DDSP التوليف الصوتي المتنوع
يقوم DDSP (معالجة الإشارات الرقمية التفاضلية) بدمج العناصر الأساسية للمركب الكلاسيكي مع الشبكات العصبية، بحيث يمكن للتعلم العميق التحكم في المذبذبات والمرشحات مباشرة.
نظرة عامة
It produces strikingly natural, controllable instrument sounds with tiny models and little data.
الغوص العميق
DDSP، الذي قدمه فريق Magenta التابع لـ Google في عام 2020، يعيد التفكير في توليد الصوت العصبي. بدلاً من شبكة تتنبأ بعينات الصوت الخام واحدة تلو الأخرى (مثل WaveNet) أو بكسلات مخطط الطيف، فإن DDSP يجعل مكونات DSP التقليدية - مذبذب متناغم مضاف، ومولد ضوضاء مفلتر، وتردد الصدى - قابلة للتمييز. وهذا يعني أن التدرجات يمكن أن تتدفق من خلالها أثناء التدريب، لذلك تتعلم شبكة عصبية صغيرة إخراج إشارات تحكم قابلة للتفسير: درجة الصوت الأساسية، وارتفاع الصوت الإجمالي، ومدى عشرات التوافقيات مع مرور الوقت. يقوم المُركِّب بعد ذلك بعرض الصوت الفعلي من عناصر التحكم هذه. نظرًا لأن فيزياء الصوت مدمجة في البنية بدلاً من تعلمها من الصفر، فإن DDSP يحقق جودة عالية مع عدد أقل بكثير من المعلمات وأمثلة التدريب، ويتيح للمستخدمين التعامل بشكل مستقل مع طبقة الصوت والجهارة والجرس - حتى إجراء نقل الجرس، مثل تشغيل صوت غنائي على آلة الكمان.
البصيرة الفنية
الجوهر عبارة عن مركب نمذجة طيفية: يولد بنك المذبذب التوافقي مجموعًا من الموجات الجيبية بمضاعفات صحيحة للتردد الأساسي، بينما يقوم مسار منفصل بتصفية الضوضاء البيضاء من أجل التنفس والأنسجة غير المتناغمة. لا تقوم الشبكة العصبية بإخراج الصوت بشكل مباشر أبدًا، بل تقوم بإخراج معلمات تحكم متغيرة بمرور الوقت (f0، جهارة الصوت، التوزيع التوافقي، معاملات التصفية). يستخدم التدريب خسارة طيفية متعددة النطاقات لمقارنة الصوت المولد والمستهدف عبر العديد من أحجام نوافذ التحويل السريع (FFT)، وهو قوي بالنسبة لاختلافات الطور.
التأثير الاستراتيجي
الوصول والوصول
يعمل على تحسين إمكانية الوصول من خلال واجهات النسخ والسرد والصوت.
التكلفة والميزانية
يمكن للفرق الإعلامية شحن الصوت المصقول بشكل أسرع بميزانيات أصغر.
السرعة والحجم
يمكن للأنظمة التي تواجه العملاء معالجة التفاعلات المنطوقة على نطاق أوسع.
مستقبل التوليف الصوتي المتنوع DDSP
يعمل DDSP على دفع أدوات عصبية وتأثيرات صوتية منخفضة الكمون في الوقت الفعلي والتي تعمل على أجهزة متواضعة، بما في ذلك المتصفح والأجهزة المدمجة. إن عناصر التحكم القابلة للتفسير تجعلها مثالية لأدوات الأداء التعبيرية وأجهزة المزج الهجين حيث يقوم الموسيقيون بطلب الجرس مباشرة. يقوم الباحثون بتوسيع فكرة DSP القابلة للتمييز لتشمل النمذجة المادية، وصوتيات الغرفة، وسلاسل إنتاج الصوت الكاملة، ومزج إمكانية التحكم في معالجة الإشارات الكلاسيكية مع واقعية التعلم العميق عبر إنشاء الموسيقى وتصميم الصوت.
التنفيذ في العالم الحقيقي
أدوات نقل الصوت التي تأخذ اللحن الطنان أو المغنى وتعيد عرضه على هيئة كمان أو فلوت أو بوق في الوقت الفعلي.
مكونات إضافية للمركب العصبي خفيفة الوزن يتحكم فيها الموسيقيون من خلال مقابض درجة الصوت وارتفاع الصوت والسطوع.
تصحيح طبقة الصوت وإعادة التركيب التعبيري للأدوات المسجلة مع الحفاظ على التفاصيل التوافقية الطبيعية.
العروض التوضيحية للموسيقى التفاعلية القائمة على المتصفح والتي تولد أصواتًا واقعية للآلات بدون نماذج GPU الثقيلة.
المخاطر والدرابزين
تزداد مخاطر إساءة استخدام الصوت وانتحال الشخصية عند فقدان الموافقة.
يمكن أن تنخفض الدقة عبر اللهجات أو اللهجات أو البيئات الصاخبة.
يمكن الخلط بين الصوت الاصطناعي والكلام الأصيل دون تصنيف واضح.
خارطة طريق التنفيذ
الحصول على موافقة صريحة لالتقاط الصوت واستنساخه وإعادة استخدامه.
اختبار الجودة عبر مكبرات الصوت المتنوعة وظروف الخلفية.
تحديد متى يجب على الإنسان مراجعة المخرجات أو الموافقة عليها.
قم بتسمية الصوت الاصطناعي واحتفظ بسجلات المصدر للمساءلة.
استمر في الاستكشاف
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 DDSP Differentiable Audio Synthesis quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
AudioGen تركيب النص إلى الصوت
الأسئلة المتداولة
What is DDSP Differentiable Audio Synthesis?
يقوم DDSP (معالجة الإشارات الرقمية التفاضلية) بدمج العناصر الأساسية للمركب الكلاسيكي مع الشبكات العصبية، بحيث يمكن للتعلم العميق التحكم في المذبذبات والمرشحات مباشرة. إنها تنتج أصواتًا طبيعية بشكل لافت للنظر ويمكن التحكم فيها باستخدام نماذج صغيرة وبيانات قليلة.
ما هو الابتكار الرئيسي وراء DDSP؟
يقوم DDSP بتحويل وحدات بناء المُركب التقليدية إلى وحدات قابلة للتمييز، مما يسمح للشبكة العصبية بتعلم التحكم فيها عبر الانتشار العكسي.
في DDSP، ما الذي تنتجه الشبكة العصبية فعليًا؟
تتنبأ الشبكة بمعلمات التحكم المتغيرة بمرور الوقت، ويقوم مركب منفصل قابل للتمييز بإصدار الصوت منها - ولا يقوم أبدًا بإخراج العينات مباشرة.
ما المكونات الأساسية لتوليد الصوت التي يجمعها المُركِّب الطيفي لـ DDSP؟
ينتج المذبذب التوافقي الإضافي الجزء التوافقي النغمي بينما تضيف الضوضاء المفلترة نفسًا وملمسًا غير متناغم.
لماذا يمكن لـ DDSP تحقيق جودة عالية باستخدام نماذج صغيرة نسبيًا وبيانات قليلة؟
نظرًا لأن بنية معالجة الإشارات المعروفة تم بناؤها بدلاً من تعلمها من الصفر، فإن الشبكة لديها القليل لتتعلمه، مما يؤدي إلى تحسين كفاءة البيانات والمعلمات.
ما هي وظيفة الخسارة التي يستخدمها DDSP لمقارنة الصوت المُولد والمستهدف بقوة؟
تعد مقارنة المخططات الطيفية ذات الحجم بدقة متعددة أمرًا قويًا لاختلافات الطور، والتي تعاني منها الخسائر على مستوى العينة.