Музицирање се овде све више дигитализује 2020. године, али је неке аналогне аудио ефекте и даље веома тешко репродуковати на овај начин. Један од тих ефеката је врста шкрипаве гитарске дисторзије коју фаворизују богови рок свуда. До сада, ове ефекте, који укључују гитарска појачала, било је скоро немогуће поново креирати дигитално.
То се сада променило захваљујући раду истраживача на одељењу за обраду сигнала и акустику на финском универзитету Аалто. Користећи вештачку интелигенцију дубоког учења (АИ), створили су неуронску мрежу за гитару моделирање изобличења које, по први пут, може преварити слушаоце који тестирају на слепо да помисле да је то право чланак. Замислите то као а Тјурингов тест, радилица све до Спинал Тап стила 11.
Препоручени видео снимци
"Опште је уверење аудио истраживача деценијама да је тачна имитација изобличеног звука цевних гитарских појачала веома изазовна", Професор Веса Валимаки рекао је за Дигитал Трендс. „Један од разлога је тај што је изобличење повезано са динамичким нелинеарним понашањем, за које је познато да је тешко симулирати чак и теоретски. Други разлог може бити тај што су изобличени звуци гитаре обично прилично истакнути у музици, па се чини да је тешко сакрити било какве проблеме тамо; све нетачности ће бити веома уочљиве.”
Да бисте обучили неуронску мрежу да поново креира различите ефекте изобличења, све што је потребно је неколико минута звука снимљеног са циљног појачала. Истраживачи су користили "чист" звук снимљен са електричне гитаре у анехогена комора, а затим га протерао кроз појачало. Ово је обезбедило и улаз у облику беспрекорног гитарског звука, и излаз у облику одговарајућег "циљног" излаза гитарског појачала.
„Обука се врши тако што се неуронској мрежи даје кратки сегмент чистог гитарског звука и упоређује излаз мреже са „циљани“ излаз појачала“, рекао је за Дигитал Трендс Алек Рајт, студент докторских студија фокусиран на аудио обраду помоћу дубоког учења. „Ово поређење је урађено у 'функцији губитка', која је једноставно једначина која представља колико је далеко излаз неуронске мреже је из циљног излаза, или, колико је „погрешно“ предвиђање модела неуронске мреже био. Кључ је процес који се зове 'градијентни спуштање', где израчунавате како да прилагодите неуронску мрежу параметара врло мало, тако да је предвиђање неуронске мреже нешто ближе циљаном појачавачу излаз. Овај процес се затим понавља хиљадама пута - или понекад много више - све док излаз неуронске мреже не престане да се побољшава."
Можете погледати демо А.И. у акцији на ресеарцх.спа.аалто.фи/публикације/радови/апплсци-дубоко/. Рад који описује рад је био недавно објављен у часопису Апплиед Сциенцес.
Препоруке уредника
- Оптичке илузије би нам могле помоћи да изградимо следећу генерацију вештачке интелигенције
- Аналогни А.И.? Звучи лудо, али то би могла бити будућност
- Нвидијин најновији А.И. резултати доказују да је АРМ спреман за дата центар
- Нвидиа смањује баријеру за улазак у А.И. са командом флоте и ЛаунцхПад-ом
- Може ли А.И. победио људске инжењере у дизајнирању микрочипова? Гугл тако мисли
Надоградите свој животни стилДигитални трендови помажу читаоцима да прате убрзани свет технологије са свим најновијим вестима, забавним рецензијама производа, проницљивим уводницима и јединственим кратким прегледима.
