Фацебоок објављује ЕнЦодец аудио кодек користећи машинско учење

Мета/Фацебоок (забрањен у Руској Федерацији) је представио нови аудио кодек, ЕнЦодец, који користи методе машинског учења за повећање степена компресије без губитка квалитета. Кодек се може користити и за стримовање звука у реалном времену и за кодирање за касније чување у датотекама. Референтна имплементација ЕнЦодец-а је написана у Питхон-у користећи ПиТорцх оквир и лиценцирана је под ЦЦ БИ-НЦ 4.0 (Цреативе Цоммонс Аттрибутион-НонЦоммерциал) лиценцом само за некомерцијалну употребу.

За преузимање су понуђена два готова модела:

• Узрочни модел који користи брзину узорковања од 24 кХз, подржава само монофони звук и обучен је на различитим аудио подацима (погодно за кодирање говора). Модел се може користити за паковање аудио података за пренос при брзинама од 1.5, 3, 6, 12 и 24 кбпс.
• Не-каузални модел који користи стопу узорковања од 48 кХз, подржава стерео звук и тренира само на музици. Модел подржава битрате од 3, 6, 12 и 24 кбпс.

За сваки модел је припремљен додатни језички модел, који вам омогућава да постигнете значајно повећање степена компресије (до 40%) без губитка квалитета. За разлику од раније развијених пројеката који користе методе машинског учења за аудио компресију, ЕнЦодец се може користити не само за паковање говора, већ и за компресију музике са стопом узорковања од 48 кХз, што одговара нивоу аудио ЦД-а. Према речима програмера новог кодека, приликом преноса брзином од 64 кбпс у поређењу са МП3 форматом, успели су да повећају степен аудио компресије за приближно десет пута уз одржавање истог нивоа квалитета (нпр. МП3, потребан је пропусни опсег од 64 кбпс, за пренос са тим истим квалитетом у ЕнЦодец-у је довољно 6 кбпс).

Архитектура кодека је изграђена на неуронској мрежи са архитектуром „трансформатора“ и заснована је на четири везе: кодер, квантизатор, декодер и дискриминатор. Кодер издваја параметре говорних података и конвертује упаковани ток у нижу брзину кадрова. Квантизер (РВК, Ресидуал Вецтор Куантизер) конвертује излазни ток енкодера у скупове пакета, компримујући информације на основу изабраног битрате-а. Излаз квантизера је компримовани приказ података, погодан за пренос преко мреже или чување на диску.

Декодер декодира компримовани приказ података и реконструише оригинални звучни талас. Дискриминатор побољшава квалитет генерисаних узорака, узимајући у обзир модел људске слушне перцепције. Без обзира на ниво квалитета и битрате, модели који се користе за кодирање и декодирање одликују се прилично скромним захтевима за ресурсима (прорачуни неопходни за рад у реалном времену врше се на једном језгру ЦПУ).

Извор: опеннет.ру