडविड्थ राखून ठेवा, जर अर्थपूर्ण असेल
या ट्रान्समिशनचा भार कमी आहे की शून्याकडे झुकतो?

शेवटी, लोक एकमेकांशी संवाद साधतात आवाजाने नव्हे, तर अर्थ, आशय, शब्दार्थ, विचार...

नवीन संप्रेषण प्रणालीची संकल्पना अगदी सोपी आहे - स्त्रोत बाजूला A वर ऑडिओ आहेत
कंपने देखील डिजिटायझेशन केले जातात, परंतु ताबडतोब इतर पक्षाकडे प्रसारित केले जात नाहीत, परंतु
मजकूर (भाषण ते मजकूर) आणि नंतर अर्थपूर्ण मजकूर मध्ये रूपांतरित केले जातात
सदस्य A, कोण:

• किमान आवश्यक डेटा बँडविड्थसह प्रसारित केले जाऊ शकते (अगदी HF रेडिओ संप्रेषण देखील शक्य आहे, इ.)
• कोणत्याही मजबूत एन्क्रिप्शन अल्गोरिदमसह कूटबद्ध केले जाऊ शकते

B बाजूला, प्राप्त झालेले संदेश डिक्रिप्ट केले जातात आणि कडून आवाज म्हणून पुनरुत्पादित केले जातात
सदस्य A (टेक्स्ट टू स्पीच).

आपण तथाकथित बी बाजू देखील डाउनलोड करू शकता. ग्राहक A चा आवाज अवतार, कोण करेल
ग्राहक ए च्या भाषणाची पद्धत अचूकपणे पुनरावृत्ती केली.

एक स्वतंत्र चॅनेल पार्श्वभूमी आवाज आणि भावना प्रसारित करू शकते.

व्हिडिओ संप्रेषणासाठी सर्व समान आहे - विशेषत: वैयक्तिक घटक बर्याच काळापासून आहेत
अनुप्रयोगांमध्ये अस्तित्वात आहे (विविध मुखवटे, झूम मधील पार्श्वभूमी इ.).

होय, अशा काही तांत्रिक बाबी आहेत ज्या सध्या योग्य स्वरूपात पूर्णपणे अंमलात आणल्या जात नाहीत -
उदाहरणार्थ, स्पीच टू टेक्स्ट रूपांतरणाची गती गंभीर असेल, परंतु वापरणे
प्रेडिक्टिव एआय रूपांतरण अल्गोरिदम ही गती लक्षणीयरीत्या वाढवू शकतात.

सर्वात महत्त्वाचा फायदा म्हणजे ट्रान्समिशन माध्यमात किमान बँडविड्थ आवश्यक आहे
डेटा

त्या. हे तत्त्व केवळ सामान्य दैनंदिन वापरण्यासाठी वापरले जाऊ शकते
संप्रेषण, परंतु दीर्घ विलंबासह लष्करी आणि लांब-अंतराच्या संप्रेषणांसाठी देखील
(स्पेस कम्युनिकेशन, इंटरप्लॅनेटरी - चंद्र, मंगळ इ. :)

जरी हे संकल्पनेचे वर्णन असले तरी, खरं तर, आमच्या एका प्रकल्पात आधीच अनेक आहेत
या तत्त्वासह एक प्रोटोटाइप महिन्यांपासून वापरात आहे.

पण पुढच्या वेळी याबद्दल अधिक ...

स्त्रोत: www.habr.com