2020 m. muzikos kūrimas čia vis labiau skaitmeninamas, tačiau kai kuriuos analoginius garso efektus tokiu būdu atkurti vis dar labai sunku. Vienas iš tų efektų yra čirškantis gitaros iškraipymas, kurį visur mėgsta roko dievai. Iki šiol šių efektų, kuriuose naudojami gitaros stiprintuvai, buvo beveik neįmanoma atkurti skaitmeniniu būdu.
Tai dabar pasikeitė dėl Suomijos Aalto universiteto Signalų apdorojimo ir akustikos katedros tyrėjų darbo. Naudodami gilaus mokymosi dirbtinį intelektą (A.I.), jie sukūrė gitaros neuroninį tinklą iškraipymo modeliavimas, kuris pirmą kartą gali suklaidinti aklųjų testų klausytojus ir manyti, kad tai tikra straipsnis. Pagalvokite apie tai kaip a Turingo testas, sulenktas iki pat Spınal Tap stiliaus 11.
Rekomenduojami vaizdo įrašai
„Bendras garso tyrinėtojų įsitikinimas jau kelis dešimtmečius, kad tiksliai imituoti vamzdinių gitarų stiprintuvų iškraipytą garsą yra labai sudėtinga. Profesorius Vesa Välimäki pasakojo „Digital Trends“. „Viena iš priežasčių yra ta, kad iškraipymas yra susijęs su dinamišku netiesiniu elgesiu, kurį, kaip žinoma, sunku imituoti net teoriškai. Kita priežastis gali būti ta, kad iškreipti gitaros garsai paprastai yra gana ryškūs muzikoje, todėl sunku paslėpti bet kokias problemas; visi netikslumai bus labai pastebimi“.
Norint išmokyti neuroninį tinklą atkurti įvairius iškraipymo efektus, tereikia kelių minučių garso, įrašyto iš tikslinio stiprintuvo. Tyrėjai naudojo „švarų“ garsą, įrašytą iš elektrinės gitaros aidos kamera, o tada paleido per stiprintuvą. Tai suteikė ir įvestį nepriekaištingo gitaros garso pavidalu, ir išvestį atitinkamo „tikslinio“ gitaros stiprintuvo išvesties forma.
„Mokymai atliekami tiekiant į neuroninį tinklą trumpą švaraus gitaros garso segmentą ir lyginant tinklo išvestį su „Tikslinė“ stiprintuvo išvestis“, – „Digital Trends“ pasakojo Alecas Wrightas, doktorantas, besidomintis garso apdorojimu naudojant gilųjį mokymąsi. „Šis palyginimas atliekamas naudojant „praradimo funkciją“, kuri yra tiesiog lygtis, nurodanti, kiek toli neuroninio tinklo išvestis gaunama iš tikslinės išvesties arba kiek „klaidinga“ neuroninio tinklo modelio prognozė buvo. Svarbiausia yra procesas, vadinamas „gradiento nusileidimu“, kurio metu apskaičiuojate, kaip koreguoti neuroninį tinklą parametrus labai mažai, kad neuroninio tinklo prognozė būtų šiek tiek arčiau tikslinio stiprintuvo išvestis. Tada šis procesas kartojamas tūkstančius kartų arba kartais daug daugiau, kol neuroninio tinklo išvestis nustos tobulėti.
Galite peržiūrėti A.I. demonstracinę versiją. veikia adresu research.spa.aalto.fi/publikacijos/straipsniai/applsci-giliai/. Darbą aprašantis popierius buvo neseniai paskelbtas žurnale Applied Sciences.
Redaktorių rekomendacijos
- Optinės iliuzijos gali padėti mums sukurti naujos kartos AI
- Analoginis A.I.? Skamba beprotiškai, bet tai gali būti ateitis
- Naujausias Nvidia A.I. rezultatai įrodo, kad ARM yra pasiruošęs duomenų centrui
- „Nvidia“ sumažina kliūtis patekti į A.I. su „Fleet Command“ ir „LaunchPad“.
- Ar gali A.I. pranoko žmonių inžinierius kuriant mikroschemas? „Google“ taip mano
Atnaujinkite savo gyvenimo būdąSkaitmeninės tendencijos padeda skaitytojams stebėti sparčiai besivystantį technologijų pasaulį – pateikiamos visos naujausios naujienos, smagios produktų apžvalgos, įžvalgūs vedamieji leidiniai ir unikalūs žvilgsniai.
