Автоматическая транскрипция музыки
Автоматическая транскрипция музыки (AMT) преобразует необработанную аудиозапись музыки в символическую нотацию, например ноты, MIDI или фортепианную запись.
Обзор
It tackles one of the hardest problems in audio AI: untangling many overlapping notes played at once.
Глубокое погружение
Системы AMT прослушивают аудиосигнал и выводят, какие ноты воспроизводятся, когда они начинаются, как долго они длятся, а иногда и какой инструмент их играет. Основной проблемой является полифония: когда несколько нот звучат одновременно, их гармоники перекрываются и размываются в частотном спектре, поэтому отдельные C и G бывает трудно отличить от одной более громкой ноты. Современные системы преобразуют звук в частотно-временное представление, такое как мел-спектрограмма или преобразование Constant-Q, а затем используют глубокие нейронные сети для прогнозирования начала, смещения и высоты ноты. Модель Onsets and Frames Google стала важной вехой в транскрипции фортепиано, в то время как новые модели-трансформеры, такие как MT3, транскрибируют несколько инструментов одновременно.
Техническая информация
Ключевым моментом является разделение обнаружения начала и обнаружения шага на уровне кадра. Такие модели, как Onsets и Frames, используют одну сетевую головку для определения точного момента начала ноты (резкое, энергичное событие), а другую — для отслеживания того, какие тона звучат в каждом кадре. Прогнозы начала затем стробируют выходные данные кадра, значительно уменьшая количество ложных нот. Преобразование Constant-Q помогает, поскольку оно логарифмически распределяет частотные элементы, что соответствует тому, как музыкальные высоты располагаются на октаве друг от друга.
Стратегическое воздействие
Доступ и охват
Это улучшает доступность за счет транскрипции, повествования и голосовых интерфейсов.
Стоимость и бюджет
Медиа-команды могут выпускать качественное аудио быстрее с меньшими бюджетами.
Скорость и масштаб
Системы, работающие с клиентами, могут обрабатывать устные взаимодействия в большем масштабе.
Будущее автоматической транскрипции музыки
АМТ переходит от сольного фортепиано к надежной многоинструментальной и полнополосной транскрипции, включая ударные, вокал и выразительные техники, такие как бэнды и вибрато. Архитектуры-трансформеры, обученные на больших синтетических и выровненных наборах данных, сокращают этот разрыв. Ожидайте более тесной интеграции с разделением источников, транскрипцией в реальном времени для живых выступлений и инструментами, которые фиксируют микротайминг и динамику, а не только ноты. Долгосрочная цель — создать систему, которая превращает любую запись в редактируемую, удобочитаемую партитуру.
Реальная реализация
AnthemScore и аналогичные приложения, преобразующие записи MP3 в редактируемые ноты для музыкантов, изучающих песни на слух.
Извлечение MIDI из записи фортепиано, чтобы продюсер мог повторно озвучить или квантовать исполнение в DAW.
Инструменты музыкального образования, которые сравнивают сыгранные учеником ноты с партитурой, чтобы отметить неправильные или пропущенные ноты.
Музыковеды расшифровывают исторические или импровизированные записи (например, джазовые соло) в нотную запись для анализа.
Риски и ограничения
Риски неправильного использования голоса и выдачи себя за другое лицо возрастают при отсутствии согласия.
Точность может снижаться из-за акцентов, диалектов или шумной обстановки.
Синтетический звук можно принять за аутентичную речь без четкой маркировки.
Дорожная карта реализации
Получите явное согласие на захват, клонирование и повторное использование голоса.
Проверьте качество звука при использовании различных динамиков и фоновых условий.
Определите, когда человек должен проверять или утверждать результаты.
Маркируйте синтетический звук и сохраняйте записи о происхождении для обеспечения ответственности.
Продолжайте исследовать
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.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Следующее руководство
Генерация символической музыки
Часто задаваемые вопросы
What is Automatic Music Transcription?
Автоматическая транскрипция музыки (AMT) преобразует необработанную аудиозапись музыки в символическую нотацию, например ноты, MIDI или фортепианную запись. Он решает одну из самых сложных проблем аудиоИИ: распутывание множества перекрывающихся нот, воспроизводимых одновременно.
Что в первую очередь выводит автоматическая транскрипция музыки?
AMT преобразует аудиозапись в символическое обозначение, такое как MIDI, фортепианная дробь или ноты, описывающие сыгранные ноты.
Почему полифоническую музыку особенно трудно транскрибировать?
Когда одновременно звучат несколько нот, их гармоники перекрываются, что затрудняет разделение отдельных нот.
Что примечательного в модели Onsets and Frames Google?
В Onsets and Frames одна головка использовалась для определения точного начала ноты, а другая — для продолжительной высоты тона, при этом начала ограничивали выход кадра.
Почему преобразование Constant-Q полезно для музыки?
Музыкальные высоты расположены логарифмически (октавы удваиваются по частоте), и интервалы логарифмического интервала CQT естественным образом совпадают с этим.
Что означает «начало» в транскрипции?
Начало — это резкий, энергичный момент начала ноты, который легче точно локализовать, чем его сустейн.