Papírlapra nyomtatva éled újjá a digitális hang, miután egy fejlesztő ezerszeresére zsugorította a zenei fájlt. A Makestreme néven ismert kísérletező a Meta EnCodec elnevezésű neurális hangkodekjét hívta segítségül ahhoz, hogy egy kétperces dalt mindössze nyolc QR-kódba sűrítsen. Az eljárás nem csupán egy látványos technológiai demonstráció, hanem rávilágít arra is, miként változtatja meg a mesterséges intelligencia az adatkezelés alapvető határait.
A megszokott zenei formátumok, mint az MP3 vagy az AAC, évtizedek óta pszichoakusztikai modellekre építve távolítják el az emberi fül számára kevéssé érzékelhető hangfrekvenciákat. Bár az MP3 már önmagában is veszteséges tömörítést alkalmaz, a fájlméretek egy bizonyos szint alá nem csökkenthetők anélkül, hogy a műsorszám hallgathatatlan robottá vagy kásás zajossággá torzulna. Egy átlagos, kétperces zenei fájl még erőteljes tömörítés mellett is legalább 2-3 megabájtot foglal el a tárhelyen. Ezt a mennyiséget hagyományos módszerekkel képtelenség lenne egyetlen papírlapra, elterjedt mátrixkódok segítségével felvinni, hiszen egyetlen QR-kód elvi kapacitása bináris módban csupán nagyjából 3 kilobájt környékén tetőzik.
Az adatmennyiség drasztikus csökkentése nélkül a kinyomtatandó QR-kódok száma az ezres nagyságrendet is elérné. Ezt a szakadékot hidalta át a fejlesztő a mélytanulási algoritmusok bevonásával, ahol a klasszikus hanghullámok helyett matematikai vektortérbeli képviseleteket tárolnak.
A Meta EnCodec technológiai háttere és a diszkrét tokenek
A kísérlet alapját a Meta AI kutatói által 2022-ben kiadott nyílt forráskódú Meta EnCodec alkotta. Ez a neurális hálózatra épülő hangkodek nem a nyers hullámformák mintavételezésével dolgozik, hanem a bemeneti audiojelet alacsonyabb dimenziójú, rejtett térbeli vektorsorozatokká, úgynevezett diszkrét tokenekké alakítja át. Az enkóder egy konvolúciós és LSTM rétegeket tartalmazó architektúra segítségével elemzi a zenei struktúrát, majd a kvantáló egység kijelöli a rekonstrukcióhoz elengedhetetlenül szükséges információkat.
A folyamat végén a 2,9 megabájtos audiofájlból mindössze egy nagyjából 21 kilobájtos adatfolyam marad. Ez hozzávetőleg ezerszeres tömörítési arányt jelent a nyers hanganyaghoz képest, miközben a hangzásbeli struktúra felismerhető marad. A visszajátszáshoz azonban elengedhetetlen egy megfelelő dekóder hálózat: a számítógép a 21 kilobájtból nem közvetlen analóg jelet generál, hanem a betanított neurális hálózat segítségével újraalkotja a hallható hullámformát. A Meta EnCodec technológia 3 kbps sávszélesség mellett még meglepően jó minőségű rekonstrukcióra képes, míg 1,5 kbps-ra visszaszorítva már észrevehető torzulások jelennek meg az összetett zenei részletekben.
Papírkazetta két oldallal és nyolc QR-kóddal
A kapott 21 kilobájtos bináris tokenfolyamot Makestreme nyolc különálló QR-kódra osztotta fel. A kódokat egyetlen lap két oldalára nyomtatta ki, négy-négy mátrixot helyezve mindkét oldalra, ezzel tisztelegve a hagyományos bakelitlemezek és az analóg magnókazetták oldalai előtt. A papírkazetta koncepciója így szimbolikusan ötvözi a nyomtatott adathordozók fizikai élményét a legmodernebb mesterséges intelligenciás tömörítéssel.
Ahhoz, hogy a rendelkezésre álló felületen a lehető legtöbb információ elférjen, a generáló szkript a legalacsonyabb hibajavítási szintet alkalmazta. Ez az eljárás ugyan maximális adatsűrűséget biztosít, ám komoly kockázattal is jár: a mátrixkódokban nincs tartalék adatredundancia. Ha a kinyomtatott lap megsérül vagy elkoszolódik, a dekóder nem tudja helyreállítani a hiányzó tokeneket, és a zeneszám lejátszhatatlanná válik. A nyolc QR-kód mindegyike tartalmaz egy 1 bájtos azonosítót és az adatsor egy-egy szeletét, amelyeket beolvasás után egy Python-alapon futó dekóder fűz össze és küld el a Meta EnCodec hálózatának.
Rádióhullámok és lassú adatátvitel LoRa modullal
A kísérletező nem állt meg a nyomtatott papírkazettánál, hanem megvizsgálta a sűrített adatfolyam más fizikai csatornákon való továbbítását is. A 21 kilobájtos tömörített fájlt két ESP32 mikrokontroller és REYAX RYLR998 típusú LoRa rádiómodul segítségével sugározta át 866 megahertzes frekvencián. A kis sávszélességű, nagy hatótávolságú rádiókapcsolat rendkívül szigorú sugárzási korlátozások alá esik, így az adatátvitel meglehetősen lassan zajlott.
A továbbítás 160 bájtos csomagokban történt, egyedi visszaigazolási és újrapróbálkozási protokoll mellett. A beállított adási szabályzat szerint a rádióadó minden egyes nyugtázott csomag után 40 másodperces szünetet tartott a jogszabályi kötöttségek betartása érdekében. A 21 kilobájtos zenei fájl átvitele így összesen nagyjából 90 percet vett igénybe. Jóllehet a másfél órás átviteli idő egy kétperces dal esetében nem alkalmas valós idejű zenehallgatásra, a próbálkozás remekül szemlélteti, hogy a neurális tömörítés milyen szélsőséges korlátok között teheti lehetővé összetett médiatartalmak eljuttatását távoli vagy alacsony sávszélességű csatornákon.
