Musiikin tekemistä digitalisoidaan täällä yhä enemmän vuonna 2020, mutta joitain analogisia äänitehosteita on edelleen erittäin vaikea toistaa tällä tavalla. Yksi näistä efekteistä on sellainen kiruva kitaran särö, jota rockjumalat suosivat kaikkialla. Tähän asti näitä tehosteita, joihin liittyy kitaravahvistimia, on ollut lähes mahdotonta luoda uudelleen digitaalisesti.
Se on nyt muuttunut Aalto-yliopiston signaalinkäsittelyn ja akustiikan laitoksen tutkijoiden työn ansiosta. He ovat luoneet kitaralle hermoverkon syväoppivan tekoälyn (A.I.) avulla vääristymämallinnus, joka voi ensimmäistä kertaa huijata sokkotestin kuuntelijat ajattelemaan, että se on aito artikla. Ajattele sitä kuin a Turingin testi, väänsi aina Spınal Tap -tyyliin 11.
Suositellut videot
"Äänitutkijoiden yleinen käsitys on ollut vuosikymmeniä, että putkikitaravahvistimien vääristyneen äänen tarkka jäljittely on erittäin haastavaa." Professori Vesa Välimäki kertoi Digital Trendsille. ”Yksi syy on se, että vääristymä liittyy dynaamiseen epälineaariseen käyttäytymiseen, jota tiedetään olevan vaikea simuloida edes teoreettisesti. Toinen syy voi olla se, että säröiset kitarasoundit ovat yleensä varsin näkyvästi musiikissa, joten siellä on vaikea piilottaa ongelmia; kaikki epätarkkuudet ovat hyvin havaittavissa."
Jotta hermoverkko koulutetaan luomaan uudelleen erilaisia säröefektejä, tarvitaan vain muutaman minuutin ääni, joka on tallennettu kohdevahvistimesta. Tutkijat käyttivät "puhdasta" ääntä, joka oli tallennettu sähkökitaralla kaiuton kammio, ja ohjasi sen sitten vahvistimen läpi. Tämä tarjosi sekä tulon tahrattoman kitaraäänen muodossa että lähdön vastaavan "kohde"-kitaravahvistimen ulostulon muodossa.
"Koulutus tehdään syöttämällä hermoverkkoon lyhyt segmentti puhdasta kitaraääntä ja vertaamalla verkon lähtöä "kohdevahvistimen lähtö", Alec Wright, tohtoriopiskelija, joka keskittyi äänenkäsittelyyn syväoppimisen avulla, kertoi Digital Trendsille. "Tämä vertailu tehdään "tappiofunktiossa", joka on yksinkertaisesti yhtälö, joka edustaa kuinka pitkälle hermoverkon lähtö on kohdeulostulosta, tai kuinka "väärä" hermoverkkomallin ennuste oli. Avain on prosessi nimeltä "gradienttilasku", jossa lasketaan, kuinka hermoverkkoa säädetään parametreja hyvin vähän, joten hermoverkon ennuste on hieman lähempänä kohdevahvistimen ulostulo. Tätä prosessia toistetaan sitten tuhansia kertoja - tai joskus paljon enemmän - kunnes hermoverkon tulos lakkaa paranemasta."
Voit katsoa A.I: n demon. toiminnassa osoitteessa research.spa.aalto.fi/julkaisut/paperit/applsci-syvä/. Työtä kuvaava paperi oli julkaistiin äskettäin Applied Sciences -lehdessä.
Toimittajien suositukset
- Optiset illuusiot voivat auttaa meitä rakentamaan seuraavan sukupolven tekoälyä
- Analoginen A.I.? Kuulostaa hullulta, mutta se saattaa olla tulevaisuutta
- Nvidian uusin A.I. tulokset osoittavat, että ARM on valmis palvelinkeskukseen
- Nvidia alentaa A.I: n pääsyn estettä. Fleet Commandin ja LaunchPadin kanssa
- Voiko A.I. päihittää ihmisinsinöörit mikrosirujen suunnittelussa? Google ajattelee niin
Päivitä elämäntapasiDigital Trends auttaa lukijoita pysymään tekniikan nopeatempoisessa maailmassa uusimpien uutisten, hauskojen tuotearvostelujen, oivaltavien toimitusten ja ainutlaatuisten kurkistusten avulla.
