🤖 AI

AudioTQ: A Data-Oblivious 6-Bit CPU Audio Codec via Randomized Hadamard Rotation and Lloyd-Max Quantization

Este artigo introduz o AudioTQ, um codec de áudio no domínio do tempo e data-oblivious que alcança compressão de 6 bits em tempo real em CPUs padrão ao combinar a rotação Fast Walsh-Hadamard randomizada com quantização Lloyd-Max e uma camada de correção residual, resultando em uma redução significativa no tamanho do arquivo enquanto mantém aproximadamente 30 dB de SQNR.

Autores originais: Sahil Gangurde

Publicado 2026-08-18

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sahil Gangurde

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O áudio digital, o som que ouvimos em nossos telefones e computadores, é fundamentalmente um registro da mudança da pressão do ar ao longo do tempo. Para armazenar esse som, os computadores tiram instantâneos dessas mudanças de pressão milhares de vezes por segundo, atribuindo um número a cada instantâneo. Quanto mais precisos forem esses números, melhor será o som, mas também maior será o tamanho do arquivo. Durante décadas, a maneira padrão de encolher esses arquivos sem perder muita qualidade tem sido traduzir o som em uma linguagem diferente: em vez de observar as mudanças de pressão momento a momento, os engenheiros analisam o som como uma mistura de diferentes tons musicais. Eles então utilizam regras complexas sobre a audição humana para decidir quais tons são tão baixos ou tão escondidos por sons mais altos que o cérebro jamais os notaria, e deletam essas partes. Este método funciona bem, mas requer uma maquinaria matemática pesada e um conhecimento profundo de como os ouvidos humanos funcionam.

Uma nova abordagem, no entanto, sugere que talvez não precisemos entender o ouvido humano para comprimir o áudio de forma eficaz. Em vez de tentar imitar a biologia, este novo método trata o som simplesmente como um fluxo de números que pode ser rearranjado. Ao emprestar uma técnica originalmente projetada para reduzir os massivos requisitos de memória de modelos de inteligência artificial, pesquisadores criaram um sistema que comprime o áudio remodelando matematicamente os próprios dados. O resultado é um codec que roda rapidamente em processadores de computador padrão, não requer hardware especializado e alcança um nível de compressão que rivaliza com os formatos de áudio mais estabelecidos, tudo isso operando de uma maneira completamente diferente.

Os pesquisadores por trás deste trabalho, liderados por Sahil Gangurde, desenvolveram um sistema que chamam de AudioTQ. O objetivo deles era criar um codec de áudio com perda (lossy), uma ferramenta que reduz o tamanho do arquivo descartando permanentemente algumas informações, mas que opera diretamente no sinal bruto do domínio do tempo sem convertê-lo em frequências primeiro. Os métodos tradicionais dependem de modelos psicoacústicos, que são mapas intrincados da sensibilidade da audição humana, para decidir o que jogar fora. O AudioTQ rejeita isso inteiramente. Em vez disso, baseia-se em uma propriedade matemática onde a randomização do arranjo dos números tende a fazê-los se estabelecer em um padrão previsível e em forma de sino. Este é o mesmo comportamento estatístico que permite que grandes modelos de linguagem funcionem com menos bits de memória.

O processo começa pegando um bloco de dados de áudio bruto. Imagine um pequeno trecho de uma música, talvez meio segundo de duração, contendo centenas de medições individuais de volume. Em um computador padrão, essas medições são armazenadas como números grandes e precisos. O sistema AudioTQ primeiro aplica uma rotação matemática específica a este bloco de números. Esta rotação não é aleatória no sentido de caos; é um cálculo estruturado e rápido que mistura os valores entre si. Os pesquisadores descobriram que este processo de mistura suaviza os picos extremos e os vales silenciosos do áudio, transformando a forma irregular e imprevisível do som original em uma distribuição muito mais uniforme. Os dados tornam-se efetivamente "Gaussianos", o que significa que se agrupam ordenadamente em torno de uma média central com menos valores atípicos extremos.

Uma vez que os dados são remodelados neste padrão previsível, o sistema pode comprimi-los com uma eficiência surpreendente. Como os números agora seguem uma forma padrão e conhecida, o sistema pode usar um mapa pré-calculado para substituir cada número por um código muito menor. Em vez de armazenar o valor completo e preciso, o sistema simplesmente registra em qual "balde" ou categoria o número se encaixa. Neste design específico, os pesquisadores utilizaram um código de 6 bits, o que permite 64 categorias diferentes. Esta é uma redução significativa em relação à precisão original de 24 ou 32 bits usada em gravações de estúdio de alta qualidade. No entanto, simplesmente descartar a precisão introduziria um ruído áspero, semelhante a estática. Para corrigir isso, o sistema adiciona uma correção minúscula de um único bit. Ele verifica se o número original era ligeiramente superior ou inferior ao centro de seu balde e registra essa direção. Este bit extra atua como um botão de ajuste fino, permitindo que o sistema reconstrua o som com uma resolução que parece de 7 bits, embora armazene apenas 6 bits de dados principais mais um bit de correção.

A etapa final envolve o empacotamento desses códigos na memória padrão do computador. Como os computadores processam dados de forma mais eficiente em blocos de 8 bits (bytes), o sistema combina inteligentemente o código de 6 bits e a correção de 1 bit em um único recipiente de 8 bits, deixando um bit vazio. Este alinhamento garante que o software possa rodar em altas velocidades em um único núcleo de processador sem precisar de aceleradores de hardware especiais. O resultado é um arquivo significativamente menor que o original. Em testes, o sistema reduziu o tamanho de uma gravação de estúdio de alta qualidade em cerca de 74%, o que significa que um arquivo que originalmente tinha 20 megabytes passou a ter pouco mais de 5 megabytes.

Apesar da redução drástica de dados, a qualidade do som reconstruído permanece notavelmente alta. Quando os pesquisadores compararam o áudio comprimido com o original, descobriram que as formas de onda coincidiam com uma correlação de mais de 99,95%. O sistema preservou os ataques agudos de tambores e os detalhes sutis da fala sem a distorção que costuma assolar a compressão agressiva. A relação sinal-ruído de quantização, uma medida de quanto som útil resta em comparação ao ruído introduzido pela compressão, atingiu aproximadamente 30 decibéis. Este é um nível de fidelidade que compete com formatos estabelecidos como MP3 ou AAC, mas foi alcançado sem nunca analisar o conteúdo de frequência do som ou modelar a audição humana.

Os pesquisadores também identificaram um cenário específico onde este método poderia falhar. Se o sinal de áudio coincidisse perfeitamente com a estrutura matemática da rotação, os dados não se espalhariam uniformemente, a compressão falharia e resultaria em uma distorção severa. Para evitar isso, o sistema inclui um mecanismo de segurança que pode detectar tal alinhamento e deslocar levemente os dados antes do processamento, garantindo que o método permaneça robusto. Esta característica de autocorreção, combinada com a capacidade de rodar em hardware padrão, sugere que técnicas agnósticas aos dados podem oferecer um novo caminho para a compressão de áudio. Ela demonstra que, ao compreender a natureza estatística dos próprios dados, em vez da biologia do ouvinte, é possível construir ferramentas de áudio eficientes, de alta qualidade, que são simultaneamente leves e poderosas.

Resumo Técnico: AudioTQ – Um Codec de Áudio de 6 Bits Data-Oblivious para CPU

Declaração do Problema

Algoritmos tradicionais de compressão de áudio com perda (ex: MP3, AAC, Opus) dependem de modelagem psicoacústica complexa e transformações no domínio da frequência (como a Transformada Discreta de Cosseno Modificada) para descartar informações imperceptíveis. Embora eficazes, esses métodos são computacionalmente intensivos, exigem heurísticas específicas de domínio e dependem de operações de ponto flutuante e rastreamento de estado. Por outro lado, o aprendizado profundo avançou a quantização de vetores para Large Language Models (LLMs), mas essas técnicas não foram aplicadas diretamente ao processamento de áudio no domínio do tempo. O desafio reside em comprimir sinais de áudio de alta fidelidade e voláteis (como stems de estúdio de 24 bits) em uma representação de baixa profundidade de bits sem o overhead de modelos psicoacústicos ou aceleradores de hardware, mantendo o desempenho em tempo real em CPUs de thread única padrão.

Metodologia

O AudioTQ propõe um codec de domínio do tempo data-oblivious que adapta os princípios de quantização de pesos de LLM (especificamente o framework TurboQuant) para sinais de áudio. O pipeline consiste em três estágios primários:

1. Processamento de Entrada e Reconstrução de Bits

O sistema ingere dados PCM brutos, lidando especificamente com as complexidades do áudio de estúdio de 24 bits (pacotes de 3 bytes). Um algoritmo de reconstrução de bits normaliza essas entradas em valores de ponto flutuante de precisão simples dentro do intervalo $[-1.0, 1.0]$ , evitando loops aninhados para garantir alto throughput.

2. Gaussianização via Rotação Ortogonal Aleatória

Para lidar com os picos transientes e a alta faixa dinâmica dos sinais de áudio (que causam clipping na quantização escalar direta), o AudioTQ aplica uma Transformada de Walsh-Hadamard Rápida (FWHT) Aleatorizada.

Inversão de Sinal (Sign Flipping): O bloco de entrada $X$ é multiplicado elemento a elemento por uma matriz diagonal de sinais pseudo-aleatórios estáticos $S \in \{-1, 1\}$ para quebrar correlações de fase.
Rotação Ortogonal: O sinal é rotacionado usando uma matriz de Walsh-Hadamard ortonormal $H_B$ . Esta operação, executada em $O(B \log B)$ de tempo via uma rede de borboleta (butterfly network) in-place, mistura amostras através de funções de base ortogonais.
Convergência Estatística: Aproveitando o Teorema do Limite Central, esta rotação transforma o envelope arbitrário do áudio em uma distribuição normal padrão previsível, de média zero, $N(0, 1)$ .
Centralização e Padronização: O viés DC (média $\mu_Y$ ) é explicitamente subtraído, e o bloco é padronizado por seu desvio padrão ( $\sigma_Y$ ) para garantir variância unitária. Um guarda de limiar evita a divisão por zero em blocos de silêncio.

3. Quantização de Camada Dupla

Uma vez que o sinal é padronizado, um processo de quantização de dois estágios é aplicado:

Quantização Lloyd-Max de 6 bits: Os coeficientes padronizados são mapeados para um conjunto discreto de 64 centroides ( $K=2^6$ ). Esses centroides e fronteiras são treinados offline usando o algoritmo de Lloyd-Max para minimizar o Erro Quadrático Médio (MSE) para uma distribuição normal padrão.
Correção de Resíduo QJL de 1 bit: Para capturar erros de arredondamento ( $\epsilon_i$ ) sem aumentar significativamente a profundidade de bits, uma camada de Mínimos Quadrados Conjuntos Quantizados (QJL) é adicionada. Esta camada registra o sinal do erro residual para cada amostra (1 bit) e o Erro Absoluto Médio ( $\Delta$ ) do bloco como metadados. Durante a descompressão, o sinal é usado para bissecar dinamicamente o bin de quantização, criando efetivamente uma resolução virtual de 7 bits (128 níveis) a partir de 6 bits de índice e 1 bit de sinal.

4. Alinhamento de Hardware e Serialização

Para otimizar a execução em CPU de thread única:

Fatiamento de Blocos (Block Slicing): Os dados são processados em blocos de $B=512$ amostras (2 KB), encaixando-se nos caches de dados L1 modernos para evitar gargalos de memória.
Empacotamento Alinhado a Bytes: O índice do centroide de 6 bits e a flag QJL de 1 bit são empacotados em um único byte nativo de 8 bits (uint8). O índice de 6 bits ocupa os bits 1–6, a flag de 1 bit ocupa o bit 0, e o bit 7 é preenchido com zero (zero-padded). Este alinhamento permite operações de bits vetorizadas eficientes sem máscaras caras entre fronteiras de bytes.

Principais Contribuições

Compressão de Domínio do Tempo Data-Oblivious: O AudioTQ elimina a necessidade de modelos psicoacústicos e transformadas de domínio da frequência, operando inteiramente no domínio do tempo usando rotações aleatórias.
Adaptação da Quantização de LLM: Ele traduz com sucesso as rotações ortogonais aleatórias e as técnicas de quantização de pesos de baixa profundidade do estilo TurboQuant para amplitudes de áudio contínuas.
Implementação Eficiente de CPU: Ao alinhar as estruturas de dados a registradores nativos de 8 bits e utilizar a FWHT, o codec alcança desempenho em tempo real sem aceleradores de hardware paralelos.
Mitigação de Modos de Falha: O artigo identifica e propõe soluções para a "falha de esparsidade" (sparsity failure), onde as entradas se alinham com os vetores de base de Walsh-Hadamard, causando concentração de energia e colapso da quantização. As soluções incluem modulação de sinal dinâmica e dithering de sub-LSB.

Resultados Experimentais

O codec foi avaliado em faixas de referência de voz e stems de música de estúdio dinâmicos.

Taxa de Compressão: O AudioTQ alcança uma redução física de armazenamento de 74,4% (uma razão de ~3,91×) para áudio de 24 bits padrão.
Fidelidade: O sistema mantém uma Relação Sinal-Ruído de Quantização (SQNR) de aproximadamente 30 dB (30,24 dB para voz, 29,74 dB para música) e uma correlação cruzada de forma superior a 99,95%.
Desempenho: As velocidades de descompressão atingem 1,35 MB/s em Python/NumPy puro, demonstrando viabilidade para execução de thread única.
Comparação: Diferente da quantização uniforme padrão, que sofre com altos fatores de crista e clipping em transientes (resultando em ~25,8 dB de SQNR para 6 bits), a rotação do AudioTQ reduz o fator de crista efetivo, permitindo que ele se aproxime do limite teórico de distorção Gaussiana sem clipping.

Significância e Alegações

O artigo afirma que o AudioTQ demonstra a viabilidade de adaptar técnicas de quantização data-oblivious de Large Language Models para a compressão de áudio no domínio do tempo. Ao substituir a complexa modelagem psicoacústica por rotações de coordenadas aleatórias, o autor apresenta um codec leve, sem dependências, otimizado para CPUs padrão. O trabalho destaca que as amplitudes de áudio contínuas e as matrizes de pesos neurais compartilham simetrias estruturais como distribuições voláteis de alta faixa dinâmica, que podem ser gerenciadas efetivamente através de rotações ortogonais e quantização escalar. O autor posiciona isso como um passo em direção ao processamento de áudio eficiente em tempo real que não depende de hardware especializado ou heurísticas de domínio específico.