由騰訊提交的AI Codec為基礎(chǔ)的技術(shù)順利通過評審，被選為AVS3P10實時語音編碼標準的RM0基線和WD過點成功。從交叉測試來看，真正實現(xiàn)了低碼率下質(zhì)量是對齊OPUS、EVS中高碼率的，達到運營級質(zhì)量。我們在相近碼率下，MOS分差過Google和Meta方案在0.6MO-1.0MOS。

AVS對此高度評價，“AVS3P10 實時語音編碼，作為新一代的語音編解碼技術(shù)標準，是對AVS系列標準的重要補充。該標準代表了騰訊在語音處理和人工智能技術(shù)創(chuàng)新和用戶體驗方面的最高追求，體現(xiàn)了業(yè)界最高水平，將為用戶帶來前所未有的性能和體驗，引領(lǐng)行業(yè)進入一個全新的時代?！?。對此，團隊表示，希望這個進展可以推動產(chǎn)業(yè)界在（音頻）AI Codec的技術(shù)演進和推廣。

近日，AVS3P10實時語音編碼標準獲得重要進展。

2023年12月14日，第 87 次 AVS 工作組會議于成都開幕。會上，《智能媒體編碼 第 10 部分 實時語音》（以下簡稱AVS3P10） WD 1.0通過全體會議審議；騰訊提交的技術(shù)方案，被選擇為AVS3P10實時語音編碼的RM0基線。

實時語音通信技術(shù)（RTC: Real-time Communication），已廣泛應(yīng)用于協(xié)同辦公、互動娛樂、社交等領(lǐng)域。上述多樣豐富的應(yīng)用場景給實時語音通信技術(shù)提出了多種技術(shù)挑戰(zhàn)，其中，高質(zhì)量、低延時、低帶寬、高抗性的語音編碼是非常重要的一環(huán)。

傳統(tǒng)的語音編碼器，包括AVS、ITU-T等標準語音編碼器，在16-20kbps左右碼率時，能夠恢復(fù)出高質(zhì)量寬帶語音；在30-35kbps，可以恢復(fù)出高質(zhì)量超寬帶甚至全帶語音。然而，當(dāng)碼率進一步降低（如：降到10kbps以下時），傳統(tǒng)語音編碼器恢復(fù)的質(zhì)量下降明顯，影響用戶體驗。

基于上述應(yīng)用訴求，在今年3月第84次AVS會議上，由騰訊提議在AVS音頻組啟動面向?qū)崟r語音通信場景的低碼率高質(zhì)量語音統(tǒng)項目。經(jīng)過需求分析，在第85次AVS會議上，AVS正式立項AV3P10實時語音編碼項目，并通過AVS音頻組發(fā)出技術(shù)征集書。AVS3P10實時語音編碼項目將由來自騰訊會議天籟實驗室的肖瑋負責(zé)推進和維護。

在第 86 次 AVS 會議上，音頻組審議了由騰訊會議天籟實驗室提交的M7886《AVS3P10語音編碼參考模型候選技術(shù)方案》提案。

審議指出該方案具有以下4點特征：深度融合了經(jīng)典信號處理和深度神經(jīng)網(wǎng)絡(luò)技術(shù)等人工智能技術(shù)，屬于AI Codec；支持低碼率、高質(zhì)量編碼、實時編碼和解碼和多速率編碼；基于子帶編碼和多模式編碼架構(gòu)，低頻信號采用深度神經(jīng)網(wǎng)絡(luò)提取特征，高頻信號采用頻帶擴展方案提取特征，結(jié)合標量量化和熵編碼完成特征壓縮；具有開放的編碼神經(jīng)網(wǎng)絡(luò)架構(gòu)技術(shù)特征，在保證碼流前向兼容基礎(chǔ)上，可以重新修改和優(yōu)化編碼神經(jīng)網(wǎng)絡(luò)。

今年11 月 1 日，騰訊會議天籟實驗室提交AVS3P10 RM0候選方案的可執(zhí)行文件，由中國電子技術(shù)標準化研究院和華為分別進行了主觀測試和交叉驗證。交叉驗證力求全面，基于 ITU-T P.800 DCR主觀質(zhì)量評價體系，主觀測試覆蓋不同帶寬下純凈語音、丟包語音、混合語音等多場景，并首次將3A處理后的測試場景引入信源編碼器測試中，以檢驗新一代AI Codec技術(shù)在貼近真實場景的表現(xiàn)。

在上述測試場景下，AVS3P10 RM0質(zhì)量優(yōu)勢明顯。主觀測試結(jié)果表明，AVS3P10 RM0在寬帶和超寬帶等多個主要測試場景均達到了4.0以上MOS分，體現(xiàn)出明顯優(yōu)勢，最低碼率可達5.9kbps。AVS3P10 RM0采納了深度神經(jīng)網(wǎng)絡(luò)技術(shù)，自帶的丟包損傷能力，有效提升了編碼器在網(wǎng)絡(luò)不佳時的質(zhì)量。

此外，在ITU-T P.863客觀質(zhì)量評價實驗中，AVS3P10 RM0也體現(xiàn)出了顯著優(yōu)勢。第一，在所有8個測試碼率中，AVS3P10 RM0均超過4.0MOS，最高在4.45MOS。AVS3P10 RM0的質(zhì)量，可以對齊OPUS和EVS等傳統(tǒng)信號處理編碼器在中高碼率的表現(xiàn)，達到運營級質(zhì)量。在AI Codec領(lǐng)域，AVS3P10 RM0在相近碼率下，質(zhì)量優(yōu)勢在0.6MOS以上。上述測試結(jié)論均反映出，AVS3P10 RM0代表了目前AI Codec的最高水平。

AVS3P10 實時語音編碼，作為新一代的語音編解碼技術(shù)標準，是對AVS系列標準的重要補充。該標準代表了騰訊在語音處理和人工智能技術(shù)創(chuàng)新和用戶體驗方面的最高追求，體現(xiàn)了業(yè)界最高水平，將為用戶帶來前所未有的性能和體驗，引領(lǐng)行業(yè)進入一個全新的時代。?

未來，AVS3P10實時語音編碼項目，將按照既定計劃推進。預(yù)計，在2024年年中，完成標準化工作。

AITISA聯(lián)盟簡介

新一代人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟（AITISA）由兩百余家來自人工智能行業(yè)內(nèi)的頂尖企業(yè)、高校和科研院所、資本機構(gòu)、服務(wù)機構(gòu)、創(chuàng)新創(chuàng)業(yè)企業(yè)組成。聯(lián)盟立足于人工智能技術(shù)資源及產(chǎn)業(yè)環(huán)境，聯(lián)合人工智能領(lǐng)域的產(chǎn)、學(xué)、研、用、資、服等單位，以建立人工智能技術(shù)創(chuàng)新生態(tài)體系為基本愿景。?聯(lián)盟通過“一體兩翼”的工作部署，聚集工業(yè)界、科研界的中堅力量及相關(guān)機構(gòu)，利用產(chǎn)業(yè)基金的引導(dǎo)，服務(wù)企業(yè)與開發(fā)者，推進人工智能產(chǎn)業(yè)的發(fā)展。

“一體兩翼”中的 “一體”是指新一代人工智能開源開放平臺（OpenI啟智社區(qū)），“兩翼”的“左翼”是以技術(shù)專家為主體組成的多個工作組，包括標準工作組、知識產(chǎn)權(quán)工作組、投融資工作組等?！坝乙怼笔菫橐云髽I(yè)為主體的應(yīng)用推進組，目的是促進人工智能在各產(chǎn)業(yè)領(lǐng)域的應(yīng)用，已經(jīng)在智能物流、智能醫(yī)療、智能政務(wù)、智能教育等方向開展工作。

自成立以來，聯(lián)盟主辦了全球人工智能產(chǎn)品應(yīng)用博覽會（AIExpo）、系列AITech國際智能科技峰會、上交會人工智能展區(qū)、天津世界智能大會分論壇、啟智開發(fā)者大會等有重大影響力的會展活動，承辦全國人工智能大賽，發(fā)布并啟動了新一代人工智能開源開放平臺（OpenI啟智社區(qū)）、“新一代人工智能燎原計劃”等。

審核編輯：黃飛

?