रिफ्यूजन स्पेक्ट्रोग्राम डिफ्यूजन
रिफ़्यूज़न एक चतुर हैक है जो ध्वनि को एक चित्र के रूप में मानकर संगीत उत्पन्न करता है: यह स्पेक्ट्रोग्राम को चित्रित करने के लिए स्थिर डिफ्यूज़न छवि मॉडल को ठीक करता है, फिर उन छवियों को वापस ऑडियो में परिवर्तित करता है।
सिंहावलोकन
It matters because it shows a tool built for one medium (images) can produce another (music) with almost no new architecture.
गहरा गोता
सेठ फोर्सग्रेन और हेक मार्टिरोस द्वारा 2022 के अंत में रिलीज़ किया गया रिफ़्यूज़न, एक हॉबी प्रोजेक्ट के रूप में शुरू हुआ। मुख्य चाल: स्पेक्ट्रोग्राम एक 2डी छवि है जहां क्षैतिज अक्ष समय है, ऊर्ध्वाधर अक्ष आवृत्ति है, और पिक्सेल चमक प्रबलता है। चूंकि स्टेबल डिफ्यूजन पहले से ही टेक्स्ट प्रॉम्प्ट से छवियां उत्पन्न करता है, इसलिए रचनाकारों ने इसे हजारों युग्मित स्पेक्ट्रोग्राम-टेक्स्ट उदाहरणों पर ठीक से ट्यून किया है। इसे 'फंकी जैज़ बास' के साथ प्रेरित करें और यह उस ध्वनि के स्पेक्ट्रोग्राम में यादृच्छिक शोर को दर्शाता है। बजाने योग्य ऑडियो बनाने के लिए, रिफ़्यूज़न ग्रिफ़िन-लिम एल्गोरिदम के माध्यम से स्पेक्ट्रोग्राम चलाता है जो लापता चरण की जानकारी का पुनर्निर्माण करता है। चूँकि प्रसार संकेतों के बीच आसानी से अंतर्वेशित हो सकता है, रिफ़्यूज़न एक सतत क्लिप पर निर्बाध रूप से लूपिंग करते हुए एक शैली को दूसरे में रूपांतरित भी कर सकता है।
तकनीकी अंतर्दृष्टि
रिफ़्यूज़न अव्यक्त प्रसार पाइपलाइन को अपरिवर्तित पुन: उपयोग करता है: एक यू-नेट पुनरावृत्त रूप से सीएलआईपी टेक्स्ट एम्बेडिंग पर वातानुकूलित एक अव्यक्त छवि से गॉसियन शोर को हटा देता है। एकमात्र डोमेन-विशिष्ट कार्य स्पेक्ट्रोग्राम प्रतिनिधित्व (मेल-स्केल, लॉग पावर) और ग्रिफिन-लिम चरण पुनर्निर्माण है जो अनुमानित परिमाण स्पेक्ट्रोग्राम को तरंग रूप में बदल देता है। एन्कोडिंग के दौरान चरण को छोड़ दिया जाता है, इसलिए ग्रिफिन-लिम का पुनरावृत्त अनुमान विशिष्ट 'पानीदार' कलाकृतियों का मुख्य स्रोत है।
सामरिक प्रभाव
पहुंच और पहुंच
यह प्रतिलेखन, कथन और ध्वनि इंटरफेस के माध्यम से पहुंच में सुधार करता है।
लागत और बजट
मीडिया टीमें छोटे बजट में बेहतर ऑडियो तेजी से भेज सकती हैं।
गति और पैमाना
ग्राहक-सामना करने वाली प्रणालियाँ बड़े पैमाने पर बोली जाने वाली बातचीत को संसाधित कर सकती हैं।
रिफ्यूजन स्पेक्ट्रोग्राम डिफ्यूजन का भविष्य
रिफ़्यूज़न ने साबित कर दिया कि स्पेक्ट्रोग्राम-एज़-इमेज ब्रिज काम करता है, और यह विचार अब बड़े ऑडियो सिस्टम के अंदर रहता है और कंपनी रिफ़्यूज़न बन गई। स्वच्छ चरण के लिए हानिपूर्ण ग्रिफिन-लिम को सीखे गए तंत्रिका वोकोडर्स के साथ बदलने और अव्यक्त ऑडियो कोडेक्स के साथ स्पेक्ट्रोग्राम प्रसार को संयोजित करने के लिए भविष्य के उपकरणों की अपेक्षा करें। व्यापक सबक, कि छवि मॉडल को नए तौर-तरीकों पर पुनर्निर्देशित किया जा सकता है, यह प्रभावित करना जारी रखता है कि शोधकर्ता मौजूदा पूर्व-प्रशिक्षित बैकबोन से ऑडियो और वीडियो जनरेटर को कैसे बूट करते हैं।
वास्तविक विश्व कार्यान्वयन
'टेंस सिंथवेव चेज़' जैसे टेक्स्ट प्रॉम्प्ट से इंडी वीडियो गेम के लिए छोटे लूपिंग बैकग्राउंड ट्रैक तैयार करना
दो संगीत शैलियों के बीच सुचारू रूप से रूपांतरित होना, उदा. एक ही क्लिप में 'ट्रॉपिकल हाउस' को 'लो-फाई हिप हॉप' में मिश्रित करना
बिना लाइसेंस शुल्क के YouTube वीडियो और पॉडकास्ट के लिए रॉयल्टी-मुक्त परिवेश संगीत बेड का उत्पादन
मधुर या लयबद्ध विचारों का प्रोटोटाइप बनाना जिसे एक संगीतकार फिर डिजिटल ऑडियो वर्कस्टेशन में ठीक से रिकॉर्ड करता है
जोखिम और रेलिंग
सहमति के अभाव में आवाज के दुरुपयोग और प्रतिरूपण के जोखिम बढ़ जाते हैं।
उच्चारण, बोलियों या शोर भरे वातावरण में सटीकता कम हो सकती है।
स्पष्ट लेबलिंग के बिना सिंथेटिक ऑडियो को प्रामाणिक भाषण समझने की भूल की जा सकती है।
कार्यान्वयन रोडमैप
वॉयस कैप्चर, क्लोनिंग और पुन: उपयोग के लिए स्पष्ट सहमति प्राप्त करें।
विभिन्न वक्ताओं और पृष्ठभूमि स्थितियों में गुणवत्ता का परीक्षण करें।
परिभाषित करें कि किसी इंसान को आउटपुट की समीक्षा या अनुमोदन कब करना चाहिए।
जवाबदेही के लिए सिंथेटिक ऑडियो को लेबल करें और उद्गम रिकॉर्ड रखें।
अन्वेषण करते रहें
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 Riffusion Spectrogram Diffusion 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
अगली गाइड
डिफ़वेव डिफ्यूज़न वोकोडर
अक्सर पूछे जाने वाले प्रश्नों
What is Riffusion Spectrogram Diffusion?
रिफ़्यूज़न एक चतुर हैक है जो ध्वनि को एक चित्र के रूप में मानकर संगीत उत्पन्न करता है: यह स्पेक्ट्रोग्राम को चित्रित करने के लिए स्थिर डिफ्यूज़न छवि मॉडल को ठीक करता है, फिर उन छवियों को वापस ऑडियो में परिवर्तित करता है। यह मायने रखता है क्योंकि यह दिखाता है कि एक माध्यम (छवियों) के लिए बनाया गया उपकरण लगभग बिना किसी नए आर्किटेक्चर के दूसरे (संगीत) का निर्माण कर सकता है।
संगीत उत्पन्न करने के लिए रिफ़्यूज़न ने किस मौजूदा एआई मॉडल को ठीक किया?
रिफ़्यूज़न ने स्पेक्ट्रोग्राम छवियों को उत्पन्न करने के लिए स्टेबल डिफ्यूज़न, एक छवि प्रसार मॉडल को ठीक किया, जिसे बाद में ऑडियो में परिवर्तित किया गया।
एक स्पेक्ट्रोग्राम अपने दो अक्षों पर क्या दर्शाता है?
स्पेक्ट्रोग्राम में क्षैतिज अक्ष समय है, ऊर्ध्वाधर अक्ष आवृत्ति है, और चमक प्रबलता का प्रतिनिधित्व करती है।
रिफ्यूजन को ग्रिफिन-लिम जैसे एल्गोरिदम की आवश्यकता क्यों है?
स्पेक्ट्रोग्राम परिमाण को संग्रहीत करता है लेकिन चरण को त्याग देता है, इसलिए ग्रिफिन-लिम एक बजाने योग्य तरंग के पुनर्निर्माण के लिए चरण का अनुमान लगाता है।
दो संकेतों को मिलाने पर डिफ्यूजन रिफ्यूजन को क्या क्षमता देता है?
डिफ्यूज़न मॉडल अव्यक्त स्थान में प्रक्षेप कर सकते हैं, जिससे रिफ़्यूज़न लगातार एक संगीत शैली से दूसरे में रूपांतरित हो सकता है।
रिफ़्यूज़न मूल रूप से कैसे बनाया और जारी किया गया था?
रिफ्यूजन की शुरुआत सेठ फोर्सग्रेन और हेक मार्टिरोस द्वारा एक हॉबी प्रोजेक्ट के रूप में हुई, जिसे 2022 के अंत में सार्वजनिक रूप से जारी किया गया।