Crearea muzicii este din ce în ce mai digitalizată aici în 2020, dar unele efecte audio analogice sunt încă foarte greu de reprodus în acest fel. Unul dintre aceste efecte este genul de distorsiune zgomotătoare a chitarei favorizată de zeii rock-ului de pretutindeni. Până acum, aceste efecte, care implică amplificatoare de chitară, au fost aproape imposibil de recreat digital.
Acest lucru s-a schimbat acum datorită muncii cercetătorilor din departamentul de procesare a semnalului și acustică de la Universitatea Aalto din Finlanda. Folosind inteligența artificială de deep learning (A.I.), au creat o rețea neuronală pentru chitară modelare de distorsiune care, pentru prima dată, poate păcăli ascultătorii orb-test, făcându-le să creadă că este adevăratul articol. Gândește-te la asta ca la un Testul Turing, cu manivelă până la un Spinal Tap-style 11.
Videoclipuri recomandate
„De zeci de ani, cercetătorii din domeniul audio cred că imitarea exactă a sunetului distorsionat al amplificatoarelor de chitară cu tub este foarte dificilă.”
Profesorul Vesa Välimäki a spus Digital Trends. „Un motiv este că distorsiunea este legată de comportamentul dinamic neliniar, despre care se știe că este greu de simulat chiar și teoretic. Un alt motiv poate fi faptul că sunetele de chitară distorsionate sunt de obicei destul de proeminente în muzică, așa că pare dificil să ascunzi orice problemă acolo; toate inexactitățile vor fi foarte vizibile.”
Pentru a antrena rețeaua neuronală să recreeze o varietate de efecte de distorsiune, este nevoie doar de câteva minute de înregistrare audio de la amplificatorul țintă. Cercetătorii au folosit audio „curat” înregistrat de la o chitară electrică într-un camera anechoică, apoi a trecut-o printr-un amplificator. Aceasta a furnizat atât o intrare sub forma sunetului de chitară fără pată, cât și o ieșire sub forma ieșirii corespunzătoare a amplificatorului de chitară „țintă”.
„Instruirea se face prin alimentarea rețelei neuronale cu un scurt segment de sunet curat de chitară și comparând ieșirea rețelei cu ieșire „țintă” a amplificatorului”, a declarat Alec Wright, un doctorand concentrat pe procesarea audio folosind învățarea profundă, pentru Digital Trends. „Această comparație se face în „funcția de pierdere”, care este pur și simplu o ecuație care reprezintă cât de departe este Ieșirea rețelei neuronale este de la ieșirea țintă sau cât de „greșită” este predicția modelului rețelei neuronale a fost. Cheia este un proces numit „coborâre în gradient”, în care calculați cum să ajustați rețelele neuronale parametrii foarte ușor, astfel încât predicția rețelei neuronale să fie puțin mai aproape de cea a amplificatorului țintă ieșire. Acest proces se repetă apoi de mii de ori – sau uneori mult mai mult – până când producția rețelei neuronale încetează să se îmbunătățească.”
Puteți consulta o demonstrație a A.I. în acțiune la research.spa.aalto.fi/publicații/articole/aplicațiiadânc/. O lucrare care descrie lucrarea a fost publicat recent în revista Applied Sciences.
Recomandările editorilor
- Iluziile optice ne-ar putea ajuta să construim următoarea generație de IA
- I.A. analogic? Sună nebunesc, dar ar putea fi viitorul
- Cel mai recent Nvidia A.I. rezultatele dovedesc că ARM este pregătit pentru centrul de date
- Nvidia coboară bariera de intrare în A.I. cu Fleet Command și LaunchPad
- Poate A.I. bate inginerii umani la proiectarea microcipurilor? Google crede așa
Îmbunătățește-ți stilul de viațăDigital Trends îi ajută pe cititori să țină cont de lumea rapidă a tehnologiei cu toate cele mai recente știri, recenzii distractive despre produse, editoriale perspicace și anticipări unice.
