Facebook ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ EnCodec ਆਡੀਓ ਕੋਡੇਕ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦਾ ਹੈ

ਮੈਟਾ/ਫੇਸਬੁੱਕ (ਰਸ਼ੀਅਨ ਫੈਡਰੇਸ਼ਨ ਵਿੱਚ ਪਾਬੰਦੀਸ਼ੁਦਾ) ਨੇ ਇੱਕ ਨਵਾਂ ਆਡੀਓ ਕੋਡੇਕ, ਐਨਕੋਡੇਕ ਪੇਸ਼ ਕੀਤਾ, ਜੋ ਗੁਣਵੱਤਾ ਨੂੰ ਗੁਆਏ ਬਿਨਾਂ ਕੰਪਰੈਸ਼ਨ ਅਨੁਪਾਤ ਨੂੰ ਵਧਾਉਣ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਕੋਡੇਕ ਨੂੰ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਆਡੀਓ ਸਟ੍ਰੀਮ ਕਰਨ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਫਾਈਲਾਂ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰਨ ਲਈ ਏਨਕੋਡਿੰਗ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। EnCodec ਹਵਾਲਾ ਲਾਗੂਕਰਨ PyTorch ਫਰੇਮਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ Python ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਗੈਰ-ਵਪਾਰਕ ਵਰਤੋਂ ਲਈ CC BY-NC 4.0 (ਕ੍ਰਿਏਟਿਵ ਕਾਮਨਜ਼ ਐਟ੍ਰਬਿਊਸ਼ਨ-ਗੈਰ-ਵਪਾਰਕ) ਲਾਇਸੰਸ ਦੇ ਅਧੀਨ ਲਾਇਸੰਸਸ਼ੁਦਾ ਹੈ।

ਡਾਉਨਲੋਡ ਲਈ ਦੋ ਤਿਆਰ ਮਾਡਲ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ:

• ਇੱਕ ਕਾਰਕ ਮਾਡਲ ਜੋ 24 kHz ਨਮੂਨਾ ਦਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਸਿਰਫ ਮੋਨੋਫੋਨਿਕ ਆਡੀਓ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਅਤੇ ਵਿਭਿੰਨ ਆਡੀਓ ਡੇਟਾ (ਸਪੀਚ ਕੋਡਿੰਗ ਲਈ ਉਚਿਤ) 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਮਾਡਲ ਦੀ ਵਰਤੋਂ 1.5, 3, 6, 12 ਅਤੇ 24 kbps ਦੀ ਬਿਟ ਦਰਾਂ 'ਤੇ ਸੰਚਾਰ ਲਈ ਆਡੀਓ ਡੇਟਾ ਨੂੰ ਪੈਕੇਜ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
• 48 kHz ਦੀ ਨਮੂਨਾ ਦਰ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲਾ ਇੱਕ ਗੈਰ-ਕਾਰਨ ਵਾਲਾ ਮਾਡਲ, ਸਟੀਰੀਓ ਆਡੀਓ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਸੰਗੀਤ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ। ਮਾਡਲ 3, 6, 12 ਅਤੇ 24 kbps ਦੇ ਬਿੱਟਰੇਟਸ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ।

ਹਰੇਕ ਮਾਡਲ ਲਈ, ਇੱਕ ਵਾਧੂ ਭਾਸ਼ਾ ਮਾਡਲ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਤੁਹਾਨੂੰ ਗੁਣਵੱਤਾ ਦੇ ਨੁਕਸਾਨ ਤੋਂ ਬਿਨਾਂ ਕੰਪਰੈਸ਼ਨ ਅਨੁਪਾਤ (40% ਤੱਕ) ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ. ਆਡੀਓ ਕੰਪਰੈਸ਼ਨ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪਹਿਲਾਂ ਵਿਕਸਤ ਕੀਤੇ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਉਲਟ, EnCodec ਦੀ ਵਰਤੋਂ ਨਾ ਸਿਰਫ਼ ਸਪੀਚ ਪੈਕੇਜਿੰਗ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਸਗੋਂ ਆਡੀਓ ਸੀਡੀ ਦੇ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰੀ 48 kHz ਦੀ ਨਮੂਨਾ ਦਰ ਨਾਲ ਸੰਗੀਤ ਕੰਪਰੈਸ਼ਨ ਲਈ ਵੀ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਨਵੇਂ ਕੋਡੇਕ ਦੇ ਡਿਵੈਲਪਰਾਂ ਦੇ ਅਨੁਸਾਰ, ਜਦੋਂ MP64 ਫਾਰਮੈਟ ਦੇ ਮੁਕਾਬਲੇ 3 kbps ਦੇ ਬਿੱਟਰੇਟ ਨਾਲ ਸੰਚਾਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹ ਉਸੇ ਪੱਧਰ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਲਗਭਗ ਦਸ ਗੁਣਾ ਔਡੀਓ ਕੰਪਰੈਸ਼ਨ ਦੀ ਡਿਗਰੀ ਵਧਾਉਣ ਦੇ ਯੋਗ ਸਨ (ਉਦਾਹਰਨ ਲਈ, ਜਦੋਂ MP3, 64 kbps ਦੀ ਬੈਂਡਵਿਡਥ ਦੀ ਲੋੜ ਹੈ, ਇਸਦੇ ਨਾਲ ਪ੍ਰਸਾਰਣ ਲਈ EnCodec ਵਿੱਚ ਉਹੀ ਗੁਣਵੱਤਾ 6 kbps ਹੈ)।

ਕੋਡੇਕ ਆਰਕੀਟੈਕਚਰ ਇੱਕ "ਟ੍ਰਾਂਸਫਾਰਮਰ" ਆਰਕੀਟੈਕਚਰ ਦੇ ਨਾਲ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ ਅਤੇ ਚਾਰ ਲਿੰਕਾਂ 'ਤੇ ਅਧਾਰਤ ਹੈ: ਏਨਕੋਡਰ, ਕੁਆਂਟਾਈਜ਼ਰ, ਡੀਕੋਡਰ ਅਤੇ ਡਿਸਕਰੀਮੀਨੇਟਰ। ਏਨਕੋਡਰ ਵੌਇਸ ਡੇਟਾ ਦੇ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਦਾ ਹੈ ਅਤੇ ਪੈਕਡ ਸਟ੍ਰੀਮ ਨੂੰ ਘੱਟ ਫਰੇਮ ਰੇਟ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਕੁਆਂਟਾਇਜ਼ਰ (RVQ, ਰਿਸੀਡੁਅਲ ਵੈਕਟਰ ਕੁਆਂਟਾਇਜ਼ਰ) ਏਨਕੋਡਰ ਦੁਆਰਾ ਸਟ੍ਰੀਮ ਆਉਟਪੁੱਟ ਨੂੰ ਪੈਕਟਾਂ ਦੇ ਸੈੱਟਾਂ ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਚੁਣੇ ਹੋਏ ਬਿੱਟਰੇਟ ਦੇ ਅਧਾਰ ਤੇ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਦਾ ਹੈ। ਕੁਆਂਟਾਇਜ਼ਰ ਦਾ ਆਉਟਪੁੱਟ ਡੇਟਾ ਦੀ ਇੱਕ ਸੰਕੁਚਿਤ ਪ੍ਰਤੀਨਿਧਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਨੈਟਵਰਕ ਤੇ ਪ੍ਰਸਾਰਣ ਲਈ ਜਾਂ ਡਿਸਕ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰਨ ਲਈ ਢੁਕਵਾਂ ਹੈ।

ਡੀਕੋਡਰ ਡੇਟਾ ਦੀ ਸੰਕੁਚਿਤ ਪ੍ਰਤੀਨਿਧਤਾ ਨੂੰ ਡੀਕੋਡ ਕਰਦਾ ਹੈ ਅਤੇ ਮੂਲ ਧੁਨੀ ਤਰੰਗ ਦਾ ਪੁਨਰਗਠਨ ਕਰਦਾ ਹੈ। ਵਿਤਕਰਾ ਪੈਦਾ ਕਰਨ ਵਾਲੇ ਨਮੂਨਿਆਂ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦਾ ਹੈ, ਮਨੁੱਖੀ ਸੁਣਨ ਦੀ ਧਾਰਨਾ ਦੇ ਮਾਡਲ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ। ਗੁਣਵੱਤਾ ਅਤੇ ਬਿੱਟਰੇਟ ਦੇ ਪੱਧਰ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ, ਏਨਕੋਡਿੰਗ ਅਤੇ ਡੀਕੋਡਿੰਗ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਮਾਮੂਲੀ ਸਰੋਤ ਲੋੜਾਂ ਦੁਆਰਾ ਵੱਖ ਕੀਤਾ ਜਾਂਦਾ ਹੈ (ਰੀਅਲ-ਟਾਈਮ ਓਪਰੇਸ਼ਨ ਲਈ ਲੋੜੀਂਦੀਆਂ ਗਣਨਾਵਾਂ ਇੱਕ ਸਿੰਗਲ CPU ਕੋਰ 'ਤੇ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ)।

ਸਰੋਤ: opennet.ru