QASTAnet: A DNN-based Quality Metric for Spatial Audio
यह शोध पत्र QASTAnet को प्रस्तुत करता है, जो एक डीप न्यूरल नेटवर्क-आधारित मीट्रिक है जिसे विशेषज्ञ श्रवण मॉडलिंग (expert auditory modeling) को उच्च-स्तरीय संज्ञानात्मक कार्य सिमुलेशन (high-level cognitive function simulation) के साथ जोड़कर सीमित प्रशिक्षण डेटा के साथ व्यक्तिपरक स्थानिक ऑडियो गुणवत्ता की सटीक भविष्यवाणी करने के लिए डिज़ाइन किया गया है, जिससे यह विविध प्रकार की सामग्री में कोडेक आर्टिफ़ेक्ट्स (codec artifacts) का मूल्यांकन करने में मौजूदा विधियों से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप अपने हेडफ़ोन के भीतर बज रहे एक विशाल, अदृश्य ऑर्केस्ट्रा के कंडक्टर हैं। यह सिर्फ संगीत नहीं है; यह एक 3D साउंडस्केप है जहाँ आपके बाएं कान के ऊपर एक पक्षी चहचहाता है, एक कार आपके पीछे से तेज़ी से गुज़रती है, और आपके चारों ओर बारिश होती है। यह स्पेशियल ऑडियो (spatial audio) की दुनिया है, एक ऐसी तकनीक जो डिजिटल ध्वनि को ऐसा महसूस कराती है जैसे वह आपके ठीक बगल में हो रही हो, न कि केवल एक सपाट स्पीकर से आ रही हो। लेकिन यहाँ पेचीदा बात यह है: इस जटिल 3D ध्वनि को इंटरनेट पर भेजने या अपने फोन पर स्टोर करने के लिए, इंजीनियरों को इसे कंप्रेस करना पड़ता है, यानी डेटा को एक सूटकेस की तरह सिकोड़ना पड़ता है। कभी-कभी, यह सिकोड़ने की प्रक्रिया "आर्टिफैक्ट्स" (artifacts) पैदा करती है—अजीबोगरीब गड़बड़ियाँ, स्टेटिक या उस जादुई 3D अहसास का नुकसान।
इन गड़बड़ियों को ठीक करने के लिए, इंजीनियरों को गुणवत्ता मापने के तरीके की आवश्यकता होती है। पुराना तरीका "लिसनिंग टेस्ट" (सुनने का परीक्षण) है, जहाँ लोगों का एक समूह एक शांत कमरे में बैठता है, दर्जनों क्लिप सुनता है, और उन्हें एक स्केल पर रेट करता है। यह सटीक तो है, लेकिन यह धीमा, महंगा है, और हर बार एक नया कोडेक (codec) टेस्ट करने के लिए वास्तविक लोगों को भर्ती करने की आवश्यकता होती है। इसलिए, वैज्ञानिकों ने "रोबोट लिसनर्स" बनाने की कोशिश की है—ऐसे कंप्यूटर प्रोग्राम जो यह अनुमान लगा सकें कि इंसान उस ध्वनि को कैसे रेट करेंगे। चुनौती यह है कि ये रोबट अक्सर 3D ध्वनि के जटिल भौतिक विज्ञान को समझने के लिए बहुत सरल होते हैं, या उन्हें सीखने के लिए इतने अधिक डेटा की आवश्यकता होती है कि उन्हें प्रशिक्षित करना असंभव हो जाता है। सवाल यह है: क्या हम एक स्मार्ट, छोटा रोबोट बना सकते हैं जो बिना किसी सुपरकंप्यूटर या हज़ार मानव स्वयंसेवकों के 3D ऑडियो के "एहसास" को समझ सके?
यहाँ QASTAnet आता है, जो ऑरेंज रिसर्च, फ्रांस के शोधकर्ताओं द्वारा डिज़ाइन किया गया एक नया "रोबोट लिसनर" है। QASTAnet को एक हाइब्रिड जासूस की तरह समझें। एक बच्चे की तरह सब कुछ शून्य से सीखने के बजाय (जिसके लिए भारी मात्रा में डेटा की आवश्यकता होती है), या मनुष्यों द्वारा लिखे गए एक कठोर नियम पुस्तिका पर निर्भर रहने के बजाय (जो अक्सर बारीकियों को छोड़ देती है), यह दोनों दुनियाओं के सर्वश्रेष्ठ गुणों को जोड़ता है। शोधकर्ताओं ने इस रोबोट को कच्चे ध्वनि डेटा को पहले देखने के लिए "विशेषज्ञ आँखें" दीं। ये आँखें विशिष्ट सुरागों की जाँच करती हैं जैसे कि प्रत्येक कान में ध्वनि कितनी तेज़ है, ध्वनि तरंगें कैसे टकराती हैं, और ध्वनि कितनी "डिफ्यूज़" (विस्तृत) या फैली हुई महसूस होती है। ये ध्वनि के निम्न-स्तरीय तथ्य हैं।
एक बार जब रोबोट इन सुरागों को इकट्ठा कर लेता है, तो वह उन्हें एक छोटे, अत्यंत कुशल मस्तिष्क—एक डीप न्यूरल नेटवर्क (AI का एक प्रकार)—को भेज देता है। इस मस्तिष्क का काम उच्च-स्तरीय रहस्य को सुलझाना है: "यदि एक इंसान इसे सुनता, तो क्या वह इसे शानदार या भयानक मानता?" शोधकर्ताओं ने इस मस्तिष्क को लगभग 364 उदाहरणों के अपेक्षाकृत छोटे डेटासेट का उपयोग करके प्रशिक्षित किया था, जहाँ वास्तविक मनुष्यों ने विभिन्न संपीड़न विधियों (compression methods) द्वारा विकृत की गई विभिन्न ध्वनियों (जैसे भाषण, संगीत और पार्टी के शोर) को सुना और रेट किया था।
परिणाम बताते हैं कि QASTAnet एक बहुत ही तेज़ जासूस है। जब शोधकर्ताओं ने मौजूदा "रोबोट लिसनर्स" के मुकाबले इसका परीक्षण किया, तो QASTAnet ने यह अनुमान लगाने में कहीं अधिक मजबूत क्षमता दिखाई कि मनुष्य क्या सोचेंगे, विशेष रूप से उन ध्वनियों के लिए जिनमें वास्तविक गूँज और प्रतिध्वनि (reverberation) शामिल है (जैसे कि एक कमरे में दीवारों से टकराकर आने वाली ध्वनि)। जबकि अन्य रोबोट गूँज शामिल होने पर अच्छी और बुरी ध्वनि के बीच अंतर करने में संघर्ष करते थे, QASTAnet ने अपना धैर्य बनाए रखा। इसने केवल अनुमान नहीं लगाया; इसने उन सूक्ष्म संकेतों को पहचानना सीख लिया जो संपीड़न की त्रुटियों के कारण 3D ऑडियो को "नकली" या "खुरदरा" बना देते हैं।
यह शोध पत्र सुझाव देता है कि यह दृष्टिकोण—विशेषज्ञ ज्ञान को एक छोटे, स्मार्ट AI के साथ मिलाना—एक आशाजनक रास्ता है। इसका मतलब है कि हम जल्द ही हर बार एक स्टूडियो बुक किए बिना और भीड़ को बुलाए बिना 3D ऑडियो कोडेक्स का स्वचालित रूप से परीक्षण और सुधार सकेंगे। शोधकर्ताओं ने अपने रोबोट के मस्तिष्क को ओपन-सोर्स भी बनाया है, ताकि अन्य इंजीनियर बेहतर 3D ऑडियो उपकरण बनाने के लिए इसका उपयोग कर सकें। हालाँकि यह रोबोट भी पूर्ण नहीं है (यह कभी-कभी औसत रूप से मनुष्यों की तुलना में थोड़े कम स्कोर देता है, क्योंकि इसे प्रशिक्षित करने वाले मनुष्य थोड़े सख्त थे), इसकी ध्वनियों को सही ढंग से रैंक करने की क्षमता आज हमारे पास मौजूद उपकरणों से एक महत्वपूर्ण बढ़त है। यह एक छोटा लेकिन शक्तिशाली उपकरण है जो यह सुनिश्चित करने में मदद करता है कि अगली बार जब आप अपने हेडफ़ोन पहनें, तो आपके आस-पास की दुनिया बिल्कुल वैसी ही सुनाई दे जैसी उसे होनी चाहिए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।