2020. gadā mūzikas veidošana šeit arvien vairāk tiek digitalizēta, taču dažus analogos audio efektus joprojām ir ļoti grūti reproducēt šādā veidā. Viens no šiem efektiem ir screeking ģitāras kropļojumi, ko visur iecienījuši roka dievi. Līdz šim šos efektus, kas ietver ģitāras pastiprinātājus, ir bijis gandrīz neiespējami atkārtoti izveidot digitāli.
Tas tagad ir mainījies, pateicoties Somijas Aalto universitātes signālu apstrādes un akustikas katedras pētnieku darbam. Izmantojot dziļās mācīšanās mākslīgo intelektu (A.I.), viņi ir izveidojuši ģitāras neironu tīklu kropļojumu modelēšana, kas pirmo reizi var likt aklās pārbaudes klausītājiem domāt, ka tas ir īsts rakstu. Padomājiet par to kā a Tjūringa tests, izlocīts līdz pat Spınal Tap stilam 11.
Ieteiktie videoklipi
"Audio pētnieku vispārējais uzskats jau gadu desmitiem ir bijis, ka precīza lampu ģitāras pastiprinātāju izkropļotās skaņas imitācija ir ļoti sarežģīta," Profesors Vesa Välimäki pastāstīja Digital Trends. "Viens no iemesliem ir tas, ka izkropļojumi ir saistīti ar dinamisku nelineāru uzvedību, ko, kā zināms, ir grūti simulēt pat teorētiski. Vēl viens iemesls var būt tas, ka ģitāras izkropļotas skaņas parasti ir diezgan pamanāmas mūzikā, tāpēc šķiet grūti noslēpt problēmas; visas neprecizitātes būs ļoti pamanāmas.”
Lai apmācītu neironu tīklu, lai tas atjaunotu dažādus kropļojumu efektus, ir nepieciešams tikai dažas minūtes audio, kas ierakstīts no mērķa pastiprinātāja. Pētnieki izmantoja “tīru” audio, kas ierakstīts no elektriskās ģitāras bezatbalss kamera, un pēc tam palaida to caur pastiprinātāju. Tas nodrošināja gan ievadi nevainojamas ģitāras skaņas veidā, gan izvadi atbilstošā “mērķa” ģitāras pastiprinātāja izejas veidā.
"Apmācība tiek veikta, barojot neironu tīklu īsu tīras ģitāras audio segmentu un salīdzinot tīkla izvadi ar “Mērķa” pastiprinātāja izvade,” izdevumam Digital Trends stāstīja Alekss Raits, doktorants, kurš koncentrējās uz audio apstrādi, izmantojot dziļo mācīšanos. "Šis salīdzinājums tiek veikts "zaudējumu funkcijā", kas ir vienkārši vienādojums, kas parāda, cik tālu neironu tīkla izvade ir no mērķa izvades vai cik “nepareiza” neironu tīkla modeļa prognoze bija. Galvenais ir process, ko sauc par "gradienta nolaišanos", kurā jūs aprēķina, kā pielāgot neironu tīklu parametrus ļoti nedaudz, lai neironu tīkla prognoze būtu nedaudz tuvāk mērķa pastiprinātāja izvade. Pēc tam šis process tiek atkārtots tūkstošiem reižu vai dažreiz daudz vairāk, līdz neironu tīkla izvade pārstāj uzlaboties.
Varat apskatīt A.I. demonstrāciju. darbībā vietnē research.spa.aalto.fi/publikācijas/papīri/applsci-dziļi/. Papīrs, kurā aprakstīts darbs, bija nesen publicēts žurnālā Applied Sciences.
Redaktoru ieteikumi
- Optiskās ilūzijas varētu palīdzēt mums izveidot nākamās paaudzes AI
- Analogais A.I.? Tas izklausās traki, bet tā varētu būt nākotne
- Nvidia jaunākais A.I. rezultāti pierāda, ka ARM ir gatavs datu centram
- Nvidia pazemina barjeru iekļūšanai A.I. ar Fleet Command un LaunchPad
- Vai A.I. pārspēt cilvēku inženierus mikroshēmu projektēšanā? Google tā domā
Uzlabojiet savu dzīvesveiduDigitālās tendences palīdz lasītājiem sekot līdzi steidzīgajai tehnoloģiju pasaulei, izmantojot visas jaunākās ziņas, jautrus produktu apskatus, ieskatu saturošus rakstus un unikālus ieskatus.
