Tvorba hudby sa tu v roku 2020 čoraz viac digitalizuje, ale niektoré analógové zvukové efekty je stále veľmi ťažké reprodukovať týmto spôsobom. Jedným z týchto efektov je druh škrípajúceho gitarového skreslenia, ktorý obľubujú rockoví bohovia všade. Doteraz bolo takmer nemožné digitálne znovu vytvoriť tieto efekty, ktoré zahŕňajú gitarové zosilňovače.
To sa teraz zmenilo vďaka práci výskumníkov z oddelenia spracovania signálov a akustiky na fínskej univerzite Aalto. Pomocou umelej inteligencie hlbokého učenia (A.I.) vytvorili neurónovú sieť pre gitaru modelovanie skreslenia, ktoré po prvý raz dokáže oklamať poslucháčov naslepo, aby si mysleli, že je to pravé článok. Myslite na to ako na a Turingov test, kľukový až po Spinal Tap v štýle 11.
Odporúčané videá
„Výskumníci v oblasti audiotechniky už desaťročia všeobecne verili, že presná imitácia skresleného zvuku elektrónkových gitarových zosilňovačov je veľmi náročná,“ Profesor Vesa Välimäki povedal Digital Trends. „Jedným z dôvodov je, že skreslenie súvisí s dynamickým nelineárnym správaním, o ktorom je známe, že je ťažké ho simulovať aj teoreticky. Ďalším dôvodom môže byť, že skreslené gitarové zvuky sú v hudbe zvyčajne dosť výrazné, takže sa zdá ťažké skryť nejaké problémy; všetky nepresnosti budú veľmi viditeľné.“
Na trénovanie neurónovej siete na opätovné vytvorenie rôznych skreslených efektov je potrebných len niekoľko minút zvuku nahratého z cieľového zosilňovača. Výskumníci použili „čistý“ zvuk nahraný z elektrickej gitary v an anechoická komoraa potom ho previedol cez zosilňovač. To poskytlo vstup vo forme bezchybného gitarového zvuku a výstup vo forme zodpovedajúceho „cieľového“ výstupu gitarového zosilňovača.
„Tréning sa vykonáva tak, že sa do neurónovej siete napojí krátky segment čistého gitarového zvuku a porovná sa výstup siete s ‚cieľový‘ výstup zosilňovača,“ povedal pre Digital Trends Alec Wright, doktorand zameraný na spracovanie zvuku pomocou hlbokého učenia. „Toto porovnanie sa vykonáva vo funkcii straty, čo je jednoducho rovnica, ktorá vyjadruje, ako ďaleko výstup neurónovej siete je z cieľového výstupu, alebo ako „nesprávna“ predpoveď modelu neurónovej siete bol. Kľúčom je proces nazývaný „gradientný zostup“, kde vypočítate, ako upraviť neurónovú sieť parametre veľmi mierne, takže predpoveď neurónovej siete je o niečo bližšie k cieľovému zosilňovaču výkon. Tento proces sa potom opakuje tisíckrát – alebo niekedy oveľa viac – až kým sa výstup neurónovej siete neprestane zlepšovať.
Môžete si pozrieť ukážku A.I. v akcii na research.spa.aalto.fi/publikácie/papiere/applsci-hlboký/. Papier popisujúci prácu bol nedávno publikované v časopise Applied Sciences.
Odporúčania redaktorov
- Optické ilúzie by nám mohli pomôcť vybudovať ďalšiu generáciu AI
- Analógová A.I.? Znie to šialene, ale môže to byť budúcnosť
- Najnovšie A.I od Nvidie. výsledky dokazujú, že ARM je pripravený na dátové centrum
- Nvidia znižuje bariéru vstupu do A.I. s Fleet Command a LaunchPad
- Môže A.I. poraziť ľudských inžinierov pri navrhovaní mikročipov? Google si to myslí
Zlepšite svoj životný štýlDigitálne trendy pomáhajú čitateľom mať prehľad o rýchlo sa rozvíjajúcom svete technológií so všetkými najnovšími správami, zábavnými recenziami produktov, užitočnými úvodníkmi a jedinečnými ukážkami.
