Kompresja dźwięku EnCodec
EnCodec to neuronowy kodek audio o wysokiej jakości firmy Meta, który kompresuje mowę i muzykę przy bardzo niskiej przepływności, a jakość może konkurować ze znacznie cięższymi formatami.
Przegląd
It matters because it underpins modern generative audio systems and ships in open-source form for anyone to use.
Głębokie nurkowanie
Wydany przez Meta AI w 2022 r. EnCodec jest zgodny ze schematem SoundStream obejmującym koder, kwantyzator wektorów resztkowych (RVQ) i dekoder przeszkolony od początku do końca, ale dodaje kilka udoskonaleń. Wykorzystuje koder splotowy umożliwiający przesyłanie strumieniowe, wieloskalowy spektrogram i straty rekonstrukcji w dziedzinie czasu, a także dyskryminatory kontradyktoryjności jakości percepcyjnej. Godnym uwagi wkładem jest mały model entropii oparty na transformatorze, który dodatkowo kompresuje skwantowane kody bezstratnie, wyciskając dodatkowe bity bez utraty jakości. EnCodec wprowadza również moduł równoważący, który automatycznie skaluje wiele konkurencyjnych strat treningowych, aby pozostały stabilne. Obsługuje dźwięk monofoniczny 24 kHz i stereofoniczny 48 kHz, działa przy przepływnościach takich jak 1,5, 3, 6 i 12 kb/s, a przy 6 kb/s osiąga jakość porównywalną z MP3 przy 64 kb/s. Jego tokeny zasilają MusicGen i AudioGen Meta.
Wgląd techniczny
Koder EnCodeca próbkuje kształt fali ze splotami krokowymi w ukrytą sekwencję, która RVQ przekształca w skumulowane indeksy książki kodowej. Lekki model języka Transformer przewiduje prawdopodobieństwa tych tokenów i koduje je arytmetycznie, odzyskując dalszą kompresję za darmo. Moduł równoważenia treningu przeskalowuje wkład gradientu ze strat rekonstrukcyjnych, widmowych i przeciwstawnych, tak aby żaden pojedynczy składnik nie dominował, co zapewnia stabilność wielokryterialnego treningu w pełnym zakresie przepływności.
Wpływ strategiczny
Dostęp i zasięg
Poprawia dostępność poprzez transkrypcję, narrację i interfejsy głosowe.
Koszt i budżet
Zespoły medialne mogą szybciej dostarczać dopracowany dźwięk przy mniejszych budżetach.
Szybkość i skala
Systemy skierowane do klienta mogą przetwarzać interakcje mówione na większą skalę.
Przyszłość kompresji dźwięku EnCodec
EnCodec jest już domyślnym tokenizatorem dla kilku otwartych generatywnych modeli audio, a jego potomkowie naciskają na wyższą wierność przy niższych przepływnościach, pełną rekonstrukcję stereo i klasy muzycznej oraz ściślejszą integrację z generatorami zamiany tekstu na dźwięk i tekstu na muzykę. Można się spodziewać szerszego zastosowania w komunikacji o niskiej przepustowości, transmisji strumieniowej w czasie rzeczywistym oraz jako standardowa warstwa „tokenu audio”, która umożliwia odczytywanie i zapisywanie dźwięku w dużych architekturach opartych na modelach językowych.
Implementacja w świecie rzeczywistym
Tokenizowanie dźwięku dla generatorów zamiany tekstu na dźwięk firmy Meta MusicGen i AudioGen
Kompresja mowy 24 kHz do 1,5–6 kb/s w przypadku transmisji o ograniczonej przepustowości
Kodowanie muzyki stereo 48 kHz z jakością zbliżoną do MP3 przy znacznie wyższych przepływnościach
Służy jako kodek typu open source dla potoków badawczych i audio ML za pośrednictwem wydanych punktów kontrolnych
Zagrożenia i poręcze
W przypadku braku zgody zwiększa się ryzyko niewłaściwego użycia głosu i podszywania się pod inne osoby.
Dokładność może spaść w przypadku akcentów, dialektów lub hałaśliwego otoczenia.
Bez wyraźnego oznakowania dźwięk syntetyczny można pomylić z autentyczną mową.
Plan wdrożenia
Uzyskaj wyraźną zgodę na przechwytywanie, klonowanie i ponowne wykorzystanie głosu.
Testuj jakość na różnych głośnikach i w różnych warunkach otoczenia.
Zdefiniuj, kiedy człowiek musi przejrzeć lub zatwierdzić wyniki.
Oznacz dźwięk syntetyczny i prowadź dokumentację pochodzenia w celu zapewnienia odpowiedzialności.
Odkrywaj dalej
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
Następny poradnik
Osadzanie dźwięku i nauka reprezentacji
Często zadawane pytania
What is EnCodec Audio Compression?
EnCodec to neuronowy kodek audio o wysokiej jakości firmy Meta, który kompresuje mowę i muzykę przy bardzo niskiej przepływności, a jakość może konkurować ze znacznie cięższymi formatami. Ma to znaczenie, ponieważ stanowi podstawę nowoczesnych generatywnych systemów audio i jest dostarczany w formie open source, z której może korzystać każdy.
Która organizacja wydała EnCodec?
EnCodec został wprowadzony przez Meta AI (FAIR) w 2022 roku jako neuronowy kodek audio o wysokiej jakości.
Jaki dodatkowy komponent dodaje EnCodec, aby bezstratnie wycisnąć więcej kompresji ze swoich tokenów?
EnCodec szkoli mały Transformer, aby przewidywał prawdopodobieństwa tokenów i kodował je arytmetycznie, uzyskując dodatkową bezstratną kompresję ponad RVQ.
Przy szybkości około 6 kb/s jakość EnCodeca została zgłoszona jako porównywalna z jakością MP3 przy mniej więcej jakiej przepływności?
EnCodec przy 6 kbps osiąga subiektywną jakość podobną do MP3 przy 64 kbps, co stanowi duży wzrost wydajności.
Jaki problem rozwiązuje „balanser” EnCodeca podczas treningu?
Przy wielu stratach (rekonstrukcyjnych, spektralnych, kontradyktoryjnych) balanser przeskalowuje ich gradienty tak, aby żaden pojedynczy cel nie dominował, stabilizując trening.
Którą podstawową metodę kwantyzacji udostępnia EnCodec i SoundStream?
Podobnie jak SoundStream, EnCodec wykorzystuje kwantyzację wektora resztkowego w celu dyskretyzacji osadzania koderów w stosowych indeksach książki kodowej.