Het maken van muziek wordt hier anno 2020 steeds meer gedigitaliseerd, maar sommige analoge audio-effecten zijn nog steeds erg lastig op deze manier weer te geven. Een van die effecten is het soort gierende gitaarvervorming waar rockgoden overal de voorkeur aan geven. Tot nu toe waren deze effecten, waarbij gitaarversterkers betrokken zijn, vrijwel onmogelijk om digitaal opnieuw te creëren.
Dat is nu veranderd dankzij het werk van onderzoekers van de afdeling signaalverwerking en akoestiek aan de Finse Aalto Universiteit. Met behulp van deep learning kunstmatige intelligentie (A.I.) hebben ze een neuraal netwerk voor gitaar gecreëerd vervormingsmodellering die voor het eerst luisteraars tijdens een blinde test voor de gek kan houden door te denken dat het de echte is artikel. Zie het als een Turing-test, gekruld helemaal tot aan een Spinal Tap-stijl 11.
Aanbevolen video's
“Het is al tientallen jaren de algemene overtuiging van audioonderzoekers dat de nauwkeurige imitatie van het vervormde geluid van buizengitaarversterkers een grote uitdaging is,”
Professor Vesa Välimäki vertelde Digitale Trends. “Eén reden is dat de vervorming verband houdt met dynamisch niet-lineair gedrag, waarvan bekend is dat het zelfs theoretisch moeilijk te simuleren is. Een andere reden kan zijn dat vervormde gitaarklanken meestal behoorlijk prominent aanwezig zijn in muziek, waardoor het moeilijk lijkt om eventuele problemen daar te verbergen; alle onnauwkeurigheden zullen zeer opvallen.”
Om het neurale netwerk te trainen in het reproduceren van een verscheidenheid aan vervormingseffecten, is het enige dat nodig is een paar minuten audio opgenomen vanaf de doelversterker. De onderzoekers gebruikten ‘schone’ audio opgenomen vanaf een elektrische gitaar in een echovrije kameren liet het vervolgens door een versterker lopen. Dit leverde zowel een input in de vorm van het smetteloze gitaargeluid, als een output in de vorm van de bijbehorende ‘target’-gitaarversterkeruitgang.
“Training wordt gedaan door het neurale netwerk een kort segment zuivere gitaaraudio te geven en de output van het netwerk te vergelijken met de ‘doel’-versterkeruitgang”, vertelde Alec Wright, een promovendus die zich richtte op audioverwerking met behulp van deep learning, aan Digital Trends. “Deze vergelijking wordt gedaan in de ‘verliesfunctie’, wat eenvoudigweg een vergelijking is die weergeeft hoe ver de De output van het neurale netwerk is afkomstig van de doeloutput, of hoe ‘fout’ de voorspelling van het neurale netwerkmodel is was. De sleutel is een proces dat ‘gradiëntafdaling’ wordt genoemd, waarbij je berekent hoe je het neurale netwerk moet aanpassen parameters heel lichtjes, zodat de voorspelling van het neurale netwerk iets dichter bij die van de doelversterker ligt uitgang. Dit proces wordt vervolgens duizenden keren herhaald – of soms veel vaker – totdat de output van het neurale netwerk niet meer verbetert.”
Je kunt een demo van de A.I. in actie op research.spa.aalto.fi/publicaties/papers/applsci-diep/. Er was een document waarin het werk werd beschreven onlangs gepubliceerd in het tijdschrift Applied Sciences.
Aanbevelingen van de redactie
- Optische illusies kunnen ons helpen de volgende generatie AI te bouwen
- Analoge AI? Het klinkt gek, maar het zou de toekomst kunnen zijn
- Nvidia's nieuwste A.I. De resultaten bewijzen dat ARM klaar is voor het datacenter
- Nvidia verlaagt de drempel voor toegang tot AI. met Fleet Command en LaunchPad
- Kan A.I. menselijke ingenieurs verslaan bij het ontwerpen van microchips? Google denkt van wel
Upgrade uw levensstijlMet Digital Trends kunnen lezers de snelle technische wereld in de gaten houden met het laatste nieuws, leuke productrecensies, inzichtelijke redactionele artikelen en unieke sneak peeks.
