French mathematician Fabrice Bellard, who once founded the QEMU, FFmpeg, BPG, QuickJS, TinyGL, and TinyCC projects, has published the TSAC audio encoding format and accompanying tools for compressing and unpacking audio files. The format is designed for data transmission at very low bitrates, for instance, 5.5 kb/s for mono and 7.5 kb/s for stereo, while maintaining acceptable quality for music and speech. Using TSAC allows packing a 3.5-minute music piece at a 44.1 kHz sampling rate (stereo) into a file sized 192 KB, which will be almost indistinguishable from the original to the untrained ear. The project's code is distributed under the MIT license.
The foundation for creating TSAC is based on the Descript audio codec, which has been extended to support stereo sound and converted to use a different machine learning model based on a 'transformer' neural network architecture, allowing for increased compression by reconstructing lost details in accordance with the model of human auditory perception. The model occupies about 200 MB in compressed form and is presented in a deterministic representation that guarantees the same result regardless of the CPUs/GPUs used and the number of threads involved in the calculations.
The encoder can work using only the CPU for computations (AVX2 instructions are supported for acceleration), but to achieve high performance, it is recommended to use the GPU. In its current form, CUDA API can be employed for acceleration using NVIDIA GPUs based on Ampere, ADA, and Hopper microarchitectures (RTX 3090, RTX 4090, RTX A6000, A100, and H100), which have at least 4 GB of video memory. FFmpeg is used to convert audio files before encoding.
Gjithashtu, vlen të theksohet përmirësimi i mjetit ts_zip, i zhvilluar nga Bellard, i cili është projektuar për kompresimin efektiv të të dhënave tekstuale, duke përdorur mekanizmin e parashikimit të tokeneve të bazuar në një sistem të mësimit të makinerisë dhe modelin e gjuhës së madhe RWKV 169M v4. Gjatë kompresimit të arkivës së Wikipedias, mjeti ts_zip arriti të kompresojë të dhënat me 7.3 herë, ndërsa gjatë kompresimit të kodit të kernelit Linux 1.2, me 7.8 herë. Në krahasim, nivelet e kompresimit duke përdorur mjetin xz ishin 4.7 dhe 5.5 herë, përkatësisht. Çmimi i efikasitetit të lartë të kompresimit është shpejtësia e ulët e kompresimit dhe kërkesat e mëdha për burime (minimumi 4 GB RAM). Në një sistem me GPU RTX 4090, performanca e kompresimit është afërsisht 1 MB/s.
Burimi: opennet.ru
