آڈیو AI گائیڈ
EnCodec آڈیو کمپریشن
EnCodec Meta کا ہائی فیڈیلیٹی نیورل آڈیو کوڈیک ہے جو اسپیچ اور میوزک کو بہت کم بٹ ریٹ پر کمپریس کرتا ہے اور اس سے کہیں زیادہ بھاری فارمیٹس کا مقابلہ کرتا ہے۔
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~2 min
اس صفحہ پر2 منٹ پڑھیں
جائزہ
It matters because it underpins modern generative audio systems and ships in open-source form for anyone to use.
گہرا غوطہ
2022 میں Meta AI کے ذریعہ جاری کیا گیا، EnCodec ایک انکوڈر، ایک بقایا ویکٹر کوانٹائزر (RVQ) کے ساؤنڈ اسٹریم بلیو پرنٹ کی پیروی کرتا ہے، اور ایک ڈیکوڈر تربیت یافتہ اینڈ ٹو اینڈ، لیکن اس میں کئی اصلاحات شامل کرتا ہے۔ یہ ایک سٹریمنگ کے قابل convolutional encoder، کثیر پیمانے پر سپیکٹروگرام اور ٹائم ڈومین کی تعمیر نو کے نقصانات، اور ادراک کے معیار کے لیے مخالفانہ امتیازی سلوک کا استعمال کرتا ہے۔ ایک قابل ذکر شراکت ایک چھوٹا ٹرانسفارمر پر مبنی اینٹروپی ماڈل ہے جو کوانٹائزڈ کوڈز کو بغیر کسی نقصان کے مزید کمپریس کرتا ہے، بغیر معیار کے نقصان کے اضافی بٹس کو نچوڑتا ہے۔ EnCodec ایک بیلنسر بھی متعارف کراتا ہے جو خود بخود مسابقتی تربیت کے بہت سے نقصانات کی پیمائش کرتا ہے تاکہ وہ مستحکم رہیں۔ یہ 24 kHz monophonic اور 48 kHz سٹیریو آڈیو کو ہینڈل کرتا ہے، 1.5، 3، 6، اور 12 kbps جیسے بٹ ریٹ پر کام کرتا ہے، اور 6 kbps پر MP3 کے مقابلے 64 kbps پر معیار تک پہنچ جاتا ہے۔ اس کے ٹوکنز پاور Meta کی MusicGen اور AudioGen۔
حقیقی دنیا کا نفاذ
Meta کے MusicGen اور AudioGen ٹیکسٹ ٹو آڈیو جنریٹرز کے لیے ٹوکنائزنگ آڈیو
بینڈوڈتھ محدود ٹرانسمیشن کے لیے 24 kHz اسپیچ کو 1.5-6 kbps پر کمپریس کرنا
MP3 کے قریب معیار کے ساتھ 48 kHz سٹیریو میوزک کو انکوڈنگ کرنا بہت زیادہ بٹ ریٹ پر
جاری کردہ چیک پوائنٹس کے ذریعے تحقیق اور آڈیو ML پائپ لائنز کے لیے اوپن سورس ڈراپ ان کوڈیک کے طور پر کام کرنا
EnCodec آڈیو کمپریشن کا مستقبل
EnCodec پہلے سے ہی کئی کھلے جنریٹیو آڈیو ماڈلز کے لیے ڈیفالٹ ٹوکنائزر ہے، اور اس کی اولادیں کم بٹ ریٹ، مکمل سٹیریو اور میوزک گریڈ ری کنسٹرکشن، اور ٹیکسٹ ٹو آڈیو اور ٹیکسٹ ٹو میوزک جنریٹرز کے ساتھ سخت انضمام کو آگے بڑھا رہی ہیں۔ کم بینڈوڈتھ کمیونیکیشن، ریئل ٹائم اسٹریمنگ، اور معیاری 'آڈیو ٹوکن' پرت کے طور پر وسیع تر اپنانے کی توقع ہے جو بڑی زبان کے ماڈل طرز کے فن تعمیر کو آواز پڑھنے اور لکھنے دیتی ہے۔
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- رسائی اور رسائی. یہ نقل، بیان اور صوتی انٹرفیس کے ذریعے رسائی کو بہتر بناتا ہے۔
- لاگت اور بجٹ. میڈیا ٹیمیں چھوٹے بجٹ کے ساتھ پالش آڈیو کو تیزی سے بھیج سکتی ہیں۔
- رفتار اور پیمانہ. کسٹمر کا سامنا کرنے والے نظام بڑے پیمانے پر بولی جانے والی بات چیت پر کارروائی کر سکتے ہیں۔
پر نگاہ رکھیں
- رضامندی غائب ہونے پر آواز کے غلط استعمال اور نقالی کے خطرات بڑھ جاتے ہیں۔
- درستگی لہجوں، بولیوں، یا شور والے ماحول میں گر سکتی ہے۔
- واضح لیبلنگ کے بغیر مصنوعی آڈیو کو مستند تقریر کے لیے غلط سمجھا جا سکتا ہے۔
اگلے اقدامات
- آواز کی گرفتاری، کلوننگ اور دوبارہ استعمال کے لیے واضح رضامندی حاصل کریں۔
- متنوع اسپیکرز اور پس منظر کے حالات میں معیار کی جانچ کریں۔
- وضاحت کریں کہ جب ایک انسان کو آؤٹ پٹس کا جائزہ لینا یا منظور کرنا ضروری ہے۔
- مصنوعی آڈیو کو لیبل کریں اور جوابدہی کے لیے پرووینس ریکارڈ رکھیں۔
دریافت کرتے رہیں
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the EnCodec Audio Compression quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
اکثر پوچھے گئے سوالات
What is EnCodec Audio Compression?
EnCodec Meta کا ہائی فیڈیلیٹی نیورل آڈیو کوڈیک ہے جو اسپیچ اور میوزک کو بہت کم بٹ ریٹ پر کمپریس کرتا ہے اور اس سے کہیں زیادہ بھاری فارمیٹس کا مقابلہ کرتا ہے۔ یہ اہمیت رکھتا ہے کیونکہ یہ جدید جنریٹیو آڈیو سسٹمز اور جہازوں کو اوپن سورس کی شکل میں کسی کے بھی استعمال کرنے کے لیے تیار کرتا ہے۔
کس تنظیم نے EnCodec جاری کیا؟
EnCodec کو Meta AI (FAIR) نے 2022 میں ایک ہائی فیڈیلیٹی نیورل آڈیو کوڈیک کے طور پر متعارف کرایا تھا۔
EnCodec اپنے ٹوکنز سے زیادہ کمپریشن کو بغیر کسی نقصان کے نچوڑنے کے لیے کون سا اضافی جز شامل کرتا ہے؟
EnCodec ایک چھوٹے ٹرانسفارمر کو ٹوکن کے امکانات کی پیشین گوئی کرنے اور ریاضی کے کوڈز کی تربیت دیتا ہے، جس سے RVQ کے اوپر اضافی نقصان کے بغیر کمپریشن حاصل ہوتا ہے۔
تقریباً 6 kbps پر، EnCodec کی کوالٹی MP3 کے مقابلے میں بتائی گئی تھی کہ کس بٹریٹ پر؟
EnCodec 6 kbps پر 64 kbps پر MP3 کی طرح ساپیکش معیار تک پہنچتا ہے، ایک بڑا کارکردگی کا فائدہ۔
تربیت کے دوران EnCodec کا 'balancer' کون سا مسئلہ حل کرتا ہے؟
بہت سے نقصانات (تعمیر نو، اسپیکٹرل، مخالف) کے ساتھ، بیلنسر اپنے گریڈینٹ کو دوبارہ اسکیل کرتا ہے تاکہ کوئی ایک مقصد غالب نہ ہو، تربیت کو مستحکم کرتا ہے۔
کوانٹائزیشن کا کون سا بنیادی طریقہ EnCodec SoundStream کے ساتھ شیئر کرتا ہے؟
SoundStream کی طرح، EnCodec بقایا ویکٹر کوانٹائزیشن کا استعمال کرتا ہے تاکہ انکوڈر ایمبیڈنگز کو اسٹیک شدہ کوڈ بک انڈیکس میں ڈسکریٹائز کیا جا سکے۔
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔