La creación musical está cada vez más digitalizada aquí en 2020, pero algunos efectos de audio analógicos siguen siendo muy difíciles de reproducir de esta manera. Uno de esos efectos es el tipo de distorsión chirriante de guitarra favorecida por los dioses del rock en todas partes. Hasta ahora, estos efectos, que implican amplificadores de guitarra, eran casi imposibles de recrear digitalmente.
Esto ahora ha cambiado gracias al trabajo de investigadores del departamento de procesamiento de señales y acústica de la Universidad Aalto de Finlandia. Utilizando inteligencia artificial (IA) de aprendizaje profundo, han creado una red neuronal para guitarra modelado de distorsión que, por primera vez, puede engañar a los oyentes de pruebas ciegas haciéndoles pensar que es el genuino artículo. Piensa en ello como un Prueba de Turing, girado hasta llegar a un estilo Spınal Tap 11.
Vídeos recomendados
“Durante décadas, los investigadores del audio han creído en general que la imitación precisa del sonido distorsionado de los amplificadores de guitarra a válvulas es un gran desafío”.
Profesor Vesa Välimäki dijo a Digital Trends. “Una de las razones es que la distorsión está relacionada con un comportamiento dinámico no lineal, que se sabe que es difícil de simular incluso teóricamente. Otra razón puede ser que los sonidos de guitarra distorsionados suelen ser bastante prominentes en la música, por lo que parece difícil ocultar cualquier problema allí; todas las imprecisiones serán muy notorias”.
Para entrenar la red neuronal para recrear una variedad de efectos de distorsión, todo lo que se necesita son unos minutos de audio grabados desde el amplificador de destino. Los investigadores utilizaron audio "limpio" grabado con una guitarra eléctrica en un cámara anecoicay luego lo pasé por un amplificador. Esto proporcionó tanto una entrada en forma de un sonido de guitarra impecable como una salida en forma de la correspondiente salida del amplificador de guitarra "de destino".
“El entrenamiento se realiza alimentando a la red neuronal con un segmento corto de audio de guitarra limpio y comparando la salida de la red con la salida del amplificador 'objetivo'”, dijo a Digital Trends Alec Wright, un estudiante de doctorado centrado en el procesamiento de audio mediante aprendizaje profundo. “Esta comparación se realiza en la 'función de pérdida', que es simplemente una ecuación que representa hasta qué punto La salida de la red neuronal es de la salida objetivo, o qué tan "incorrecta" es la predicción del modelo de red neuronal. era. La clave es un proceso llamado "descenso de gradiente", en el que se calcula cómo ajustar la velocidad de la red neuronal. parámetros muy ligeramente, de modo que la predicción de la red neuronal esté un poco más cerca de la del amplificador objetivo. producción. Luego, este proceso se repite miles de veces, o a veces mucho más, hasta que la salida de la red neuronal deja de mejorar”.
Puede ver una demostración de A.I. en acción en research.spa.aalto.fi/publicaciones/artículos/aplicacionesprofundo/. Un artículo que describe el trabajo fue publicado recientemente en la revista Applied Sciences.
Recomendaciones de los editores
- Las ilusiones ópticas podrían ayudarnos a construir la próxima generación de IA
- ¿IA analógica? Parece una locura, pero podría ser el futuro.
- La última tecnología de inteligencia artificial de Nvidia. Los resultados demuestran que ARM está listo para el centro de datos.
- Nvidia reduce la barrera de entrada a la A.I. con Fleet Command y LaunchPad
- ¿Puede la IA? ¿Vencer a los ingenieros humanos en el diseño de microchips? Google cree que sí
Mejora tu estilo de vidaDigital Trends ayuda a los lectores a mantenerse al tanto del vertiginoso mundo de la tecnología con las últimas noticias, reseñas divertidas de productos, editoriales interesantes y adelantos únicos.
