Η δημιουργία μουσικής ψηφιοποιείται όλο και περισσότερο εδώ το 2020, αλλά ορισμένα αναλογικά ηχητικά εφέ εξακολουθούν να είναι πολύ δύσκολο να αναπαραχθούν με αυτόν τον τρόπο. Ένα από αυτά τα εφέ είναι το είδος της παραμόρφωσης της κιθάρας που ευνοείται από τους θεούς της ροκ παντού. Μέχρι τώρα, αυτά τα εφέ, που περιλαμβάνουν ενισχυτές κιθάρας, ήταν σχεδόν αδύνατο να αναδημιουργηθούν ψηφιακά.
Αυτό έχει αλλάξει τώρα χάρη στην εργασία των ερευνητών στο τμήμα επεξεργασίας σήματος και ακουστικής στο Πανεπιστήμιο Aalto της Φινλανδίας. Χρησιμοποιώντας τεχνητή νοημοσύνη βαθιάς μάθησης (A.I.), δημιούργησαν ένα νευρωνικό δίκτυο για κιθάρα μοντελοποίηση παραμόρφωσης που, για πρώτη φορά, μπορεί να ξεγελάσει τους ακροατές με τυφλό τεστ και να πιστεύουν ότι είναι το γνήσιο άρθρο. Σκεφτείτε το σαν α Δοκιμή Turing, μανιβέλα μέχρι το στιλ Spinal Tap 11.
Προτεινόμενα βίντεο
«Είναι η γενική πεποίθηση των ερευνητών ήχου εδώ και δεκαετίες ότι η ακριβής μίμηση του παραμορφωμένου ήχου των ενισχυτών κιθάρας με σωλήνα είναι πολύ προκλητική».
Καθηγήτρια Vesa Välimäki είπε στο Digital Trends. «Ένας λόγος είναι ότι η παραμόρφωση σχετίζεται με τη δυναμική μη γραμμική συμπεριφορά, η οποία είναι γνωστό ότι είναι δύσκολο να προσομοιωθεί ακόμη και θεωρητικά. Ένας άλλος λόγος μπορεί να είναι ότι οι παραμορφωμένοι ήχοι της κιθάρας είναι συνήθως αρκετά εμφανείς στη μουσική, επομένως φαίνεται δύσκολο να κρύψουμε τυχόν προβλήματα εκεί. όλες οι ανακρίβειες θα είναι πολύ αισθητές».
Για να εκπαιδεύσετε το νευρωνικό δίκτυο ώστε να αναδημιουργεί μια ποικιλία εφέ παραμόρφωσης, το μόνο που χρειάζεται είναι μερικά λεπτά ηχογράφησης από τον ενισχυτή στόχο. Οι ερευνητές χρησιμοποίησαν «καθαρό» ήχο που ηχογραφήθηκε από ηλεκτρική κιθάρα σε ένα ανηχοϊκός θάλαμος, και μετά περάστε το μέσω ενός ενισχυτή. Αυτό παρείχε τόσο μια είσοδο με τη μορφή του άψογου ήχου κιθάρας, όσο και μια έξοδο με τη μορφή της αντίστοιχης εξόδου του ενισχυτή κιθάρας "στόχος".
«Η εκπαίδευση γίνεται τροφοδοτώντας το νευρωνικό δίκτυο με ένα μικρό τμήμα καθαρού ήχου κιθάρας και συγκρίνοντας την έξοδο του δικτύου με Έξοδος ενισχυτή «στόχου», δήλωσε στο Digital Trends ο Alec Wright, ένας διδακτορικός φοιτητής που επικεντρώθηκε στην επεξεργασία ήχου χρησιμοποιώντας βαθιά μάθηση. «Αυτή η σύγκριση γίνεται στη «συνάρτηση απώλειας», η οποία είναι απλώς μια εξίσωση που αντιπροσωπεύει πόσο μακριά είναι Η έξοδος νευρωνικού δικτύου προέρχεται από την έξοδο στόχο, ή πόσο «λάθος» είναι η πρόβλεψη του μοντέλου νευρωνικού δικτύου ήταν. Το κλειδί είναι μια διαδικασία που ονομάζεται «gradient descent», όπου υπολογίζετε πώς να προσαρμόσετε το νευρωνικό δίκτυο παραμέτρους πολύ ελαφρώς, έτσι ώστε η πρόβλεψη του νευρωνικού δικτύου να είναι ελαφρώς πιο κοντά στον ενισχυτή στόχο παραγωγή. Αυτή η διαδικασία στη συνέχεια επαναλαμβάνεται χιλιάδες φορές - ή μερικές φορές πολύ περισσότερες - έως ότου η έξοδος του νευρωνικού δικτύου σταματήσει να βελτιώνεται».
Μπορείτε να δείτε ένα demo του A.I. σε δράση στο research.spa.aalto.fi/δημοσιεύσεις/έγγραφα/εφαρμογές-βαθύς/. Ένα χαρτί που περιγράφει το έργο ήταν που δημοσιεύτηκε πρόσφατα στο περιοδικό Applied Sciences.
Συστάσεις των συντακτών
- Οι οπτικές ψευδαισθήσεις θα μπορούσαν να μας βοηθήσουν να δημιουργήσουμε την επόμενη γενιά τεχνητής νοημοσύνης
- Αναλογικό A.I.; Ακούγεται τρελό, αλλά μπορεί να είναι το μέλλον
- Το τελευταίο A.I της Nvidia. Τα αποτελέσματα αποδεικνύουν ότι η ARM είναι έτοιμη για το κέντρο δεδομένων
- Η Nvidia χαμηλώνει το εμπόδιο για την είσοδο στο A.I. με το Fleet Command και το LaunchPad
- Μπορεί η A.I. νικήσει τους ανθρώπους μηχανικούς στο σχεδιασμό μικροτσίπ; Το πιστεύει η Google
Αναβαθμίστε τον τρόπο ζωής σαςΤο Digital Trends βοηθά τους αναγνώστες να παρακολουθούν τον γρήγορο κόσμο της τεχνολογίας με όλα τα τελευταία νέα, διασκεδαστικές κριτικές προϊόντων, διορατικά editorial και μοναδικές κρυφές ματιές.
