Digitaler Audio, der Klang, den wir in unseren Telefonen und Computern hören, ist im Grunde eine Aufzeichnung von Luftdruckänderungen über die Zeit. Um diesen Klang zu speichern, machen Computer tausendfach pro Sekunde Schnappschüsse dieser Druckänderungen und ordnen jedem Schnappschuss eine Zahl zu. Je präziser diese Zahlen sind, desto besser ist der Klang, aber desto größer wird auch die Datei. Jahrzehntelang war die Standardmethode, um diese Dateien zu verkleinern, ohne zu viel Qualität zu verlieren, den Klang in eine andere Sprache zu übersetzen: Anstatt die Druckänderungen Moment für Moment zu betrachten, analysieren Ingenieure den Klang als eine Mischung aus verschiedenen musikalischen Tonhöhen. Sie verwenden dann komplexe Regeln über das menschliche Gehör, um zu entscheiden, welche Tonhöhen so leise oder so von lauteren Klängen verdeckt sind, dass das Gehirn sie niemals bemerken würde, und löschen diese Teile. Diese Methode funktioniert gut, erfordert jedoch schwere mathematische Apparaturen und tiefes Wissen darüber, wie das menschliche Ohr funktioniert.

Ein neuer Ansatz legt jedoch nahe, dass wir das menschliche Ohr gar nicht verstehen müssen, um Audio effektiv zu komprimieren. Anstatt zu versuchen, die Biologie nachzuahmen, behandelt diese neue Methode den Klang einfach als einen Strom von Zahlen, die neu angeordnet werden können. Indem die Forscher eine Technik entlehnten, die ursprünglich dazu entwickelt wurde, die massiven Speicheranforderungen von Modellen der künstlichen Intelligenz zu verringern, haben sie ein System geschaffen, das Audio komprimiert, indem es die Daten selbst mathematisch umgestaltet. Das Ergebnis ist ein Codec, der schnell auf Standard-Computerprozessoren läuft, keine spezialisierte Hardware erfordert und eine Kompressionsleistung erreicht, die mit den etabliertesten Audioformaten konkurriert, während er auf eine völlig andere Weise arbeitet.

Die Forscher hinter dieser Arbeit, angeführt von Sahil Gangurde, entwickelten ein System, das sie AudioTQ nennen. Ihr Ziel war es, einen verlustbehafteten Audio-Codec zu entwickeln – ein Werkzeug, das die Dateigröße reduziert, indem es Informationen dauerhaft verwirft –, der jedoch direkt auf dem rohen Zeitbereichssignal operiert, ohne es zuerst in Frequenzen umzuwandeln. Traditionelle Methoden verlassen sich auf psychoakustische Modelle, die komplizierte Karten der menschlichen Hörsensitivität sind, um zu entscheiden, was weggeworfen werden soll. AudioTQ lehnt dies vollständig ab. Stattdessen stützt es sich auf eine mathematische Eigenschaft, bei der das Randomisieren der Anordnung von Zahlen dazu führt, dass sie sich in einem vorhersagbaren, glockenförmigen Muster einpendeln. Dies ist dasselbe statistische Verhalten, das es großen Sprachmodellen ermöglicht, mit weniger Bits an Speicher zu funktionieren.

Der Prozess beginnt mit der Entnahme eines Blocks roher Audiodaten. Stellen Sie sich einen kurzen Ausschnitt eines Liedes vor, vielleicht eine halbe Sekunde lang, der hunderte von einzelnen Lautstärkemessungen enthält. In einem Standardcomputer werden diese Messungen als große, präzise Zahlen gespeichert. Das AudioTQ-System wendet zuerst eine spezifische mathematische Rotation auf diesen Block von Zahlen an. Diese Rotation ist nicht im Sinne des Chaos zufällig; es ist eine strukturierte, schnelle Berechnung, die die Werte miteinander vermischt. Die Forscher fanden heraus, dass dieser Mischprozess die extremen Spitzen und leisen Täler des Audios glättet und die gezackte, unvorhersehbare Form des ursprünglichen Klangs in eine viel gleichmäßigere Verteilung verwandelt. Die Daten werden effektiv „Gaußsch“, was bedeutet, dass sie sich ordentlich um einen zentralen Durchschnitt gruppieren, mit weniger extremen Ausreißern.

Sobald die Daten in dieses vorhersagbare Muster umgestaltet wurden, kann das System sie mit überraschender Effizienz komprimieren. Da die Zahlen nun einer standardisierten, bekannten Form folgen, kann das System eine vorgefertigte Karte verwenden, um jede Zahl durch einen viel kleineren Code zu ersetzen. Anstatt den vollen, präzisen Wert zu speichern, zeichnet das System einfach auf, in welchen „Eimer“ oder welche Kategorie die Zahl fällt. In diesem spezifischen Design verwendeten die Forscher einen 6-Bit-Code, der 64 verschiedene Kategorien ermöglicht. Dies ist eine signifikante Reduktion gegenüber der ursprünglichen 24-Bit- oder 32-Bit-Präzision, die in hochwertigen Studioaufnahmen verwendet wird. Doch das bloße Senken der Präzision würde ein hartes, statisches Rauschen einführen. Um dies zu beheben, fügt das System eine winzige, einbige Korrektur hinzu. Es prüft, ob die ursprüngliche Zahl etwas höher oder niedriger als die Mitte ihres Eimers war, und zeichnet diese Richtung auf. Dieser zusätzliche Bit fungt als Feinabstimmungsregler, der es dem System ermöglicht, den Klang mit einer Auflösung zu rekonstruieren, die sich wie 7 Bit anfühlt, obwohl es nur 6 Bits an Hauptdaten plus einen Bit Korrektur speichert.

Der letzte Schritt besteht darin, diese Codes in den Standard-Computerspeicher zu packen. Da Computer Daten am effizientesten in Blöcken von 8 Bits (Bytes) verarbeiten, kombiniert das System geschickt den 6-Bit-Code und die 1-Bit-Korrektur in einen einzigen 8-Bit-Container, wobei ein Bit leer bleibt. Diese Ausrichtung stellt sicher, dass die Software mit hohen Geschwindigkeiten auf einem einzelnen Prozessorkern laufen kann, ohne spezielle Hardware-Beschleuniger zu benötigen. Das Ergebnis ist eine Datei, die signifikant kleiner ist als das Original. In Tests reduzierte das System die Größe einer hochwertigen Studioaufnahme um etwa 7ert 74 Prozent, was bedeutet, dass eine Datei, die ursprünglich 20 Megabyte groß war, auf knapp über 5 Megabyte schrumpfte.

Trotz der drastischen Reduktion der Daten bleibt die Qualität des rekonstruierten Klangs bemerkenswert hoch. Als die Forscher das komprimierte Audio mit dem Original verglichen, stellten sie fest, dass die Wellenformen mit einer Korrelation von über 99,95 Prozent übereinstimmten. Das System bewahrte die scharfen Anschläge von Trommeln und die subtilen Details der Sprache ohne die Verzerrung, die normalerweise aggressive Kompression begleitet. Das Signal-Rausch-Verhältnis bezüglich der Quantisierungsverzerrung, ein Maß dafür, wie viel nützlicher Klang im Vergleich zum durch die Kompression eingeführten Rauschen verbleibt, erreichte etwa 30 Dezibel. Dies ist eine Wiedergabetreue, die mit etablierten Formaten wie MP3 oder AAC konkurrieren kann, und dies wurde erreicht, ohne jemals den Frequenzgehalt des Klangs zu analysieren oder das menschliche Gehör zu modellieren.

Die Forscher identifizierten auch ein spezifisches Szenario, in dem diese Methode versagen könnte. Wenn das Audiosignal perfekt mit der mathematischen Struktur der Rotation zusammenfällt, würden sich die Daten nicht gleichmäßig verteilen, und die Kompression würde zusammenbrechen, was zu schweren Verzerrungen führt. Um dies zu verhindern, enthält das System einen Sicherheitsmechanismus, der eine solche Ausrichtung erkennen und die Daten vor der Verarbeitung leicht verschieben kann, um sicherzustellen, dass die Methode robust bleibt. Diese selbstkorrigierende Funktion, komb сочета mit der Fähigkeit, auf Standardhardware zu laufen, deutet darauf hin, dass datenobliviente Techniken einen neuen Weg für die Audiokompression eröffnen könnten. Es zeigt, dass es möglich ist, durch das Verständnis der statistischen Natur der Daten selbst anstatt der Biologie des Zuhörers effiziente, hochwertige Audiotools zu bauen, die sowohl leichtgewichtig als auch leistungsstark sind.