máquina de discos
Jukebox es la red neuronal 2020 de OpenAI que genera audio musical sin procesar, completo con voces, instrumentos e incluso letras al estilo de artistas específicos.
Descripción general
It was a landmark proof that AI could model the actual waveform of song-length music, not just notes.
Buceo profundo
Lanzado por OpenAI en abril de 2020, Jukebox genera música como audio sin procesar en lugar de notas simbólicas, lo que significa que produce el sonido real, incluidas las voces. Se basó en aproximadamente 1,2 millones de canciones (aproximadamente la mitad en inglés) extraídas de la web, junto con letras y metadatos de LyricWiki. Puedes condicionarlo a un género, estilo de artista y letra, y cantará de manera reconocible (aunque confusa) como ese artista. Las salidas duran varios minutos. El problema es la velocidad y la fidelidad: la generación fue extremadamente lenta, tardó alrededor de nueve horas en reproducir un solo minuto de audio, y los resultados tienen una calidad amortiguada y ruidosa. Jukebox fue una investigación, no un producto pulido, pero reformó las expectativas de lo que era posible.
Información técnica
Jukebox comprime audio sin procesar utilizando codificadores automáticos VQ-VAE en tres resoluciones de tiempo, convirtiendo una forma de onda larga en una secuencia mucho más corta de códigos discretos. Los transformadores autorregresivos luego predicen estos códigos uno a la vez, condicionados por el artista, el género y la letra, y los upsamplers agregan detalles de alta frecuencia. Decodificar los códigos de nivel inferior a una forma de onda de 44,1 kHz es lo que hace que la generación sea tan lenta, porque se deben producir millones de muestras de audio secuencialmente.
Impacto Estratégico
Access and reach
Mejora la accesibilidad a través de transcripción, narración e interfaces de voz.
Costo y presupuesto
Los equipos de medios pueden enviar audio pulido más rápido con presupuestos más pequeños.
Speed and scale
Los sistemas de cara al cliente pueden procesar interacciones habladas a mayor escala.
El futuro de la máquina de discos
Jukebox en sí es en gran medida un hito histórico ahora, reemplazado por modelos de difusión más rápida y de audio latente como los detrás de Suno y Udio que generan canciones con calidad cercana a un CD en segundos. Sus ideas centrales (tokens de audio discretos y condicionamiento de las letras) siguen vivas en los sistemas modernos. Espere que los futuros modelos de audio sin procesar sigan reduciendo el tiempo de generación, agudicen la claridad vocal y agreguen controles finos, mientras que las preguntas sobre derechos de autor que Jukebox planteó por primera vez sobre la capacitación en grabaciones protegidas por derechos de autor solo se vuelven más fuertes.
Implementación en el mundo real
Investigadores que estudian cómo las redes neuronales pueden modelar audio sin procesar de larga duración y voces cantadas, utilizando Jukebox como arquitectura de referencia.
Músicos y aficionados que generan espeluznantes 'covers de IA' de baja fidelidad que cantan nuevas letras con el estilo tosco de un artista elegido.
Educadores que demuestran el salto de la generación de notas estilo MIDI a la síntesis completa de audio sin formato con voces.
Diseñadores de sonido y artistas experimentales que cosechan las texturas nebulosas y oníricas de Jukebox como materia prima para remezclas y collages.
Riesgos y barandillas
Los riesgos de uso indebido de voz y suplantación de identidad aumentan cuando falta el consentimiento.
La precisión puede disminuir según los acentos, los dialectos o los entornos ruidosos.
El audio sintético puede confundirse con el habla auténtica sin un etiquetado claro.
Hoja de ruta de implementación
Obtenga consentimiento explícito para la captura, clonación y reutilización de voz.
Pruebe la calidad en diversos oradores y condiciones de fondo.
Defina cuándo un humano debe revisar o aprobar los resultados.
Etiquete el audio sintético y mantenga registros de procedencia para la rendición de cuentas.
Sigue explorando
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 Jukebox 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
Siguiente guía
Generación de música simbólica
Preguntas frecuentes
What is Jukebox?
Jukebox es la red neuronal 2020 de OpenAI que genera audio musical sin procesar, completo con voces, instrumentos e incluso letras al estilo de artistas específicos. Fue una prueba histórica de que la IA podía modelar la forma de onda real de la música de una canción, no solo las notas.
¿Qué diferencia a Jukebox de los sistemas anteriores de IA de música simbólica que emitían MIDI?
Jukebox modela el sonido real de la música como audio sin procesar, por lo que puede producir voces y timbres de instrumentos, a diferencia de los sistemas simbólicos que solo generan datos de notas.
¿Quién lanzó Jukebox y aproximadamente cuándo?
OpenAI lanzó Jukebox en abril de 2020 como modelo de investigación para generar música con voces.
¿Cuál fue una limitación práctica importante de Jukebox?
Debido a que decodifica audio sin procesar muestra por muestra, Jukebox tardó alrededor de nueve horas en producir un solo minuto de música, lo que lo hace poco práctico para su uso en tiempo real.
¿Qué técnica central utiliza Jukebox para hacer manejable el audio sin formato largo para sus Transformers?
Jukebox utiliza codificadores automáticos VQ-VAE para comprimir la forma de onda en tokens discretos, que Transformers luego modela de forma autorregresiva antes de volver a muestrear el audio.
¿En qué se puede condicionar la salida de Jukebox?
Jukebox acepta un género, un artista a imitar y una letra, e intentará cantar esas palabras en ese estilo.