Compresión de audio EnCodec
EnCodec es el códec de audio neuronal de alta fidelidad de Meta que comprime voz y música a tasas de bits muy bajas con una calidad que rivaliza con formatos mucho más pesados.
Descripción general
It matters because it underpins modern generative audio systems and ships in open-source form for anyone to use.
Buceo profundo
Lanzado por Meta AI en 2022, EnCodec sigue el modelo SoundStream de un codificador, un cuantificador de vector residual (RVQ) y un decodificador entrenado de extremo a extremo, pero agrega varias mejoras. Utiliza un codificador convolucional con capacidad de transmisión, espectrograma de múltiples escalas y pérdidas de reconstrucción en el dominio del tiempo, y discriminadores adversarios para la calidad de percepción. Una contribución notable es un pequeño modelo de entropía basado en Transformer que comprime aún más los códigos cuantificados sin pérdidas, exprimiendo bits adicionales sin pérdida de calidad. EnCodec también introduce un equilibrador que escala automáticamente las numerosas pérdidas de entrenamiento de la competencia para que se mantengan estables. Maneja audio monofónico de 24 kHz y estéreo de 48 kHz, funciona con velocidades de bits como 1,5, 3, 6 y 12 kbps, y a 6 kbps alcanza una calidad comparable a MP3 a 64 kbps. Sus tokens impulsan MusicGen y AudioGen de Meta.
Información técnica
El codificador de EnCodec reduce la resolución de la forma de onda con convoluciones escalonadas en una secuencia latente, que RVQ convierte en índices de libro de códigos apilados. Un modelo ligero de lenguaje Transformer predice las probabilidades de estos tokens y los codifica aritméticamente, recuperando una mayor compresión de forma gratuita. El equilibrador de entrenamiento reescala las contribuciones de gradiente de las pérdidas de reconstrucción, espectrales y adversarias para que ningún término predomine, lo que mantiene estable el entrenamiento multiobjetivo en todo el rango de tasas de bits.
Impacto Estratégico
Access and reach
Mejora la accesibilidad a través de transcripción, narración e interfaces de voz.
Costo y presupuesto
Los equipos de medios pueden enviar audio pulido más rápido con presupuestos más pequeños.
Speed and scale
Los sistemas de cara al cliente pueden procesar interacciones habladas a mayor escala.
El futuro de la compresión de audio EnCodec
EnCodec ya es el tokenizador predeterminado para varios modelos de audio generativo abierto, y sus descendientes están impulsando una mayor fidelidad a velocidades de bits más bajas, reconstrucción completa en estéreo y calidad musical, y una integración más estrecha con generadores de texto a audio y de texto a música. Espere una adopción más amplia en comunicaciones de bajo ancho de banda, transmisión en tiempo real y como capa estándar de 'token de audio' que permite que las arquitecturas de estilo de modelo de lenguaje grande lean y escriban sonido.
Implementación en el mundo real
Tokenización de audio para los generadores de texto a audio MusicGen y AudioGen de Meta
Compresión de voz de 24 kHz a 1,5-6 kbps para transmisión con ancho de banda limitado
Codificación de música estéreo de 48 kHz con una calidad cercana al MP3 y velocidades de bits mucho más altas
Sirve como un códec directo de código abierto para procesos de aprendizaje automático de audio e investigación a través de los puntos de control publicados.
Riesgos y barandillas
Los riesgos de uso indebido de voz y suplantación de identidad aumentan cuando falta el consentimiento.
La precisión puede disminuir según los acentos, los dialectos o los entornos ruidosos.
El audio sintético puede confundirse con el habla auténtica sin un etiquetado claro.
Hoja de ruta de implementación
Obtenga consentimiento explícito para la captura, clonación y reutilización de voz.
Pruebe la calidad en diversos oradores y condiciones de fondo.
Defina cuándo un humano debe revisar o aprobar los resultados.
Etiquete el audio sintético y mantenga registros de procedencia para la rendición de cuentas.
Sigue explorando
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
Siguiente guía
Incorporaciones de audio y aprendizaje de representación
Preguntas frecuentes
What is EnCodec Audio Compression?
EnCodec es el códec de audio neuronal de alta fidelidad de Meta que comprime voz y música a tasas de bits muy bajas con una calidad que rivaliza con formatos mucho más pesados. Es importante porque sustenta los sistemas de audio generativo modernos y se envía en formato de código abierto para que cualquiera pueda usarlo.
¿Qué organización lanzó EnCodec?
EnCodec fue presentado por Meta AI (FAIR) en 2022 como un códec de audio neuronal de alta fidelidad.
¿Qué componente adicional agrega EnCodec para exprimir más compresión de sus tokens sin pérdidas?
EnCodec entrena un pequeño transformador para predecir las probabilidades de los tokens y los codifica aritméticamente, logrando una compresión adicional sin pérdidas además de RVQ.
A aproximadamente 6 kbps, se informó que la calidad de EnCodec era comparable a la de MP3, ¿a qué velocidad de bits aproximadamente?
EnCodec a 6 kbps alcanza una calidad subjetiva similar a MP3 a 64 kbps, una gran ganancia de eficiencia.
¿Qué problema soluciona el 'equilibrador' de EnCodec durante el entrenamiento?
Con muchas pérdidas (reconstrucción, espectral, adversaria), el equilibrador reescala sus gradientes para que ningún objetivo domine, estabilizando el entrenamiento.
¿Qué método de cuantización central comparte EnCodec con SoundStream?
Al igual que SoundStream, EnCodec utiliza la cuantificación de vectores residuales para discretizar las incrustaciones del codificador en índices de libros de códigos apilados.