Stvaranje glazbe ovdje se sve više digitalizira 2020. godine, ali neke analogne audio efekte još uvijek je vrlo teško reproducirati na ovaj način. Jedan od tih učinaka je vrsta piskave gitarske distorzije koju posvuda favoriziraju rock bogovi. Do sada je ove efekte, koji uključuju gitarska pojačala, bilo gotovo nemoguće digitalno ponovno stvoriti.
To se sada promijenilo zahvaljujući radu istraživača na odjelu za obradu signala i akustiku na finskom Sveučilištu Aalto. Koristeći umjetnu inteligenciju dubokog učenja (A.I.), stvorili su neuronsku mrežu za gitaru modeliranje izobličenja koje po prvi put može prevariti slušatelje na slijepom testu da pomisle da je pravi članak. Razmišljajte o tome kao o Turingov test, koljenast sve do Spınal Tap stila 11.
Preporučeni videozapisi
"Desetljećima je opće uvjerenje audio istraživača da je točna imitacija izobličenog zvuka cijevnih gitarskih pojačala vrlo izazovna," Profesor Vesa Välimäki rekao je za Digital Trends. “Jedan od razloga je taj što je distorzija povezana s dinamičkim nelinearnim ponašanjem, za koje je poznato da ih je teško simulirati čak i teoretski. Drugi razlog može biti taj što su distorzirani zvukovi gitare obično dosta izraženi u glazbi, pa se čini da je teško tu sakriti probleme; sve će netočnosti biti vrlo uočljive.”
Za treniranje neuronske mreže za ponovno stvaranje različitih efekata izobličenja, sve što je potrebno je nekoliko minuta zvuka snimljenog iz ciljanog pojačala. Istraživači su koristili "čisti" zvuk snimljen s električne gitare u anehoična komora, a zatim ga pustio kroz pojačalo. Ovo je omogućilo i ulaz u obliku besprijekornog zvuka gitare i izlaz u obliku odgovarajućeg "ciljanog" izlaza gitarskog pojačala.
"Obuka se provodi tako da se neuronskoj mreži unese kratki segment čistog zvuka gitare i usporedbom izlaza mreže s 'ciljani' izlaz pojačala,” rekao je za Digital Trends Alec Wright, doktorand usredotočen na obradu zvuka pomoću dubokog učenja. “Ova se usporedba radi u 'funkciji gubitka', koja je jednostavno jednadžba koja predstavlja koliko daleko izlaz neuronske mreže je od ciljanog izlaza, ili koliko je "pogrešno" predviđanje modela neuronske mreže bio je. Ključ je proces koji se zove 'gradijentni silazak', gdje izračunavate kako prilagoditi neuronske mreže parametara vrlo malo, tako da je predviđanje neuronske mreže malo bliže ciljanom pojačalu izlaz. Ovaj se proces zatim ponavlja tisućama puta — ili ponekad mnogo više — sve dok se rezultat neuronske mreže ne prestane poboljšavati.”
Možete pogledati demo A.I. u akciji na research.spa.aalto.fi/publikacije/radovi/applsci-duboko/. Rad koji opisuje rad bio je nedavno objavljen u časopisu Applied Sciences.
Preporuke urednika
- Optičke iluzije mogle bi nam pomoći u izgradnji sljedeće generacije umjetne inteligencije
- Analogni AI? Zvuči ludo, ali to bi mogla biti budućnost
- Najnoviji Nvidijin A.I. rezultati dokazuju da je ARM spreman za podatkovni centar
- Nvidia smanjuje barijeru za ulazak u A.I. s Fleet Commandom i LaunchPadom
- Može li A.I. pobijediti ljudske inženjere u dizajniranju mikročipova? Google tako misli
Nadogradite svoj životni stilDigitalni trendovi pomažu čitateljima da prate brzi svijet tehnologije sa svim najnovijim vijestima, zabavnim recenzijama proizvoda, pronicljivim uvodnicima i jedinstvenim brzim pregledima.
