Pembuatan musik semakin didigitalkan di sini pada tahun 2020, namun beberapa efek audio analog masih sangat sulit untuk direproduksi dengan cara ini. Salah satu efek tersebut adalah distorsi gitar yang melengking yang disukai oleh para dewa rock di mana pun. Hingga saat ini, efek-efek ini, yang melibatkan amplifier gitar, hampir mustahil untuk diciptakan kembali secara digital.
Hal tersebut kini berubah berkat kerja para peneliti di departemen pemrosesan sinyal dan akustik di Universitas Aalto Finlandia. Dengan menggunakan kecerdasan buatan (AI) pembelajaran mendalam, mereka telah menciptakan jaringan saraf untuk gitar pemodelan distorsi yang, untuk pertama kalinya, dapat membodohi pendengar yang melakukan tes buta dengan mengira itu asli artikel. Anggap saja seperti a Uji Turing, memutar hingga gaya Spinal Tap 11.
Video yang Direkomendasikan
“Sudah menjadi keyakinan umum para peneliti audio selama beberapa dekade bahwa peniruan akurat dari suara terdistorsi amplifier gitar tabung sangatlah menantang,”
Profesor Vesa Välimäki mengatakan kepada Tren Digital. “Salah satu alasannya adalah distorsi tersebut terkait dengan perilaku nonlinier dinamis, yang sulit disimulasikan bahkan secara teoritis. Alasan lainnya mungkin karena suara gitar yang terdistorsi biasanya cukup menonjol dalam musik, sehingga tampaknya sulit untuk menyembunyikan masalah apa pun di sana; semua ketidakakuratan akan sangat terlihat.”
Untuk melatih jaringan saraf dalam menciptakan berbagai efek distorsi, yang diperlukan hanyalah rekaman audio beberapa menit dari amplifier target. Para peneliti menggunakan audio “bersih” yang direkam dari gitar listrik dalam sebuah ruang anechoic, dan kemudian menjalankannya melalui amplifier. Ini memberikan masukan dalam bentuk suara gitar yang tidak bercacat, dan keluaran dalam bentuk keluaran penguat gitar “target” yang sesuai.
“Pelatihan dilakukan dengan memberi jaringan saraf segmen pendek audio gitar yang bersih, dan membandingkan keluaran jaringan dengan keluaran penguat 'target',” Alec Wright, seorang mahasiswa doktoral yang berfokus pada pemrosesan audio menggunakan pembelajaran mendalam, mengatakan kepada Digital Trends. “Perbandingan ini dilakukan dalam 'fungsi kerugian', yang merupakan persamaan yang mewakili seberapa jauh keluaran jaringan saraf berbeda dari keluaran target, atau, seberapa 'salah' prediksi model jaringan saraf dulu. Kuncinya adalah proses yang disebut 'penurunan gradien', di mana Anda menghitung cara menyesuaikan jaringan saraf parameternya sangat sedikit, sehingga prediksi jaringan saraf sedikit lebih dekat dengan penguat target keluaran. Proses ini kemudian diulang ribuan kali – atau terkadang lebih – hingga keluaran jaringan saraf berhenti meningkat.”
Anda dapat melihat demo A.I. beraksi di Research.spa.aalto.fi/publikasi/makalah/aplikasi-dalam/. Sebuah makalah yang menjelaskan pekerjaan itu baru-baru ini diterbitkan di jurnal Applied Sciences.
Rekomendasi Editor
- Ilusi optik dapat membantu kita membangun AI generasi berikutnya
- AI Analog? Kedengarannya gila, tapi mungkin itu adalah masa depan
- A.I. Hasil membuktikan bahwa ARM siap untuk pusat data
- Nvidia menurunkan hambatan untuk masuk ke A.I. dengan Komando Armada dan LaunchPad
- Bisakah A.I. mengalahkan insinyur manusia dalam merancang microchip? Google berpendapat demikian
Tingkatkan gaya hidup AndaTren Digital membantu pembaca mengawasi dunia teknologi yang bergerak cepat dengan semua berita terbaru, ulasan produk yang menyenangkan, editorial yang berwawasan luas, dan cuplikan unik.
