Стандартный подход к оцифровке речи, лежащий в основе современных телекоммуникаций, — это прямая дискретизация: тысячи раз в секунду фиксируется мгновенная громкость сигнала. Представьте, что вы пробуете бульон чайной ложкой — каждый глоток даёт лишь слабый намёк на вкус, а чтобы уловить букет, приходится черпать снова и снова. Так и здесь: поток данных разбухает, хотя смысловой нагрузки в нём — крохи.

Исследователи предложили иной путь: сначала «уварить» звуковой сигнал. Его пропускают через набор полосовых фильтров, которые раскладывают акустическую смесь на частотный спектр — своеобразную карту распределения энергии по частотам. Затем полученные полосы комбинируют в меньшее число каналов, выжимая суть и тем самым повышая информационную плотность — энтропию на единицу передаваемых данных. По аналогии: из жидкого бульона получается концентрированный соус-демиглас, где одной капли достаточно, чтобы ощутить полный вкус. Любопытно, что наше ухо действует сходным образом: базилярная мембрана в улитке внутреннего уха механически разлагает приходящий звук примерно на 3500 частотных полос, и лишь затем мозг собирает из этих «спектральных срезов» осмысленную речь.

В основе метода лежит математическая идея, восходящая к работам Жана-Батиста Жозефа Фурье: любой сколь угодно сложный сигнал можно представить как сумму простых синусоидальных волн. Здесь эту идею развивают нейросети: они автоматически отыскивают в спектральном представлении самые осмысленные комбинации, отсеивая шум и незначащие детали. Результат оценили на практике: при одинаковой скорости передачи слушатели единодушно предпочли «умно сжатую» речь обычной. Технология обещает быть особенно ценной для космической связи и слуховых аппаратов, где каждый бит информации и каждая милливатт-секунда энергии — на вес золота.