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।
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।
প্রযুক্তিগত অন্তর্দৃষ্টি
EnCodec-এর এনকোডার তরঙ্গরূপের নমুনাকে স্ট্রাইডেড কনভোলিউশনের সাথে একটি সুপ্ত অনুক্রমে পরিণত করে, যা RVQ স্ট্যাক করা কোডবুক সূচকে রূপান্তরিত করে। একটি লাইটওয়েট ট্রান্সফরমার ল্যাঙ্গুয়েজ মডেল এই টোকেনগুলির সম্ভাব্যতার ভবিষ্যদ্বাণী করে এবং সেগুলিকে গাণিতিক-কোড দেয়, বিনামূল্যে আরও কম্প্রেশন পুনরুদ্ধার করে। প্রশিক্ষণ ব্যালেন্সার পুনর্গঠন, বর্ণালী এবং প্রতিকূল ক্ষতি থেকে গ্রেডিয়েন্ট অবদানগুলিকে পুনঃস্কেল করে যাতে কোনও একক পদের প্রাধান্য না থাকে, যা সম্পূর্ণ বিটরেট পরিসর জুড়ে বহু-উদ্দেশ্যমূলক প্রশিক্ষণকে স্থিতিশীল রাখে।
কৌশলগত প্রভাব
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।
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।
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
ঝুঁকি এবং প্রহরী
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।
বাস্তবায়ন রোডম্যাপ
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the EnCodec Audio Compression quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
অডিও এম্বেডিং এবং প্রতিনিধিত্ব শিক্ষা
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।