Създаването на музика става все по-дигитализирано тук през 2020 г., но някои аналогови аудио ефекти все още са много трудни за възпроизвеждане по този начин. Един от тези ефекти е видът скърцащо китарно изкривяване, предпочитано от боговете на рока навсякъде. Досега тези ефекти, които включват китарни усилватели, бяха почти невъзможни за цифрово пресъздаване.
Това вече е променено благодарение на работата на изследователи в отдела за обработка на сигнали и акустика във финландския университет Аалто. Използвайки изкуствен интелект за дълбоко обучение (A.I.), те създадоха невронна мрежа за китара моделиране на изкривяване, което за първи път може да заблуди слушателите на слепия тест да си помислят, че е истинското статия. Мислете за това като за Тест на Тюринг, коляно чак до Spinal Tap style 11.
Препоръчани видеоклипове
„Общото убеждение на аудио изследователите от десетилетия е, че точната имитация на изкривения звук на ламповите китарни усилватели е много предизвикателна,“ Професор Веса Велимяки
каза Digital Trends. „Една от причините е, че изкривяването е свързано с динамично нелинейно поведение, за което е известно, че е трудно да се симулира дори теоретично. Друга причина може да е, че изкривените китарни звуци обикновено са доста изпъкнали в музиката, така че изглежда трудно да се скрият проблеми там; всички неточности ще бъдат много забележими.
За да обучите невронната мрежа да пресъздава различни ефекти на изкривяване, всичко, което е необходимо, е няколко минути аудио, записано от целевия усилвател. Изследователите са използвали „чисто“ аудио, записано от електрическа китара в безехова камера, и след това го прекара през усилвател. Това осигурява както вход под формата на безупречен китарен звук, така и изход под формата на съответния „целеви“ изход на китарен усилвател.
„Обучението се извършва чрез захранване на невронната мрежа с кратък сегмент от чисто китарно аудио и сравняване на изхода на мрежата с „целеви“ изход на усилвател“, каза Алек Райт, докторант, фокусиран върху аудио обработката чрез задълбочено обучение, пред Digital Trends. „Това сравнение се прави във „функцията на загубата“, която е просто уравнение, което представя докъде изходът на невронната мрежа е от целевия изход или колко „грешно“ е прогнозирането на модела на невронната мрежа беше. Ключът е процес, наречен „градиентно спускане“, при който изчислявате как да коригирате невронната мрежа параметри много малко, така че прогнозата на невронната мрежа е малко по-близо до тази на целевия усилвател изход. След това този процес се повтаря хиляди пъти - или понякога много повече - докато изходът на невронната мрежа спре да се подобрява."
Можете да разгледате демонстрация на A.I. в действие на research.spa.aalto.fi/публикации/документи/приложенияДълбок/. Беше документ, описващ работата наскоро публикуван в списание Applied Sciences.
Препоръки на редакторите
- Оптичните илюзии могат да ни помогнат да изградим следващото поколение AI
- Аналогов AI? Звучи налудничаво, но това може да е бъдещето
- Най-новият AI на Nvidia резултатите доказват, че ARM е готов за центъра за данни
- Nvidia намалява бариерата за навлизане в A.I. с Fleet Command и LaunchPad
- Може ли A.I. победи човешките инженери при проектирането на микрочипове? Google смята така
Надградете начина си на животDigital Trends помага на читателите да следят забързания свят на технологиите с всички най-нови новини, забавни ревюта на продукти, проницателни редакционни статии и единствени по рода си кратки погледи.
