Ustvarjanje glasbe se leta 2020 tukaj vse bolj digitalizira, vendar je nekatere analogne zvočne učinke še vedno zelo težko reproducirati na ta način. Eden od teh učinkov je nekakšna škripajoča kitarska distorzija, ki jo dajejo prednost bogovi rocka vsepovsod. Do zdaj je bilo te učinke, ki vključujejo kitarske ojačevalce, skoraj nemogoče digitalno poustvariti.
To se je zdaj spremenilo zahvaljujoč delu raziskovalcev na oddelku za obdelavo signalov in akustiko na finski univerzi Aalto. Z uporabo umetne inteligence globokega učenja (A.I.) so ustvarili nevronsko mrežo za kitaro modeliranje popačenja, ki lahko prvič preslepi poslušalce na slepem testu, da mislijo, da je pristen Članek. Pomislite na to kot na Turingov test, zavito vse do Spınal Tap stila 11.
Priporočeni videoposnetki
"Raziskovalci zvoka že desetletja verjamejo, da je natančna imitacija popačenega zvoka cevnih kitarskih ojačevalcev zelo zahtevna," Profesor Vesa Välimäki povedal Digital Trends. »Eden od razlogov je, da je popačenje povezano z dinamičnim nelinearnim obnašanjem, za katerega je znano, da ga je težko simulirati celo teoretično. Drugi razlog je lahko ta, da so popačeni zvoki kitare običajno precej izraziti v glasbi, zato se zdi, da je tam težko skriti kakršne koli težave; vse netočnosti bodo zelo opazne.”
![guitar_amp_in_anechoic_chamber_26-1-2020_photo_mikko_raskinen_006 1](/f/3fe97470411fd22262d30512b17c9ac1.jpg)
Za usposabljanje nevronske mreže za poustvarjanje različnih učinkov popačenja je vse, kar je potrebno, nekaj minut zvoka, posnetega iz ciljnega ojačevalnika. Raziskovalci so uporabili "čist" zvok, posnet z električne kitare v odmevna komorain ga nato spustil skozi ojačevalnik. To je zagotovilo tako vhod v obliki brezhibnega zvoka kitare kot izhod v obliki ustreznega "ciljnega" izhoda kitarskega ojačevalca.
»Usposabljanje poteka tako, da nevronski mreži posredujemo kratek segment čistega zvoka kitare in primerjamo izhod omrežja z 'ciljni' izhod ojačevalnika,« je za Digital Trends povedal Alec Wright, doktorski študent, ki se osredotoča na obdelavo zvoka z uporabo globokega učenja. »Ta primerjava je narejena v 'izgubni funkciji', ki je preprosto enačba, ki predstavlja, kako daleč je izhod nevronske mreže je iz ciljnega izhoda ali, kako "napačna" je napoved modela nevronske mreže je bil. Ključ je proces, imenovan "gradientni spust", kjer izračunate, kako prilagoditi nevronske mreže parametrov zelo malo, tako da je napoved nevronske mreže nekoliko bližje napovedi ciljnega ojačevalnika izhod. Ta proces se nato ponovi tisočkrat - ali včasih veliko več - dokler se rezultat nevronske mreže ne preneha izboljševati."
Lahko si ogledate predstavitev A.I. v akciji na research.spa.aalto.fi/publikacije/prispevki/applsci-globoko/. Prispevek z opisom dela je bil nedavno objavljeno v reviji Applied Sciences.
Priporočila urednikov
- Optične iluzije bi nam lahko pomagale zgraditi naslednjo generacijo umetne inteligence
- Analogni AI? Sliši se noro, a morda je prihodnost
- Nvidijin najnovejši AI rezultati dokazujejo, da je ARM pripravljen za podatkovni center
- Nvidia znižuje oviro za vstop v A.I. s Fleet Command in LaunchPad
- Ali lahko A.I. premagati človeške inženirje pri oblikovanju mikročipov? Google tako misli
Nadgradite svoj življenjski slogDigitalni trendi bralcem pomagajo slediti hitremu svetu tehnologije z vsemi najnovejšimi novicami, zabavnimi ocenami izdelkov, pronicljivimi uvodniki in enkratnimi vpogledi v vsebine.