概述
這很重要,因為它支撐著現代生成音訊系統,並以開源形式提供給任何人使用。
深入探討
EnCodec 由 Meta AI 於 2022 年發布,遵循編碼器、殘差向量量化器 (RVQ) 和端到端訓練的解碼器的 SoundStream 藍圖,但添加了一些改進。它使用具有串流媒體功能的捲積編碼器、多尺度頻譜圖和時域重建損失,以及用於感知質量的對抗性鑑別器。一個顯著的貢獻是一個基於 Transformer 的小型熵模型,它進一步無損地壓縮量化程式碼,在不損失品質的情況下擠出額外的位元。 EnCodec 還引入了一個平衡器,可以自動縮放許多競爭訓練損失,使它們保持穩定。它可處理 24 kHz 單聲道和 48 kHz 立體聲音頻,可在 1.5、3、6 和 12 kbps 等比特率下運行,並且在 6 kbps 下可達到與 64 kbps 下的 MP3 相當的品質。其代幣為 Meta 的 MusicGen 和 AudioGen 提供動力。
現實世界的實施
為 Meta 的 MusicGen 和 AudioGen 文字到音訊產生器標記音訊
將 24 kHz 語音壓縮至 1.5-6 kbps,以實現頻寬有限的傳輸
以更高的位元率編碼品質接近 MP3 的 48 kHz 立體聲音樂
透過已發布的檢查點充當研究和音訊 ML 管道的開源嵌入式編解碼器
EnCodec 音訊壓縮的未來
EnCodec 已經是多個開放生成音頻模型的預設分詞器,其後代正在以較低的比特率推動更高的保真度、完整的立體聲和音樂級重建,以及與文本到音頻和文本到音樂生成器的更緊密整合。預計將在低頻寬通訊、即時串流媒體和標準「音訊令牌」層中得到更廣泛的採用,讓大型語言模型風格的架構能夠讀取和寫入聲音。
付諸實踐
為什麼這很重要
- 交通與覆蓋範圍. 它透過轉錄、旁白和語音介面提高了可訪問性。
- 成本與預算. 媒體團隊可以用更少的預算更快地交付精美的音訊。
- 速度與規模. 面向客戶的系統可以處理更大規模的語音互動。
留意
- 如果未徵得同意,語音濫用和冒充風險就會增加。
- 由於口音、方言或嘈雜的環境,準確性可能會下降。
- 如果沒有明確的標籤,合成音訊可能會被誤認為是真實的語音。
後續步驟
- 獲得語音捕獲、克隆和重用的明確同意。
- 測試不同揚聲器和背景條件下的品質。
- 定義人員必須審查或批准輸出的時間。
- 標記合成音訊並保留來源記錄以供問責。
不斷探索
常見問題
什麼是 EnCodec 音訊壓縮?
EnCodec 是 Meta 的高保真神經音訊編解碼器,它以極低的比特率壓縮語音和音樂,其品質可與更重的格式相媲美。這很重要,因為它支撐著現代生成音訊系統,並以開源形式提供給任何人使用。
EnCodec是哪個組織發布的?
EnCodec 由 Meta AI (FAIR) 於 2022 年推出,作為高保真神經音訊編解碼器。
EnCodec 增加了哪些額外元件來無損地從其令牌中壓縮更多壓縮?
EnCodec 訓練一個小型 Transformer 來預測令牌機率並對它們進行算術編碼,從而在 RVQ 之上實現額外的無損壓縮。
據報導,在大約 6 kbps 的情況下,EnCodec 的品質與比特率大約是多少的 MP3 相當?
6 kbps 的 EnCodec 達到的主觀品質與 64 kbps 的 MP3 類似,效率大幅提升。
EnCodec的「平衡器」在訓練過程中解決什麼問題?
由於存在許多損失(重建、光譜、對抗性),平衡器會重新調整梯度,因此沒有單一目標占主導地位,從而穩定了訓練。
EnCodec 與 SoundStream 共享哪種核心量化方法?
與 SoundStream 一樣,EnCodec 使用殘差向量量化將編碼器嵌入離散化為堆疊碼本索引。