የድምጽ AI መመሪያ

አውቶማቲክ የሙዚቃ ቅጂ

አውቶማቲክ ሙዚቃ ግልባጭ (AMT) የሙዚቃ ጥሬ የድምጽ ቅጂን ወደ ተምሳሌታዊ ማስታወሻ ይለውጠዋል እንደ ሉህ ሙዚቃ፣ MIDI ወይም ፒያኖ ጥቅል።

2 ሚን አንብብለመጨረሻ ጊዜ የዘመነው

አጠቃላይ እይታ

It tackles one of the hardest problems in audio AI: untangling many overlapping notes played at once.

ጥልቅ ዳይቭ

የኤኤምቲ ሲስተሞች የኦዲዮ ሞገድ ቅርፅን ያዳምጣሉ እና የትኞቹ ማስታወሻዎች እንደሚጫወቱ ፣ ሲጀምሩ ፣ ለምን ያህል ጊዜ እንደሚቆዩ እና አንዳንድ ጊዜ የትኛው መሣሪያ እንደሚጫወት ያወጣል። ዋናው ፈተና ፖሊፎኒ ነው፡ ብዙ ማስታወሻዎች በአንድ ጊዜ ሲሰሙ፣ ሃርሞኒክስ ይደራረባል እና በድግግሞሽ ስፔክትረም ውስጥ ይደበዝዛል፣ ስለዚህ አንድ ሲ እና ጂ ከአንድ ከፍተኛ ድምጽ ለመለየት ከባድ ይሆናል። ዘመናዊ ሲስተሞች ኦዲዮን ወደ ጊዜ-ድግግሞሽ ውክልና ይለውጣሉ እንደ mel-spectrogram ወይም Constant-Q Transform፣ ከዚያም የማስታወሻ ጅምርን፣ ማካካሻዎችን እና ጫጫታዎችን ለመተንበይ ጥልቅ የነርቭ መረቦችን ይጠቀሙ። የGoogle የመጀመሪያ እና ፍሬም ሞዴል ለፒያኖ ግልባጭ መለያ ምልክት ሲሆን እንደ MT3 ያሉ አዳዲስ ትራንስፎርመር ሞዴሎች በአንድ ጊዜ ብዙ መሳሪያዎችን ይገለበጣሉ።

ቴክኒካዊ ግንዛቤ

ዋናው ግንዛቤ የጅማሬን ፈልጎ ማግኘትን ከክፈፍ-ደረጃ ዝፍት ማወቂያ መለየት ነው። እንደ ኦንሴቶች እና ክፈፎች ያሉ ሞዴሎች ማስታወሻ የሚጀምርበትን ትክክለኛ ቅጽበት (ስለታም ኃይለኛ ክስተት) እና ሌላው በእያንዳንዱ ፍሬም ውስጥ የትኞቹ ድምፆች እንደሚሰሙ ለመከታተል አንድ የአውታረ መረብ ራስ ይጠቀማሉ። የመነሻ ትንበያዎች ከዚያም የፍሬም ውጤቶቹን በሮች ይከፍቱታል, በአስገራሚ ሁኔታ አስመሳይ ማስታወሻዎችን ይቀንሳል. የኮንስታንት-ኪው ትራንስፎርም ይረዳል ምክንያቱም ፍሪኩዌንሲንግ ቢን ሎጋሪዝምን ስለሚያስቀምጠው፣የሙዚቃ ቃናዎች በ octave ልዩነት እንዴት እንደሚካፈሉ በማዛመድ።

ስልታዊ ተጽእኖ

መድረስ እና መድረስ

በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል።

ወጪ እና በጀት

የሚዲያ ቡድኖች በትንሽ በጀቶች የተጣራ ድምጽ በፍጥነት መላክ ይችላሉ።

ፍጥነት እና ልኬት

ከደንበኛ ጋር የሚገናኙ ስርዓቶች የንግግር ግንኙነቶችን በትልቁ ደረጃ ማካሄድ ይችላሉ።

የወደፊት ራስ-ሰር ሙዚቃ ግልባጭ

ኤኤምቲ ከበሮ፣ ድምጾች እና እንደ መታጠፊያ እና ቪራቶ ያሉ ገላጭ ቴክኒኮችን ጨምሮ ከሶሎ ፒያኖ ወደ አስተማማኝ ባለብዙ-መሳሪያ እና ሙሉ ባንድ ወደ ጽሑፍ ጽሁፍ እየገሰገመ ነው። በትላልቅ ሰው ሰራሽ እና የተጣጣሙ የመረጃ ስብስቦች ላይ የሰለጠኑ የትራንስፎርመር አርክቴክቸር ክፍተቱን እየዘጉ ነው። ከምንጭ መለያየት፣ ለቀጥታ አፈጻጸም የእውነተኛ ጊዜ ግልባጭ፣ እና ማስታወሻዎችን ብቻ ሳይሆን ጥቃቅን ጊዜ እና ተለዋዋጭ ሁኔታዎችን ከሚይዙ መሳሪያዎች ጋር ጥብቅ ውህደትን ይጠብቁ። የረዥም ጊዜ ግብ ማንኛውንም ቀረጻ ወደ አርታኢ፣ ሰው ሊነበብ የሚችል ነጥብ የሚቀይር ሥርዓት ነው።

የእውነተኛ-ዓለም አተገባበር

AnthemScore እና ተመሳሳይ መተግበሪያዎች ለሙዚቀኞች ዘፈኖችን በጆሮ ለሚማሩ የኤምፒ3 ቅጂዎችን ወደ አርትዕ ወደሚችል የሉህ ሙዚቃ የሚቀይሩ

MIDI ከፒያኖ ቀረጻ በማውጣት አንድ ፕሮዲዩሰር ድጋሚ ድምጽ መስጠት ወይም አፈፃፀሙን በDAW ውስጥ መለካት።

የተማሪውን የተጫወተ ማስታወሻ ከውጤቱ ጋር የሚያወዳድሩ የሙዚቃ ትምህርት መሳሪያዎች የተሳሳተ ወይም ያመለጡ ማስታወሻዎችን ለመጠቆም

ሙዚቀኞች ታሪካዊ ወይም የተሻሻሉ ቅጂዎችን (እንደ ጃዝ ሶሎስ ያሉ) ለመተንተን ወደ ማስታወሻ ይገለበጣሉ

አደጋዎች እና የጥበቃ መንገዶች

ስምምነት ሲጠፋ የድምፅ አላግባብ መጠቀም እና የማስመሰል አደጋዎች ይጨምራሉ።

ትክክለኛነት በአነጋገር ዘዬዎች፣ ቀበሌኛዎች ወይም ጫጫታ አካባቢዎች ላይ ሊወድቅ ይችላል።

ሰራሽ ኦዲዮ ግልጽ ምልክት ሳይደረግበት ለትክክለኛ ንግግር ሊሳሳት ይችላል።

የትግበራ ፍኖተ ካርታ

1

ለድምጽ ቀረጻ፣ ክሎኒንግ እና እንደገና ጥቅም ላይ ለማዋል ግልጽ የሆነ ፈቃድ ያግኙ።

2

በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።

3

አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።

4

ሰው ሰራሽ ኦዲዮን ይሰይሙ እና ለተጠያቂነት የፕሮቨንስ መዝገቦችን ያስቀምጡ።

ማሰስዎን ይቀጥሉ

ድምጽ AI

የንግግር ስርዓቶች ቋንቋን እንዴት እንደሚያውቁ እና እንደሚያመነጩ ይወቁ።

መመሪያ ያንብቡ

AI ሙዚቃ

ዘመናዊ የሙዚቃ-ትውልድ መሳሪያዎችን እና ገደቦችን ይረዱ።

መመሪያ ያንብቡ

Free newsletter

Get the daily AI briefing

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the Automatic Music Transcription quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

ተምሳሌታዊ የሙዚቃ ትውልድ

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Automatic Music Transcription?

አውቶማቲክ ሙዚቃ ግልባጭ (AMT) የሙዚቃ ጥሬ የድምጽ ቅጂን ወደ ተምሳሌታዊ ማስታወሻ ይለውጠዋል እንደ ሉህ ሙዚቃ፣ MIDI ወይም ፒያኖ ጥቅል። በድምጽ AI ውስጥ ካሉት በጣም ከባድ ችግሮች አንዱን ይፈታል፡ ብዙ ተደራራቢ ማስታወሻዎችን በአንድ ጊዜ መፍታት።

አውቶማቲክ ሙዚቃ ቅጂ በዋነኛነት የሚያወጣው ምንድን ነው?

AMT የድምጽ ቀረጻን ወደ ተምሳሌታዊ ማስታወሻ ይለውጠዋል እንደ MIDI፣ የፒያኖ ጥቅል ወይም የሉህ ሙዚቃ የተጫወቱትን ማስታወሻዎች የሚገልጽ።

ፖሊፎኒክ ሙዚቃ በተለይ ወደ ጽሑፍ መገልበጥ የሚከብደው ለምንድነው?

ብዙ ማስታወሻዎች በአንድ ጊዜ ሲሰሙ ሃርሞኒክስ ሲደራረቡ፣ የትኞቹ ነጠላ ቃላቶች እንዳሉ ለመለየት አስቸጋሪ ያደርገዋል።

ስለGoogle ጅምር እና ክፈፎች ሞዴል ምን ታዋቂ ነበር?

ጅማሬዎች እና ክፈፎች ትክክለኛውን የማስታወሻ ጅምር ለመለየት አንድ ጭንቅላትን እና ሌላውን ለቀጣይ ፒች ተጠቅመዋል፣ በጅማሬዎች የፍሬም ውፅዓትን ይከፍታል።

ለምን Constant-Q Transform ለሙዚቃ ጠቃሚ የሆነው?

የሙዚቃ ቃናዎች በሎጋሪዝም (ኦክታቭስ በድግግሞሽ እጥፍ) ይከፋፈላሉ፣ እና የCQT ሎግ-ስፔስ ቢኖች ከዚህ ጋር በተፈጥሮ ይጣጣማሉ።

በግልባጭ ውስጥ 'ጅማሬ' ምንን ያመለክታል?

ጅምር ማስታወሻው የሚጀምርበት ስለታም ሃይለኛ ቅጽበት ነው፣ ይህም ከማቆየት ይልቅ በትክክል ለመተርጎም ቀላል ነው።

ተዛማጅ መመሪያዎች