Musikskapandet digitaliseras allt mer här under 2020, men vissa analoga ljudeffekter är fortfarande mycket svåra att återskapa på detta sätt. En av dessa effekter är den typ av skrikande gitarrförvrängning som gynnas av rockgudar överallt. Hittills har dessa effekter, som involverar gitarrförstärkare, varit näst intill omöjliga att återskapa digitalt.
Det har nu ändrats tack vare arbetet från forskare vid avdelningen för signalbehandling och akustik vid Aalto-universitetet i Finland. Med hjälp av artificiell intelligens (A.I.) har de skapat ett neuralt nätverk för gitarr distorsionsmodellering som för första gången kan lura blindtestlyssnare att tro att det är äkta artikel. Tänk på det som en Turing test, vevat hela vägen upp till en Spınal Tap-stil 11.
Rekommenderade videor
"Det har varit den allmänna övertygelsen bland ljudforskare i decennier att korrekt imitation av det förvrängda ljudet från rörgitarrförstärkare är mycket utmanande." Professor Vesa Välimäki berättade för Digital Trends. "En anledning är att förvrängningen är relaterad till dynamiskt olinjärt beteende, som är känt för att vara svårt att simulera även teoretiskt. En annan anledning kan vara att förvrängda gitarrljud vanligtvis är ganska framträdande i musik, så det verkar svårt att dölja några problem där; alla felaktigheter kommer att märkas mycket."
För att träna det neurala nätverket att återskapa en mängd olika distorsionseffekter behövs bara några minuters ljud inspelat från målförstärkaren. Forskarna använde "rent" ljud inspelat från en elgitarr i ett Ekofritt rum, och sedan körde den genom en förstärkare. Detta gav både en ingång i form av det oklanderliga gitarrljudet och en utgång i form av motsvarande "mål" gitarrförstärkarutgång.
"Träning görs genom att mata det neurala nätverket med ett kort segment av rent gitarrljud och jämföra nätverkets utdata med "mål" förstärkarutgång," Alec Wright, en doktorand fokuserad på ljudbehandling med hjälp av djupinlärning, berättade för Digital Trends. "Denna jämförelse görs i "förlustfunktionen", som helt enkelt är en ekvation som representerar hur långt neurala nätverksutdata är från målutgången, eller hur "fel" den neurala nätverksmodellens förutsägelse var. Nyckeln är en process som kallas "gradient descent", där du beräknar hur du justerar det neurala nätverkets parametrar mycket lite, så att det neurala nätverkets förutsägelse är något närmare målförstärkarens produktion. Denna process upprepas sedan tusentals gånger - eller ibland mycket mer - tills det neurala nätverkets utdata slutar förbättras."
Du kan kolla in en demo av A.I. i aktion på research.spa.aalto.fi/publikationer/tidningar/appsci-djup/. Ett papper som beskrev arbetet var nyligen publicerad i tidskriften Applied Sciences.
Redaktörens rekommendationer
- Optiska illusioner kan hjälpa oss att bygga nästa generations AI
- Analog A.I.? Det låter galet, men det kanske är framtiden
- Nvidias senaste A.I. Resultaten visar att ARM är redo för datacentret
- Nvidia sänker barriären för inträde i A.I. med Fleet Command och LaunchPad
- Kan A.I. slå mänskliga ingenjörer vid design av mikrochips? Google tycker det
Uppgradera din livsstilDigitala trender hjälper läsare att hålla koll på den snabba teknikvärlden med alla de senaste nyheterna, roliga produktrecensioner, insiktsfulla redaktioner och unika smygtittar.
