Tvorba hudby se zde v roce 2020 stále více digitalizuje, ale některé analogové zvukové efekty je stále velmi obtížné tímto způsobem reprodukovat. Jedním z těchto efektů je druh pískavého kytarového zkreslení oblíbeného rockovými bohy všude. Až dosud bylo téměř nemožné tyto efekty, které zahrnují kytarové zesilovače, digitálně znovu vytvořit.
To se nyní změnilo díky práci výzkumníků z oddělení zpracování signálu a akustiky na finské univerzitě Aalto. Pomocí umělé inteligence hlubokého učení (A.I.) vytvořili neuronovou síť pro kytaru modelování zkreslení, které může poprvé oklamat posluchače naslepo, aby si mysleli, že je to pravé článek. Představte si to jako a Turingův test, zalomený až po Spinal Tap ve stylu 11.
Doporučená videa
„Výzkumníci v oblasti audiotechniky se po desetiletí obecně domnívají, že přesná imitace zkresleného zvuku lampových kytarových zesilovačů je velmi náročná,“ Profesor Vesa Välimäki řekl Digital Trends. „Jedním z důvodů je, že zkreslení souvisí s dynamickým nelineárním chováním, o kterém je známo, že je těžké simulovat i teoreticky. Dalším důvodem může být to, že zkreslené kytarové zvuky jsou v hudbě obvykle velmi výrazné, takže se zdá, že je obtížné skrýt nějaké problémy; všechny nepřesnosti budou velmi patrné.“
K trénování neuronové sítě, aby znovu vytvořila řadu zkreslených efektů, je zapotřebí pouze několik minut zvuku nahraného z cílového zesilovače. Vědci použili „čistý“ zvuk nahraný z elektrické kytary v an anechoická komoraa pak to protáhl zesilovačem. To poskytlo jak vstup v podobě neposkvrněného kytarového zvuku, tak výstup v podobě odpovídajícího „cílového“ výstupu kytarového zesilovače.
„Trénink se provádí tak, že neuronovou síť naplníme krátkým segmentem čistého kytarového zvuku a porovnáme výstup sítě s ‚cílový‘ výstup zesilovače,“ řekl pro Digital Trends Alec Wright, doktorand zaměřený na zpracování zvuku pomocí hlubokého učení. „Toto srovnání se provádí ve ‚ztrátové funkci‘, což je jednoduše rovnice, která vyjadřuje, jak daleko je výstup neuronové sítě je z cílového výstupu, neboli, jak „špatná“ předpověď modelu neuronové sítě byl. Klíčem je proces zvaný ‚gradientní sestup‘, kde vypočítáváte, jak upravit neuronové sítě parametry velmi mírně, takže predikce neuronové sítě je o něco blíže cílovému zesilovači výstup. Tento proces se pak opakuje tisíckrát – nebo někdy mnohem více – dokud se výstup neuronové sítě nepřestane zlepšovat.
Můžete se podívat na ukázku A.I. v akci na research.spa.aalto.fi/publikace/papíry/applsci-hluboký/. Papír popisující práci byl nedávno publikované v časopise Applied Sciences.
Doporučení redakce
- Optické iluze by nám mohly pomoci vybudovat další generaci AI
- Analogové A.I.? Zní to šíleně, ale může to být budoucnost
- Nejnovější A.I od Nvidie. výsledky dokazují, že ARM je připraven na datové centrum
- Nvidia snižuje bariéru vstupu do A.I. s Fleet Command a LaunchPad
- Může A.I. porazit lidské inženýry při navrhování mikročipů? Google si to myslí
Upgradujte svůj životní stylDigitální trendy pomáhají čtenářům mít přehled o rychle se měnícím světě technologií se všemi nejnovějšími zprávami, zábavnými recenzemi produktů, zasvěcenými úvodníky a jedinečnými náhledy.
