В 2020 году здесь все больше оцифровывают создание музыки, но некоторые аналоговые аудиоэффекты по-прежнему очень сложно воспроизвести таким способом. Одним из таких эффектов является визгливый гитарный дисторшн, который предпочитают боги рока во всем мире. До сих пор эти эффекты, в которых используются гитарные усилители, было практически невозможно воссоздать в цифровом виде.
Теперь ситуация изменилась благодаря работе исследователей кафедры обработки сигналов и акустики финского университета Аалто. Используя искусственный интеллект (ИИ) с глубоким обучением, они создали нейронную сеть для игры на гитаре. моделирование искажений, которое впервые может обмануть слушателей, проводивших слепое тестирование, заставив их думать, что это подлинный статья. Подумайте об этом как о Тест Тьюринга, провернул вплоть до Spınal Tap 11.
Рекомендуемые видео
«На протяжении десятилетий исследователи аудио были убеждены, что точная имитация искаженного звука ламповых гитарных усилителей является очень сложной задачей»,
Профессор Веса Вялимяки рассказал Digital Trends. «Одна из причин заключается в том, что искажение связано с динамическим нелинейным поведением, которое, как известно, трудно смоделировать даже теоретически. Другая причина может заключаться в том, что искаженные гитарные звуки обычно довольно заметны в музыке, поэтому сложно скрыть какие-либо проблемы; все неточности будут очень заметны».
Чтобы обучить нейронную сеть воссоздавать различные эффекты искажения, все, что нужно, — это несколько минут звука, записанного с целевого усилителя. Исследователи использовали «чистый» звук, записанный с электрогитары, в безэховая камера, а затем пропустил его через усилитель. Это обеспечивало как вход в виде безупречного гитарного звука, так и выход в виде соответствующего «целевого» выхода гитарного усилителя.
«Обучение осуществляется путем подачи в нейронную сеть короткого сегмента чистого гитарного звука и сравнения выходных данных сети с «целевой» выход усилителя», — рассказал Digital Trends Алек Райт, докторант, специализирующийся на обработке звука с использованием глубокого обучения. «Это сравнение выполняется с помощью «функции потерь», которая представляет собой просто уравнение, показывающее, насколько далеко Выходные данные нейронной сети отличаются от целевых выходных данных, или насколько «ошибочно» предсказание модели нейронной сети был. Ключом является процесс под названием «градиентный спуск», в ходе которого вы рассчитываете, как настроить нейронную сеть. параметров очень незначительно, так что прогноз нейронной сети немного ближе к целевому усилителю. выход. Затем этот процесс повторяется тысячи раз — а иногда и гораздо больше — до тех пор, пока результаты нейронной сети не перестанут улучшаться».
Вы можете посмотреть демо-версию A.I. в действии на сайте Research.spa.aalto.fi/публикации/статьи/прикладные наукиглубокий/. Был документ с описанием работы. недавно опубликовано в журнале Applied Sciences.
Рекомендации редакции
- Оптические иллюзии могут помочь нам создать ИИ следующего поколения
- Аналоговый ИИ? Это звучит безумно, но это может быть будущее
- Новейший ИИ от Nvidia. Результаты доказывают, что ARM готова к использованию в центрах обработки данных
- Nvidia снижает барьер для входа в сферу искусственного интеллекта. с Fleet Command и LaunchPad
- Может ли А.И. превзойти инженеров-людей в разработке микрочипов? Гугл так думает
Обновите свой образ жизниDigital Trends помогает читателям быть в курсе быстро меняющегося мира технологий благодаря всем последним новостям, забавным обзорам продуктов, содержательным редакционным статьям и уникальным кратким обзорам.
