SoundStream 신경 코덱
SoundStream은 품질을 유지하면서 음성과 음악을 매우 낮은 비트 전송률로 압축하는 Google의 엔드 투 엔드 신경 오디오 코덱입니다.
개요
It matters because it beats traditional codecs like Opus at the same bitrate and powers modern generative audio models.
심층 분석
2021년 Google에 의해 출시된 SoundStream은 원시 파형을 압축된 벡터 시퀀스로 변환하는 컨벌루션 인코더, 해당 벡터를 이산화하는 RVQ(잔차 벡터 양자화기), 파형을 재구성하는 컨벌루션 디코더의 세 부분으로 함께 훈련된 완전한 신경 코덱입니다. 재구성 손실과 GAN 스타일의 적대적 판별기로 훈련되었으므로 출력은 단순히 수치적으로 가깝지 않고 자연스럽게 들립니다. 눈에 띄는 기능은 '확장 가능' 또는 양자화기 드롭아웃 훈련입니다. 단일 모델은 재훈련 없이 추론 시 더 많거나 더 적은 양자화기 레이어를 사용하여 대략 3~18kbps의 비트 전송률에서 작동할 수 있습니다. 3kbps에서는 스마트폰 CPU에서 실시간으로 실행될 수 있는 단일 모델의 청취 테스트, 음성, 음악 및 일반 오디오 처리에서 Opus(12kbps)보다 성능이 뛰어난 것으로 알려졌습니다.
기술적 통찰력
파형은 다운샘플링을 많이 하는 스트라이드 컨볼루션을 통과하여 프레임당 하나의 임베딩을 생성합니다(예: 초당 75프레임). 그런 다음 RVQ는 각 임베딩을 코드북 인덱스 스택으로 인코딩합니다. 비트 전송률은 프레임 속도와 활성 양자화기의 수를 곱한 값과 코드북당 비트를 곱한 것과 같습니다. 양자화기 드롭아웃은 훈련 중에 RVQ 스택을 무작위로 잘라내어 이전 코드북이 가장 중요한 정보를 전달하도록 하여 코덱이 더 낮은 속도로 정상적으로 저하되도록 합니다.
전략적 영향
접근 및 도달
전사, 내레이션, 음성 인터페이스를 통해 접근성을 향상시킵니다.
비용 및 예산
미디어 팀은 더 적은 예산으로 세련된 오디오를 더 빠르게 출시할 수 있습니다.
속도와 규모
고객 대면 시스템은 음성 상호 작용을 더 큰 규모로 처리할 수 있습니다.
SoundStream 신경 코덱의 미래
SoundStream은 EnCodec 및 DAC와 같은 최신 코덱이 개선된 템플릿을 구축했으며, 해당 개별 토큰은 AudioLM 및 MusicLM과 같은 생성 시스템의 기반이 되었습니다. 더 낮은 비트 전송률, 언어 모델 스타일 오디오 생성기에 대한 입력으로 두 배가 되는 의미론적으로 구조화된 토큰, 대역폭과 대기 시간이 엄격하게 제한되는 실시간 통화, 보청기 및 스트리밍을 위한 보다 엄격한 온디바이스 배포를 향해 나아가는 후손을 기대합니다.
실제 구현
더 높은 비트 전송률에서 레거시 코덱보다 더 선명한 소리를 내면서 음성 통화를 최대 3kbps로 압축합니다.
Google의 AudioLM 및 MusicLM 생성 모델을 제공하는 개별 오디오 토큰 생성
CPU 기반 인코딩 및 디코딩을 통해 모바일 장치에서 실시간 저대역폭 오디오 스트리밍
모든 콘텐츠 유형을 처리하는 단일 모델에서 음악과 주변 소리를 효율적으로 저장하거나 전송합니다.
위험 및 가드레일
동의가 없으면 음성 오용 및 명의 도용 위험이 높아집니다.
악센트, 방언 또는 시끄러운 환경에서는 정확도가 떨어질 수 있습니다.
합성 오디오는 명확한 라벨링이 없으면 실제 음성으로 오인될 수 있습니다.
구현 로드맵
음성 캡처, 복제 및 재사용에 대한 명시적인 동의를 얻습니다.
다양한 화자와 배경 조건에서 품질을 테스트합니다.
사람이 출력을 검토하거나 승인해야 하는 시기를 정의합니다.
합성 오디오에 라벨을 붙이고 책임을 묻기 위해 출처 기록을 보관하세요.
계속 탐색하세요
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 SoundStream Neural Codec 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
다음 가이드
신경 오디오 코덱
자주 묻는 질문
What is SoundStream Neural Codec?
SoundStream은 품질을 유지하면서 음성과 음악을 매우 낮은 비트 전송률로 압축하는 Google의 엔드 투 엔드 신경 오디오 코덱입니다. 이는 동일한 비트 전송률에서 Opus와 같은 기존 코덱을 능가하고 최신 생성 오디오 모델을 지원하기 때문에 중요합니다.
SoundStream 아키텍처를 구성하는 세 가지 구성 요소는 무엇입니까?
SoundStream은 컨벌루션 인코더, 임베딩을 이산화하는 잔여 벡터 양자화기, 컨벌루션 디코더로 구성되며 모두 엔드 투 엔드로 훈련됩니다.
단일 SoundStream 모델이 재교육 없이 다양한 비트 전송률을 제공할 수 있는 기술은 무엇입니까?
훈련 중에 SoundStream은 양자화기 레이어를 무작위로 삭제하므로 추론 시 더 많거나 더 적은 RVQ 레벨을 사용하여 한 모델에서 다양한 비트 전송률을 달성할 수 있습니다.
Google의 청취 테스트에서 3kbps의 SoundStream이 12kbps의 어떤 코덱보다 성능이 뛰어난 것으로 보고되었습니다.
단 3kbps의 SoundStream은 주관적인 품질 평가에서 12kbps로 실행되는 널리 사용되는 Opus 코덱과 일치하거나 이겼습니다.
SoundStream은 출력 사운드를 자연스럽게 만들기 위해 어떤 종류의 추가 훈련 신호를 사용합니까?
재구성 손실 외에도 SoundStream은 적대적(GAN) 판별자를 사용하므로 재구성은 단지 수치적으로 가깝기보다는 지각적으로 현실적으로 들립니다.
SoundStream의 비트 전송률은 양자화기와 어떤 관련이 있나요?
비트 전송률은 활성 RVQ 레이어 수(프레임 속도 x 코드북당 비트)에 따라 확장되므로 양자화기를 추가하면 비트 전송률과 품질이 향상됩니다.