यहां 2020 में संगीत निर्माण का तेजी से डिजिटलीकरण हो रहा है, लेकिन कुछ एनालॉग ऑडियो प्रभावों को इस तरह से पुन: पेश करना अभी भी बहुत मुश्किल है। उन प्रभावों में से एक एक प्रकार का कर्कश गिटार विरूपण है जिसे हर जगह रॉक देवताओं द्वारा पसंद किया जाता है। अब तक, ये प्रभाव, जिसमें गिटार एम्पलीफायर शामिल हैं, डिजिटल रूप से दोबारा बनाना लगभग असंभव रहा है।
फ़िनलैंड के आल्टो विश्वविद्यालय में सिग्नल प्रोसेसिंग और ध्वनिकी विभाग में शोधकर्ताओं के काम की बदौलत अब यह बदल गया है। गहन शिक्षण कृत्रिम बुद्धिमत्ता (ए.आई.) का उपयोग करके, उन्होंने गिटार के लिए एक तंत्रिका नेटवर्क बनाया है विरूपण मॉडलिंग, जो पहली बार, अंध-परीक्षण करने वाले श्रोताओं को यह सोचकर मूर्ख बना सकती है कि यह वास्तविक है लेख। इसे ऐसे समझें कि ट्यूरिंग टेस्ट, क्रैंक किया गया स्पाइनल टैप-स्टाइल 11 तक सभी तरह से.
अनुशंसित वीडियो
"दशकों से ऑडियो शोधकर्ताओं की यह आम धारणा रही है कि ट्यूब गिटार एम्पलीफायरों की विकृत ध्वनि की सटीक नकल बहुत चुनौतीपूर्ण है," प्रोफेसर वेसा वैलिमकी डिजिटल ट्रेंड्स को बताया. “एक कारण यह है कि विकृति गतिशील गैर-रेखीय व्यवहार से संबंधित है, जिसे सैद्धांतिक रूप से भी अनुकरण करना कठिन माना जाता है। दूसरा कारण यह हो सकता है कि विकृत गिटार ध्वनियाँ आमतौर पर संगीत में काफी प्रमुख होती हैं, इसलिए वहां किसी भी समस्या को छिपाना मुश्किल लगता है; सभी अशुद्धियाँ बहुत ध्यान देने योग्य होंगी।”
विभिन्न प्रकार के विरूपण प्रभावों को फिर से बनाने के लिए तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए, लक्ष्य एम्पलीफायर से रिकॉर्ड किए गए कुछ मिनटों के ऑडियो की आवश्यकता होती है। शोधकर्ताओं ने एक इलेक्ट्रिक गिटार से रिकॉर्ड किए गए "स्वच्छ" ऑडियो का उपयोग किया ऐनाकोइक कक्ष, और फिर इसे एक एम्पलीफायर के माध्यम से चलाया। इसने बेदाग गिटार ध्वनि के रूप में एक इनपुट और संबंधित "लक्ष्य" गिटार एम्पलीफायर आउटपुट के रूप में एक आउटपुट प्रदान किया।
"प्रशिक्षण तंत्रिका नेटवर्क को स्वच्छ गिटार ऑडियो का एक छोटा खंड खिलाकर और नेटवर्क के आउटपुट की तुलना करके किया जाता है 'लक्ष्य' एम्पलीफायर आउटपुट,'' डीप लर्निंग का उपयोग करके ऑडियो प्रोसेसिंग पर ध्यान केंद्रित करने वाले डॉक्टरेट छात्र एलेक राइट ने डिजिटल ट्रेंड्स को बताया। "यह तुलना 'नुकसान फ़ंक्शन' में की गई है, जो कि बस एक समीकरण है जो दर्शाता है कि कितनी दूर है तंत्रिका नेटवर्क आउटपुट लक्ष्य आउटपुट से है, या, तंत्रिका नेटवर्क मॉडल की भविष्यवाणी कितनी 'गलत' है था। कुंजी एक प्रक्रिया है जिसे 'ग्रेडिएंट डिसेंट' कहा जाता है, जहां आप गणना करते हैं कि तंत्रिका नेटवर्क को कैसे समायोजित किया जाए पैरामीटर बहुत थोड़े हैं, ताकि तंत्रिका नेटवर्क की भविष्यवाणी लक्ष्य एम्पलीफायर के थोड़ा करीब हो आउटपुट. यह प्रक्रिया तब तक हजारों बार दोहराई जाती है - या कभी-कभी इससे भी अधिक - जब तक कि तंत्रिका नेटवर्क के आउटपुट में सुधार बंद नहीं हो जाता।
आप ए.आई. का डेमो देख सकते हैं। अनुसंधान.spa.aalto.fi/ पर कार्रवाई मेंप्रकाशन/पत्र/applsci-गहरा/। कार्य का वर्णन करने वाला एक पेपर था हाल ही में एप्लाइड साइंसेज जर्नल में प्रकाशित हुआ.
संपादकों की सिफ़ारिशें
- ऑप्टिकल भ्रम हमें एआई की अगली पीढ़ी बनाने में मदद कर सकता है
- एनालॉग ए.आई.? यह पागलपन जैसा लगता है, लेकिन यह भविष्य हो सकता है
- एनवीडिया का नवीनतम ए.आई. परिणाम साबित करते हैं कि एआरएम डेटा सेंटर के लिए तैयार है
- एनवीडिया ने ए.आई. में प्रवेश की बाधा कम कर दी है। फ्लीट कमांड और लॉन्चपैड के साथ
- क्या ए.आई. माइक्रोचिप्स डिज़ाइन करने में मानव इंजीनियरों को हराया? Google ऐसा सोचता है
अपनी जीवनशैली को उन्नत करेंडिजिटल ट्रेंड्स पाठकों को सभी नवीनतम समाचारों, मजेदार उत्पाद समीक्षाओं, व्यावहारिक संपादकीय और एक तरह की अनूठी झलक के साथ तकनीक की तेज़ गति वाली दुनिया पर नज़र रखने में मदद करता है।
