AudioTQ: A Data-Oblivious 6-Bit CPU Audio Codec via Randomized Hadamard Rotation and Lloyd-Max Quantization
यह शोध पत्र AudioTQ को प्रस्तुत करता है, जो एक डेटा-ओब्लिवियस (data-oblivious), टाइम-डोमेन ऑडियो कोडेक है जो रैंडमाइज्ड फास्ट वॉल्श-हाडामाड रोटेशन (Fast Walsh-Hadamard rotation) को लॉयड-मैक्स क्वांटाइजेशन (Lloyd-Max quantization) और एक रेसिडुअल करेक्शन लेयर के साथ जोड़कर मानक CPU पर रियल-टाइम 6-बिट संपीड़न (compression) प्राप्त करता है, जिसके परिणामस्वरूप लगभग 30 dB SQNR बनाए रखते हुए फ़ाइल के आकार में महत्वपूर्ण कमी आती 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
डिजिटल ऑडियो, वह ध्वनि जिसे हम अपने फोन और कंप्यूटर में सुनते हैं, मौलिक रूप से समय के साथ वायु दाब में होने वाले परिवर्तन का एक रिकॉर्ड है। इस ध्वनि को संग्रहीत करने के लिए, कंप्यूटर हर सेकंड हजारों बार इन दबाव परिवर्तनों के स्नैपशॉट लेते हैं और प्रत्येक स्नैपशॉट को एक संख्या प्रदान करते हैं। ये संख्याएँ जितनी सटीक होंगी, ध्वनि उतनी ही बेहतर होगी, लेकिन फ़ाइल का आकार भी उतना ही बड़ा हो जाएगा। दशकों से, ध्वनि की गुणवत्ता को बहुत अधिक खोए बिना इन फ़ाइलों को छोटा करने का मानक तरीका इसे एक अलग भाषा में अनुवादित करना रहा है: ध्वनि को क्षण-दर-क्षण दबाव परिवर्तनों के रूप में देखने के बजाय, इंजीनियर ध्वनि का विश्लेषण विभिन्न संगीत सुरों (पिच) के मिश्रण के रूप में करते हैं। वे फिर मानव श्रवण से संबंधित जटिल नियमों का उपयोग यह तय करने के लिए करते हैं कि कौन से सुर इतने धीमे या तेज़ ध्वनियों के नीचे छिपे हुए हैं कि मस्तिष्क उन्हें कभी नोटिस नहीं कर पाएगा, और वे उन हिस्सों को हटा देते हैं। यह विधि अच्छी तरह से काम करती है, लेकिन इसके लिए भारी गणितीय मशीनरी और मानव कानों के कार्य करने के तरीके के गहरे ज्ञान की आवश्यकता होती है।
हालाँकि, एक नया दृष्टिकोण सुझाव देता है कि प्रभावी ढंग से ऑडियो को कंप्रेस करने के लिए हमें मानव कान को समझने की आवश्यकता ही नहीं है। मानव जीव विज्ञान की नकल करने के बजाय, यह नई विधि ध्वनि को केवल संख्याओं की एक धारा के रूप में मानती है जिसे पुनर्व्यवस्थित किया जा सकता है। आर्टिफिशियल इंटेलिजेंस मॉडल की विशाल मेमोरी आवश्यकताओं को कम करने के लिए मूल रूप से डिज़ाइन की गई एक तकनीक को उधार लेकर, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो ऑडियो को डेटा को गणितीय रूप से नया आकार देकर कंप्रेस करती है। इसका परिणाम एक ऐसा कोडेक (codec) है जो मानक कंप्यूटर प्रोसेसर पर तेज़ी से चलता है, जिसके लिए किसी विशेष हार्डवेयर की आवश्यकता नहीं होती है, और यह सबसे स्थापित ऑडियो प्रारूपों के बराबर संपीड़न (compression) प्राप्त करता है, जबकि यह पूरी तरह से एक अलग तरीके से काम करता है।
इस कार्य के पीछे के शोधकर्ताओं ने, जिनका नेतृत्व साहिल गंगुर्डे कर रहे हैं, एक प्रणाली विकसित की है जिसे वे 'ऑडियो टीक्यू' (AudioTQ) कहते हैं। उनका लक्ष्य एक 'लॉसी' (lossy) ऑडियो कोडेक बनाना था, जो एक ऐसा उपकरण है जो कुछ जानकारी को स्थायी रूप से हटाकर फ़ाइल के आकार को कम करता है, लेकिन यह सीधे कच्चे टाइम-डोमेन सिग्नल पर काम करता है, बिना पहले उसे आवृत्तियों (frequencies) में बदले। पारंपरिक विधियाँ मनोध्वनिक (psychoacoustic) मॉडलों पर निर्भर करती हैं, जो मानव श्रवण संवेदनशीलता के जटिल मानचित्र हैं, ताकि यह तय किया जा सके कि क्या फेंकना है। ऑडियो टीक्यू इसे पूरी तरह से खारिज करता है। इसके बजाय, यह एक गणितीय गुण पर निर्भर करता है जहाँ संख्याओं की व्यवस्था को रैंडमाइज (randomize) करने से वे एक अनुमानित, घंटी के आकार के पैटर्न (bell-shaped pattern) में व्यवस्थित हो जाती हैं। यह वही सांख्यिकीय व्यवहार है जो बड़े भाषा मॉडलों (large language models) को कम बिट्स की मेमोरी के साथ कार्य करने की अनुमति देता है।
यह प्रक्रिया कच्चे ऑडियो डेटा के एक ब्लॉक को लेने से शुरू होती है। एक गाने के छोटे टुकड़े की कल्पना करें, शायद आधा सेकंड लंबा, जिसमें सैकड़ों व्यक्तिगत वॉल्यूम माप शामिल हैं। एक मानक कंप्यूटर में, इन मापों को बड़े, सटीक नंबरों के रूप में संग्रहीत किया जाता है। ऑडियो टीक्यू प्रणाली पहले इस संख्या ब्लॉक पर एक विशिष्ट गणितीय रोटेशन (घूर्णन) लागू करती है। यह रोटेशन अराजकता के अर्थ में यादृच्छिक (random) नहीं है; यह एक संरचित, तेज़ गणना है जो मानों को आपस में मिला देती है। शोधकर्ताओं ने पाया कि यह मिश्रण प्रक्रिया ऑडियो के अत्यधिक उतार-चढ़ाव (spikes) और शांत घाटियों (valleys) को सुचारू बनाती है, जिससे मूल ध्वनि के ऊबड़-खाबड़ और अप्रत्याशित आकार को एक बहुत ही समान वितरण (uniform distribution) में बदल दिया जाता है। डेटा प्रभावी रूप से "गॉसियन" (Gaussian) हो जाता है, जिसका अर्थ है कि यह एक केंद्रीय औसत के आसपास सघन रूप से क्लस्टर होता है और इसमें चरम आउटलेर्स (outliers) कम होते हैं।
एक बार जब डेटा इस अनुमानित पैटर्न में नया आकार ले लेता है, तो सिस्टम इसे आश्चर्यजनक दक्षता के साथ कंप्रेस कर सकता है। क्योंकि संख्याएँ अब एक मानक, ज्ञात आकार का पालन करती हैं, सिस्टम प्रत्येक संख्या को एक बहुत छोटे कोड से बदलने के लिए एक पूर्व-गणना मानचित्र का उपयोग कर सकता है। पूर्ण, सटीक मान को पूरी तरह से संग्रहीत करने के बजाय, सिस्टम केवल यह रिकॉर्ड करता है कि वह संख्या किस "बकेट" या श्रेणी में आती है। इस विशिष्ट डिज़ाइन में, शोधकर्ताओं ने 6-बिट कोड का उपयोग किया, जो 64 विभिन्न श्रेणियों की अनुमति देता है। यह उच्च-गुणवत्ता वाली स्टूडियो रिकॉर्डिंग में उपयोग किए जाने वाले मूल 24-बिट या 32-बिट परिशुद्धता (precision) से एक महत्वपूर्ण कमी है। हालाँकि, केवल परिशुद्धता को गिरा देने से कठोर, स्टैटिक जैसी शोर उत्पन्न होगी। इसे ठीक करने के लिए, सिस्टम एक छोटा, एकल-बिट सुधार जोड़ता है। यह जाँचता है कि मूल संख्या अपने बकेट के केंद्र से थोड़ी ऊपर थी या नीचे, और उस दिशा को रिकॉर्ड करता है। यह अतिरिक्त बिट एक सूक्ष्म ट्यूनिंग नॉब के रूप में कार्य करता है, जिससे सिस्टम ध्वनि को ऐसे रिज़ॉल्यूशन के साथ पुनर्गठित कर पाता है जो 7 बिट जैसा महसूस होता है, भले ही यह केवल 6 बिट मुख्य डेटा और एक सुधार बिट को संग्रहीत करता है।
अंतिम चरण इन कोडों को मानक कंप्यूटर मेमोरी में पैक करना है। चूंकि कंप्यूटर डेटा को 8 बिट्स (बाइट्स) के समूहों में सबसे कुशलता से संसाधित करते हैं, इसलिए सिस्टम चतुराई से 6-बिट कोड और 1-बिट सुधार को एक एकल 8-बिट कंटेनर में संयोजित करता है, जिससे एक बिट खाली रह जाता है। यह संरेखण सुनिश्चित करता है कि सॉफ़्टवेयर विशेष हार्डवेयर त्वरक (accelerators) की आवश्यकता के बिना एक एकल प्रोसेसर कोर पर उच्च गति से चल सके। परिणाम एक ऐसी फ़ाइल है जो मूल से काफी छोटी है। परीक्षणों में, सिस्टम ने एक उच्च-गुणवत्ता वाली स्टूडियो रिकॉर्डिंग के आकार को लगभग 74 प्रतिशत कम कर दिया, जिसका अर्थ है कि 20 मेगाबाइट की मूल फ़ाइल अब केवल 5 मेगाबाइट से थोड़ी अधिक रह गई।
डेटा की भारी कमी के बावजूद, पुनर्गठित ध्वनि की गुणवत्ता उल्लेखनीय रूप से उच्च बनी रहती है। जब शोधकर्ताओं ने कंप्रेस किए गए ऑडियो की मूल ऑडियो से तुलना की, तो उन्होंने पाया कि तरंगें (waveforms) 99.95 प्रतिशत से अधिक सहसंबंध (correlation) के साथ मेल खाती हैं। सिस्टम ने ड्रमों के तीखे हमलों (attacks) और भाषण के सूक्ष्म विवरणों को बिना उस विरूपण (distortion) के संरक्षित किया जो आमतौर पर आक्रामक संपीड़न के कारण होता है। सिग्नल-टू-क्वांटाइजेशन-नॉइज़ रेशियो (signal-to-quantization-noise ratio), जो उपयोगी ध्वनि और संपीड़न द्वारा उत्पन्न शोर के बीच के अनुपात का माप है, लगभग 30 डेसिबल तक पहुँच गया। यह फिडेलिटी (fidelity) का एक स्तर है जो MP3 या AAC जैसे स्थापित प्रारूपों के साथ प्रतिस्पर्धा करता है, फिर भी यह ध्वनि की आवृत्ति सामग्री का विश्लेषण किए या मानव श्रवण का मॉडल बनाए बिना प्राप्त किया गया था।
शोधकर्ताओं ने एक विशिष्ट परिदृश्य की भी पहचान की जहाँ यह विधि विफल हो सकती है। यदि ऑडियो सिग्नल रोटेशन की गणितीय संरचना के साथ पूरी तरह से संरेखित हो जाता है, तो डेटा समान रूप से नहीं फैलेगा, और संपीड़न विफल हो जाएगा, जिससे गंभीर विरूपण होगा। इसे रोकने के लिए, सिस्टम में एक सुरक्षा तंत्र शामिल है जो ऐसे संरेखण का पता लगा सकता है और प्रसंस्करण से पहले डेटा को थोड़ा स्थानांतरित कर सकता है, जिससे यह सुनिश्चित होता है कि विधि मजबूत बनी रहे। यह स्व-सुधारात्मक विशेषता, मानक हार्डवेयर पर चलने की क्षमता के साथ मिलकर, यह सुझाव देती है कि डेटा-ओब्लिवियस (data-oblivious) तकनीकें ऑडियो संपीड़न के लिए एक नया मार्ग प्रदान कर सकती हैं। यह प्रदर्शित करता है कि श्रोता के जीव विज्ञान को समझने के बजाय, डेटा की सांख्यिकीय प्रकृति को समझकर, कुशल, उच्च-गुणवत्ता वाले ऑडियो टूल बनाए जा सकते हैं जो हल्के और शक्तिशाली दोनों हैं।
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।