A zenélést 2020-ban egyre inkább digitalizálják itt, de néhány analóg hangeffektust még mindig nagyon nehéz ilyen módon reprodukálni. Az egyik ilyen hatás az a fajta csikorgó gitártorzítás, amelyet a rockistenek mindenhol kedvelnek. Eddig ezeket az effekteket, amelyek gitárerősítőket tartalmaznak, szinte lehetetlen volt digitálisan újra létrehozni.
Ez most megváltozott a finn Aalto Egyetem jelfeldolgozási és akusztikai tanszékén dolgozó kutatók munkájának köszönhetően. A mély tanulási mesterséges intelligencia (A.I.) segítségével létrehoztak egy neurális hálózatot a gitár számára torzítási modellezés, amely most először tudja becsapni a vakteszt hallgatóit, és azt gondolni, hogy ez az igazi cikk. Gondolj úgy, mint a Turing teszt, hajlított egészen a Spınal Tap stílusú 11-ig.
Ajánlott videók
"Az audiokutatók általános meggyőződése évtizedek óta, hogy a csöves gitárerősítők torz hangjának pontos utánzása nagy kihívást jelent." Vesa Välimäki professzor – mondta a Digital Trendsnek. „Az egyik ok az, hogy a torzítás a dinamikus nemlineáris viselkedéshez kapcsolódik, amelyet köztudottan még elméletileg is nehéz szimulálni. Egy másik ok az lehet, hogy a torz gitárhangok általában meglehetősen hangsúlyosak a zenében, így nehéz elrejteni a problémákat; minden pontatlanság nagyon észrevehető lesz.”
Ahhoz, hogy a neurális hálózatot különféle torzítási effektusok újrateremtésére tanítsuk, mindössze néhány percnyi hangra van szükség, amelyet a célerősítőről rögzítettek. A kutatók elektromos gitárról felvett „tiszta” hangot használtak egy visszhangtalan kamra, majd átfuttatta egy erősítőn. Ez egyszerre biztosított egy bemenetet a hibátlan gitárhang formájában, és egy kimenetet a megfelelő „cél” gitárerősítő kimenet formájában.
„A képzés úgy történik, hogy a neurális hálózatot egy rövid szegmensben tiszta gitárhanggal látjuk el, és a hálózat kimenetét összehasonlítjuk a „cél” erősítő kimenet” – mondta el a Digital Trendsnek Alec Wright, a mélytanulást alkalmazó hangfeldolgozásra összpontosító doktorandusz. „Ez az összehasonlítás a „veszteségfüggvényben” történik, amely egyszerűen egy egyenlet, amely megmutatja, hogy milyen messzire a neurális hálózat kimenete a célkimenetből származik, vagy mennyire „hibás” a neurális hálózati modell előrejelzése volt. A kulcs a „gradiens süllyedés” nevű folyamat, amelynek során kiszámítja, hogyan állíthatja be a neurális hálózatot nagyon enyhén módosítja a paramétereket, így a neurális hálózat előrejelzése valamivel közelebb van a célerősítőhöz Kimenet. Ezt a folyamatot azután ezerszer megismétlik – vagy néha sokkal többször –, amíg a neurális hálózat teljesítménye nem javul tovább.”
Megnézheti az A.I. bemutatóját. akcióban a research.spa.aalto.fi/ oldalonpublikációk/papírok/applsci-mély/. A munkát leíró papír volt nemrég jelent meg az Applied Sciences folyóiratban.
Szerkesztői ajánlások
- Az optikai illúziók segíthetnek a mesterséges intelligencia következő generációjának felépítésében
- Analóg A.I.? Őrülten hangzik, de lehet, hogy ez a jövő
- Az Nvidia legújabb A.I. Az eredmények azt bizonyítják, hogy az ARM készen áll az adatközpontra
- Az Nvidia csökkenti az A.I-be való belépés akadályát. Fleet Command és LaunchPad segítségével
- Az A.I. legyőzni az emberi mérnököket a mikrochipek tervezésében? A Google úgy gondolja
Frissítse életmódjátA Digital Trends segítségével az olvasók nyomon követhetik a technológia rohanó világát a legfrissebb hírekkel, szórakoztató termékismertetőkkel, éleslátó szerkesztőségekkel és egyedülálló betekintésekkel.
