2020 წელს აქ მუსიკის შექმნა სულ უფრო ციფრული ხდება, მაგრამ ზოგიერთი ანალოგური აუდიო ეფექტების ამ გზით რეპროდუცირება ჯერ კიდევ ძალიან რთულია. ერთ-ერთი ასეთი ეფექტი არის გიტარის მღელვარე დამახინჯება, რომელსაც ყველგან როკის ღმერთები ანიჭებენ უპირატესობას. ამ დრომდე, ეს ეფექტები, რომლებიც მოიცავს გიტარის გამაძლიერებლებს, თითქმის შეუძლებელი იყო ციფრულად ხელახლა შექმნა.
ეს ახლა შეიცვალა ფინეთის აალტოს უნივერსიტეტის სიგნალის დამუშავებისა და აკუსტიკის განყოფილების მკვლევარების მუშაობის წყალობით. ღრმა სწავლის ხელოვნური ინტელექტის (A.I.) გამოყენებით, მათ შექმნეს ნერვული ქსელი გიტარისთვის დამახინჯების მოდელირება, რომელმაც პირველად შეიძლება მოატყუოს ბრმა ტესტის მსმენელები, რომ იფიქრონ, რომ ეს არის ნამდვილი სტატია. იფიქრე იმაზე, როგორც ა ტურინგის ტესტი, ხრაშუნა ყველა გზა ხერხემლის ჩამოსასხმელ სტილამდე 11.
რეკომენდებული ვიდეოები
"ათწლეულების მანძილზე აუდიო მკვლევარების ზოგადი რწმენა იყო, რომ მილის გიტარის გამაძლიერებლების დამახინჯებული ხმის ზუსტი იმიტაცია ძალიან რთულია." პროფესორი ვეზა ვალიმაკი განუცხადა Digital Trends-ს. „ერთ-ერთი მიზეზი ის არის, რომ დამახინჯება დაკავშირებულია დინამიურ არაწრფივ ქცევასთან, რომლის სიმულაციაც კი, როგორც ცნობილია, თეორიულადაც კი რთულია. კიდევ ერთი მიზეზი შეიძლება იყოს ის, რომ დამახინჯებული გიტარის ხმები ჩვეულებრივ საკმაოდ გამორჩეულია მუსიკაში, ამიტომ ძნელია იქ რაიმე პრობლემის დამალვა; ყველა უზუსტობა ძალიან შესამჩნევი იქნება“.
ნერვული ქსელის გასავარჯიშებლად სხვადასხვა დამახინჯების ეფექტების ხელახლა შესაქმნელად, საჭიროა მხოლოდ რამდენიმე წუთი აუდიო ჩაწერილი სამიზნე გამაძლიერებლიდან. მკვლევარებმა გამოიყენეს "სუფთა" აუდიო ჩაწერილი ელექტრო გიტარიდან ანექოური პალატა, და შემდეგ გაუშვით გამაძლიერებლის მეშვეობით. ეს უზრუნველყოფდა როგორც შეყვანას გიტარის უნაკლო ხმის სახით, ასევე გამომავალს შესაბამისი "სამიზნე" გიტარის გამაძლიერებლის გამომუშავების სახით.
ტრენინგი ხდება ნერვული ქსელის მიწოდებით სუფთა გიტარის აუდიოს მოკლე სეგმენტით და ქსელის გამომავალი შედარებით. "სამიზნე" გამაძლიერებლის გამომავალი," განუცხადა Digital Trends-ს ალეკ რაიტმა, დოქტორანტმა, რომელიც ორიენტირებულია აუდიო დამუშავებაზე ღრმა სწავლის გამოყენებით. „ეს შედარება ხდება „დაკარგვის ფუნქციაში“, რომელიც უბრალოდ განტოლებაა, რომელიც ასახავს რამდენად შორს ნერვული ქსელის გამომავალი არის სამიზნე გამომავალი, ან რამდენად "მცდარია" ნერვული ქსელის მოდელის პროგნოზი იყო. გასაღები არის პროცესი, რომელსაც ეწოდება "გრადიენტული დაღმართი", სადაც გამოთვლით, თუ როგორ უნდა დაარეგულიროთ ნერვული ქსელი პარამეტრები ძალიან ოდნავ, ისე, რომ ნერვული ქსელის პროგნოზი ოდნავ უფრო ახლოს იყოს სამიზნე გამაძლიერებლთან გამომავალი. შემდეგ ეს პროცესი მეორდება ათასობითჯერ – ან ზოგჯერ ბევრად მეტს – სანამ ნერვული ქსელის გამომავალი არ შეწყვეტს გაუმჯობესებას.”
შეგიძლიათ ნახოთ A.I-ს დემო ვერსია. მოქმედებაში research.spa.aalto.fi/პუბლიკაციები/ნაშრომები/აპლიკაციები-ღრმა/. იყო ნაშრომი, რომელიც აღწერდა სამუშაოს ახლახან გამოქვეყნდა ჟურნალში Applied Sciences.
რედაქტორების რეკომენდაციები
- ოპტიკური ილუზიები დაგვეხმარება შემდეგი თაობის ხელოვნური ინტელექტის შექმნაში
- ანალოგი A.I.? ეს გიჟურად ჟღერს, მაგრამ ეს შეიძლება იყოს მომავალი
- Nvidia-ს უახლესი A.I. შედეგები ადასტურებს, რომ ARM მზად არის მონაცემთა ცენტრისთვის
- Nvidia აქვეითებს A.I-ში შესვლის ბარიერს. Fleet Command-ით და LaunchPad-ით
- შეუძლია A.I. დაამარცხეთ ინჟინრები მიკროჩიპების დიზაინში? გუგლი ასე ფიქრობს
განაახლეთ თქვენი ცხოვრების წესიDigital Trends ეხმარება მკითხველს თვალყური ადევნონ ტექნოლოგიების სწრაფ სამყაროს ყველა უახლესი სიახლეებით, სახალისო პროდუქტების მიმოხილვებით, გამჭრიახი რედაქციებითა და უნიკალური თვალით.