পরবর্তী আপপরবর্তী গাইড
অডিও এম্বেডিং এবং প্রতিনিধিত্ব শিক্ষা
অডিও এআই
অডিও এআই গাইড
এনকোডেক অডিও কম্প্রেশন
EnCodec হল Meta-এর হাই-ফিডেলিটি নিউরাল অডিও কোডেক যা খুব কম বিটরেটে স্পিচ এবং মিউজিককে কম্প্রেস করে মানের প্রতিদ্বন্দ্বী অনেক ভারী ফরম্যাট।
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min
এই পৃষ্ঠায়2 মিনিট পঠিত
ওভারভিউ
It matters because it underpins modern generative audio systems and ships in open-source form for anyone to use.
গভীর ডুব
2022 সালে Meta AI দ্বারা প্রকাশিত, EnCodec একটি এনকোডারের সাউন্ডস্ট্রিম ব্লুপ্রিন্ট অনুসরণ করে, একটি অবশিষ্ট ভেক্টর কোয়ান্টাইজার (RVQ), এবং একটি ডিকোডার প্রশিক্ষিত এন্ড টু এন্ড, কিন্তু বেশ কিছু পরিমার্জন যোগ করে। এটি একটি স্ট্রিমিং-সক্ষম কনভোলিউশনাল এনকোডার, মাল্টি-স্কেল স্পেকট্রোগ্রাম এবং টাইম-ডোমেন পুনর্গঠন ক্ষতি এবং উপলব্ধিগত মানের জন্য প্রতিপক্ষের বৈষম্যকারী ব্যবহার করে। একটি উল্লেখযোগ্য অবদান হল একটি ছোট ট্রান্সফরমার-ভিত্তিক এনট্রপি মডেল যা কোয়ান্টাইজড কোডগুলিকে ক্ষতিহীনভাবে সংকুচিত করে, গুণমানের ক্ষতি ছাড়াই অতিরিক্ত বিটগুলিকে চেপে ধরে। EnCodec একটি ব্যালেন্সারও প্রবর্তন করে যা স্বয়ংক্রিয়ভাবে অনেক প্রতিযোগী প্রশিক্ষণের ক্ষতি স্কেল করে যাতে তারা স্থিতিশীল থাকে। এটি 24 kHz monophonic এবং 48 kHz স্টেরিও অডিও পরিচালনা করে, 1.5, 3, 6, এবং 12 kbps এর মতো বিটরেট জুড়ে কাজ করে এবং 6 kbps এ 64 kbps MP3-এর সাথে তুলনীয় গুণমানে পৌঁছায়। এর টোকেন পাওয়ার Meta এর MusicGen এবং AudioGen।
বাস্তব-বিশ্ব বাস্তবায়ন
Meta এর MusicGen এবং AudioGen পাঠ্য থেকে অডিও জেনারেটরের জন্য টোকেনাইজিং অডিও
ব্যান্ডউইথ-সীমিত ট্রান্সমিশনের জন্য 24 kHz স্পিচকে 1.5-6 kbps কম্প্রেস করা হচ্ছে
এনকোডিং 48 kHz স্টেরিও সঙ্গীত MP3 এর কাছাকাছি গুণমানের সাথে অনেক বেশি বিটরেটে
রিলিজ করা চেকপয়েন্টগুলির মাধ্যমে গবেষণা এবং অডিও এমএল পাইপলাইনের জন্য একটি ওপেন-সোর্স ড্রপ-ইন কোডেক হিসাবে পরিবেশন করা
এনকোডেক অডিও কম্প্রেশনের ভবিষ্যত
EnCodec ইতিমধ্যেই বেশ কয়েকটি উন্মুক্ত জেনারেটিভ অডিও মডেলের জন্য ডিফল্ট টোকেনাইজার, এবং এর উত্তরসূরিরা নিম্ন বিটরেট, সম্পূর্ণ স্টেরিও এবং মিউজিক-গ্রেড পুনর্গঠন, এবং পাঠ্য-থেকে-অডিও এবং পাঠ্য-থেকে-মিউজিক জেনারেটরের সাথে কঠোর সংহতকরণে উচ্চ বিশ্বস্ততা ঠেলে দিচ্ছে। কম-ব্যান্ডউইথ যোগাযোগ, রিয়েল-টাইম স্ট্রিমিং এবং স্ট্যান্ডার্ড 'অডিও টোকেন' স্তর হিসাবে ব্যাপক গ্রহণের প্রত্যাশা করুন যা বড় ভাষা-মডেল-শৈলী আর্কিটেকচারগুলিকে শব্দ পড়তে এবং লিখতে দেয়।
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- অ্যাক্সেস এবং পৌঁছানো. এটি ট্রান্সক্রিপশন, বর্ণনা এবং ভয়েস ইন্টারফেসের মাধ্যমে অ্যাক্সেসযোগ্যতা উন্নত করে।
- খরচ ও বাজেট. মিডিয়া দলগুলি ছোট বাজেটের সাথে পালিশ করা অডিও দ্রুত পাঠাতে পারে।
- গতি এবং স্কেল. গ্রাহক-মুখী সিস্টেমগুলি বৃহত্তর স্কেলে কথ্য মিথস্ক্রিয়া প্রক্রিয়া করতে পারে।
জন্য সতর্ক
- সম্মতি অনুপস্থিত হলে ভয়েস অপব্যবহার এবং ছদ্মবেশের ঝুঁকি বেড়ে যায়।
- উচ্চারণ, উপভাষা বা কোলাহলপূর্ণ পরিবেশে যথার্থতা হ্রাস পেতে পারে।
- সিন্থেটিক অডিও পরিষ্কার লেবেল ছাড়া খাঁটি বক্তৃতা হিসাবে ভুল হতে পারে।
পরবর্তী পদক্ষেপ
- ভয়েস ক্যাপচার, ক্লোনিং এবং পুনঃব্যবহারের জন্য সুস্পষ্ট সম্মতি পান।
- বিভিন্ন স্পিকার এবং ব্যাকগ্রাউন্ড কন্ডিশন জুড়ে মান পরীক্ষা করুন।
- কখন একজন মানুষকে আউটপুট পর্যালোচনা বা অনুমোদন করতে হবে তা নির্ধারণ করুন।
- সিন্থেটিক অডিও লেবেল করুন এবং দায়বদ্ধতার জন্য মূল রেকর্ড রাখুন।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the EnCodec Audio Compression quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is EnCodec Audio Compression?
EnCodec হল Meta-এর হাই-ফিডেলিটি নিউরাল অডিও কোডেক যা খুব কম বিটরেটে স্পিচ এবং মিউজিককে কম্প্রেস করে মানের প্রতিদ্বন্দ্বী অনেক ভারী ফরম্যাট। এটি গুরুত্বপূর্ণ কারণ এটি আধুনিক জেনারেটিভ অডিও সিস্টেম এবং জাহাজগুলিকে ওপেন সোর্স আকারে যে কেউ ব্যবহার করতে পারে।
কোন সংস্থা এনকোডেক প্রকাশ করেছে?
EnCodec 2022 সালে Meta AI (FAIR) দ্বারা একটি হাই-ফিডেলিটি নিউরাল অডিও কোডেক হিসেবে প্রবর্তন করা হয়েছিল।
এনকোডেক তার টোকেনগুলি থেকে ক্ষতিহীনভাবে আরও সংকোচনের জন্য কোন অতিরিক্ত উপাদান যুক্ত করে?
EnCodec একটি ছোট ট্রান্সফরমারকে টোকেন সম্ভাবনার পূর্বাভাস দেওয়ার জন্য প্রশিক্ষণ দেয় এবং সেগুলিকে গাণিতিক-কোড দেয়, RVQ এর উপরে অতিরিক্ত ক্ষতিহীন কম্প্রেশন অর্জন করে।
মোটামুটি 6 কেবিপিএস-এ, EnCodec-এর গুণমান MP3-এর সাথে তুলনীয় হিসাবে রিপোর্ট করা হয়েছিল প্রায় কোন বিটরেটে?
6 কেবিপিএস-এ এনকোডেক 64 kbps-তে MP3-এর মতো বিষয়ভিত্তিক গুণমানে পৌঁছে, যা একটি বড় দক্ষতা লাভ।
প্রশিক্ষণের সময় EnCodec এর 'ব্যালেন্সার' কোন সমস্যা সমাধান করে?
অনেক ক্ষতির সাথে (পুনর্নির্মাণ, বর্ণালী, প্রতিপক্ষ), ব্যালেন্সার তাদের গ্রেডিয়েন্টগুলিকে পুনরায় স্কেল করে যাতে কোনও একক উদ্দেশ্য আধিপত্য না করে, প্রশিক্ষণকে স্থিতিশীল করে।
কোন মূল কোয়ান্টাইজেশন পদ্ধতি এনকোডেক সাউন্ডস্ট্রিমের সাথে ভাগ করে?
সাউন্ডস্ট্রিমের মতো, এনকোডেক স্ট্যাক করা কোডবুক সূচকগুলিতে এনকোডার এমবেডিংগুলিকে আলাদা করার জন্য অবশিষ্ট ভেক্টর কোয়ান্টাইজেশন ব্যবহার করে।
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড