У 2020 році створення музики все більше оцифровується, але деякі аналогові аудіоефекти все ще дуже важко відтворити таким чином. Одним із таких ефектів є різновид скрипучого гітарного дисторшна, якому подобаються рок-боги повсюди. Досі ці ефекти, які включають гітарні підсилювачі, було практично неможливо відтворити цифровим способом.
Тепер це змінилося завдяки роботі дослідників із відділу обробки сигналів і акустики фінського університету Аалто. Використовуючи глибоке навчання штучного інтелекту (ШІ), вони створили нейронну мережу для гітари моделювання спотворень, яке вперше може змусити слухачів сліпого тесту подумати, що це справжній стаття. Подумайте про це як про a Тест Тьюрінга, колінчастий аж до Spinal Tap 11.
Рекомендовані відео
«Протягом десятиліть дослідники аудіосистеми вважають, що точна імітація спотвореного звуку лампових гітарних підсилювачів дуже складна», Професор Веса Вялімакі розповів Digital Trends. «Одна з причин полягає в тому, що спотворення пов’язане з динамічною нелінійною поведінкою, яку, як відомо, важко змоделювати навіть теоретично. Іншою причиною може бути те, що спотворені звуки гітари зазвичай помітні в музиці, тому важко приховати будь-які проблеми; всі неточності будуть дуже помітні».
Щоб навчити нейронну мережу відтворювати різні ефекти спотворення, все, що потрібно, це кілька хвилин звуку, записаного з цільового підсилювача. Дослідники використовували «чистий» звук, записаний з електрогітари в безехової камери, а потім пропустив його через підсилювач. Це забезпечило як вхід у вигляді бездоганного звуку гітари, так і вихід у вигляді відповідного «цільового» виходу гітарного підсилювача.
«Навчання здійснюється шляхом подачі нейронній мережі короткого сегмента чистого гітарного аудіо та порівняння вихідних даних мережі з «цільовий» вихід підсилювача», — сказав Digital Trends Алек Райт, докторант, який спеціалізується на обробці аудіо за допомогою глибокого навчання. «Це порівняння виконується за допомогою «функції втрат», яка є просто рівнянням, яке показує, наскільки далеко вихід нейронної мережі залежить від цільового результату або наскільки «неправильний» прогноз моделі нейронної мережі був. Ключовим є процес під назвою «градієнтний спуск», у якому ви обчислюєте, як налаштувати нейронну мережу параметрів дуже незначно, так що передбачення нейронної мережі трохи ближче до цільового підсилювача вихід. Потім цей процес повторюється тисячі разів — а іноді й набагато більше — доки результат нейронної мережі не перестане покращуватися».
Ви можете переглянути демо-версію A.I. в дії на research.spa.aalto.fi/publications/papers/applsci-глибоко/. Папір з описом роботи був нещодавно опублікований у журналі Applied Sciences.
Рекомендації редакції
- Оптичні ілюзії можуть допомогти нам створити наступне покоління ШІ
- Аналоговий ШІ? Це звучить божевільно, але це може бути майбутнє
- Найновіший штучний інтелект Nvidia. результати доводять, що ARM готова до центру обробки даних
- Nvidia знижує бар'єр для входу в A.I. з Fleet Command і LaunchPad
- Чи може А.І. перемогти інженерів-людей у розробці мікрочіпів? Google так вважає
Оновіть свій спосіб життяDigital Trends допомагає читачам стежити за динамічним світом технологій завдяки всім останнім новинам, цікавим оглядам продуктів, проникливим редакційним статтям і унікальним у своєму роді коротким оглядам.
