Müzik yapımı 2020'de giderek dijitalleşiyor ancak bazı analog ses efektlerinin bu şekilde yeniden üretilmesi hala çok zor. Bu efektlerden biri, her yerdeki rock tanrılarının tercih ettiği gitarın tiz distorsiyonudur. Şimdiye kadar gitar amplifikatörlerini içeren bu efektlerin dijital olarak yeniden yaratılması neredeyse imkansızdı.
Finlandiya Aalto Üniversitesi'nin sinyal işleme ve akustik bölümündeki araştırmacıların çalışmaları sayesinde bu durum artık değişti. Derin öğrenme yapay zekasını (A.I.) kullanarak gitar için bir sinir ağı oluşturdular ilk kez kör test dinleyicilerini bunun gerçek olduğunu düşünmeleri için kandırabilen distorsiyon modellemesi madde. Şöyle düşün Turing Testi, kranklanmış Spinal Tap tarzına kadar 11.
Önerilen Videolar
"On yıllardır ses araştırmacılarının genel inancı, tüplü gitar amplifikatörlerinin bozuk sesinin doğru şekilde taklit edilmesinin çok zor olduğudur." Profesör Vesa Välimäki Digital Trends'e anlattı. "Bunun bir nedeni, distorsiyonun teorik olarak bile simüle edilmesinin zor olduğu bilinen dinamik doğrusal olmayan davranışla ilgili olmasıdır. Bir başka neden de, müzikte bozuk gitar seslerinin genellikle oldukça belirgin olması olabilir, dolayısıyla oradaki herhangi bir sorunu gizlemek zor görünebilir; tüm yanlışlıklar çok dikkat çekici olacaktır.
![gitar_amp_in_anechoic_chamber_26-1-2020_photo_mikko_raskinen_006 1](/f/3fe97470411fd22262d30512b17c9ac1.jpg)
Sinir ağını çeşitli distorsiyon efektlerini yeniden yaratacak şekilde eğitmek için gereken tek şey, hedef amplifikatörden kaydedilen birkaç dakikalık sestir. Araştırmacılar bir elektro gitardan kaydedilen “temiz” sesi yankısız odave sonra onu bir amplifikatörden geçirdim. Bu, hem kusursuz gitar sesi biçiminde bir giriş hem de karşılık gelen "hedef" gitar amplifikatörü çıkışı biçiminde bir çıktı sağladı.
"Eğitim, sinir ağına kısa bir temiz gitar sesi segmenti besleyerek ve ağın çıktısını gitar sesiyle karşılaştırarak yapılır. Derin öğrenmeyi kullanarak ses işlemeye odaklanan doktora öğrencisi Alec Wright, Digital Trends'e "Hedef amplifikatör çıkışı" dedi. "Bu karşılaştırma 'kayıp fonksiyonunda' yapılıyor ki bu sadece kaybın ne kadar uzak olduğunu temsil eden bir denklem. Sinir ağı çıktısının hedef çıktıdan kaynaklandığı veya sinir ağı modelinin tahmininin ne kadar 'yanlış' olduğu öyleydi. Anahtar, sinir ağının ayarını nasıl ayarlayacağınızı hesapladığınız 'gradyan iniş' adı verilen bir süreçtir. sinir ağının tahmininin hedef amplifikatörün tahminine biraz daha yakın olması için parametreler çok az çıktı. Bu süreç daha sonra sinir ağının çıktısının iyileşmesi durana kadar binlerce kez (bazen çok daha fazla) tekrarlanır."
A.I.'nin demosuna göz atabilirsiniz. Research.spa.aalto.fi/ adresinde faaliyetteyayınlar/makaleler/uygulamalarderin/. Çalışmayı anlatan bir makale vardı yakın zamanda Uygulamalı Bilimler dergisinde yayınlandı.
Editörlerin Önerileri
- Optik illüzyonlar yeni nesil yapay zekayı oluşturmamıza yardımcı olabilir
- Analog yapay zeka mı? Çılgınca gelebilir ama gelecek olabilir
- Nvidia'nın en yeni yapay zekası. sonuçlar ARM'ın veri merkezi için hazır olduğunu kanıtlıyor
- Nvidia, yapay zekaya giriş engelini azaltıyor Filo Komutanlığı ve LaunchPad ile
- A.I. Mikroçip tasarlamada insan mühendisleri yenebilir misiniz? Google öyle düşünüyor
Yaşam tarzınızı yükseltinDigital Trends, en son haberler, eğlenceli ürün incelemeleri, anlayışlı başyazılar ve türünün tek örneği olan ön bakışlarla okuyucuların teknolojinin hızlı tempolu dünyasını takip etmelerine yardımcı olur.