ภาพรวม
Jukebox คือโครงข่ายประสาทเทียมในปี 2020 ของ OpenAI ที่สร้างเสียงดนตรีดิบ พร้อมด้วยเสียงร้อง เครื่องดนตรี และแม้แต่เนื้อเพลงในสไตล์ของศิลปินเฉพาะ เป็นข้อพิสูจน์ที่สำคัญว่า AI สามารถจำลองรูปคลื่นที่แท้จริงของเพลงที่มีความยาวได้ ไม่ใช่แค่โน้ตเท่านั้น
Jukebox ตั้งอยู่ในเวิร์กโฟลว์เสียง-AI ที่เปลี่ยนคำพูด เพลง และเสียงเพื่อการสื่อสาร การเข้าถึง และการผลิตสื่อ
เจาะลึก
Jukebox เปิดตัวโดย OpenAI ในเดือนเมษายน 2020 โดยสร้างเพลงในรูปแบบเสียงดิบแทนที่จะเป็นโน้ตสัญลักษณ์ ซึ่งหมายความว่าจะสร้างเสียงจริงรวมถึงเสียงร้องด้วย ได้รับการฝึกฝนเกี่ยวกับเพลงประมาณ 1.2 ล้านเพลง (ประมาณครึ่งหนึ่งของภาษาอังกฤษ) ที่คัดลอกมาจากเว็บ จับคู่กับเนื้อเพลงและข้อมูลเมตาจาก LyricWiki คุณสามารถกำหนดเงื่อนไขให้กับแนวเพลง สไตล์ของศิลปิน และเนื้อเพลงได้ และเพลงจะร้องได้อย่างเป็นที่รู้จัก (หากไม่ชัดเจน) เหมือนศิลปินคนนั้น เอาต์พุตใช้เวลานานหลายนาที สิ่งที่จับได้คือความเร็วและความเที่ยงตรง: การสร้างทำได้ช้ามาก โดยใช้เวลาประมาณเก้าชั่วโมงในการแสดงเสียงหนึ่งนาที และผลลัพธ์ที่ได้ก็มีคุณภาพไม่ชัดและมีเสียงรบกวน Jukebox เป็นการวิจัย ไม่ใช่ผลิตภัณฑ์ขัดเกลา แต่เป็นการปรับเปลี่ยนความคาดหวังสำหรับสิ่งที่เป็นไปได้
ข้อมูลเชิงลึกทางเทคนิค
Jukebox บีบอัดเสียง Raw โดยใช้ตัวเข้ารหัสอัตโนมัติ VQ-VAE ที่ความละเอียดสามเท่า เปลี่ยนรูปคลื่นที่ยาวให้เป็นลำดับโค้ดแยกที่สั้นลงมาก จากนั้นหม้อแปลงแบบออโต้รีเกรสซีฟจะคาดเดาโค้ดเหล่านี้ทีละโค้ด โดยขึ้นอยู่กับศิลปิน แนวเพลง และเนื้อเพลง จากนั้นอัปแซมเปลอร์จะเพิ่มรายละเอียดความถี่สูง การถอดรหัสโค้ดระดับล่างกลับเป็นรูปแบบคลื่น 44.1 kHz เป็นสิ่งที่ทำให้การสร้างช้ามาก เนื่องจากต้องมีการสร้างตัวอย่างเสียงหลายล้านตัวอย่างตามลำดับ
การเรียนรู้ตู้เพลง
Jukebox คือโครงข่ายประสาทเทียมในปี 2020 ของ OpenAI ที่สร้างเสียงดนตรีดิบ พร้อมด้วยเสียงร้อง เครื่องดนตรี และแม้แต่เนื้อเพลงในสไตล์ของศิลปินเฉพาะ เป็นข้อพิสูจน์ที่สำคัญว่า AI สามารถจำลองรูปคลื่นที่แท้จริงของเพลงที่มีความยาวได้ ไม่ใช่แค่โน้ตเท่านั้น Jukebox ตั้งอยู่ในเวิร์กโฟลว์เสียง-AI ที่เปลี่ยนคำพูด เพลง และเสียงเพื่อการสื่อสาร การเข้าถึง และการผลิตสื่อ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Jukebox เป็นแบบจำลองการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ Jukebox ถือว่าคุณภาพ เวลาแฝง และความยินยอมเป็นส่วนสำคัญของกลยุทธ์การปรับใช้ โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง ในขณะเดียวกัน การใช้ Voice ในทางที่ผิดและการแอบอ้างบุคคลอื่นก็มีความเสี่ยงเพิ่มขึ้นเมื่อไม่ได้รับความยินยอม แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น
ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
นักวิจัยกำลังศึกษาว่าโครงข่ายประสาทเทียมสามารถสร้างแบบจำลองเสียงดิบและเสียงร้องในรูปแบบยาวได้อย่างไร โดยใช้ Jukebox เป็นสถาปัตยกรรมอ้างอิง
นักดนตรีและนักเล่นอดิเรกสร้าง 'เพลงคัฟเวอร์ AI' ที่น่าขนลุกและน่าขนลุกซึ่งร้องเพลงใหม่ในรูปแบบคร่าวๆ ของศิลปินที่ได้รับเลือก
นักการศึกษาสาธิตการก้าวกระโดดจากการสร้างโน้ตสไตล์ MIDI ไปสู่การสังเคราะห์เสียงดิบเต็มรูปแบบพร้อมเสียงร้อง
นักออกแบบเสียงและศิลปินแนวทดลองเก็บเกี่ยวพื้นผิวที่มัวหมองเหมือนฝันของ Jukebox เป็นวัตถุดิบในการรีมิกซ์และตัดปะ
รูปแบบการดำเนินงาน
ตู้เพลงในทางปฏิบัติ
นักวิจัยกำลังศึกษาว่าโครงข่ายประสาทเทียมสามารถสร้างแบบจำลองเสียงดิบและเสียงร้องในรูปแบบยาวได้อย่างไร โดยใช้ Jukebox เป็นสถาปัตยกรรมอ้างอิง
นักวิจัยที่กำลังศึกษาว่าโครงข่ายประสาทเทียมสามารถสร้างแบบจำลองเสียงดิบในรูปแบบยาวและเสียงร้องเพลงได้อย่างไร โดยใช้ Jukebox เป็นสถาปัตยกรรมอ้างอิง ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับของมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ตู้เพลงในทางปฏิบัติ
นักดนตรีและนักเล่นอดิเรกสร้าง 'เพลงคัฟเวอร์ AI' ที่น่าขนลุกและน่าขนลุกซึ่งร้องเพลงใหม่ในรูปแบบคร่าวๆ ของศิลปินที่ได้รับเลือก
นักดนตรีและมือสมัครเล่นที่สร้าง 'เพลงคัฟเวอร์ด้วย AI' ที่น่าขนลุกซึ่งร้องเพลงใหม่ในรูปแบบคร่าวๆ ของศิลปินที่เลือก ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับของมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ตู้เพลงในทางปฏิบัติ
นักการศึกษาสาธิตการก้าวกระโดดจากการสร้างโน้ตสไตล์ MIDI ไปสู่การสังเคราะห์เสียงดิบเต็มรูปแบบพร้อมเสียงร้อง
นักการศึกษาที่สาธิตการก้าวกระโดดจากการสร้างโน้ตสไตล์ MIDI ไปสู่การสังเคราะห์เสียงดิบเต็มรูปแบบด้วยเสียงร้อง ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับ Edge Case และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ตู้เพลงในทางปฏิบัติ
นักออกแบบเสียงและศิลปินแนวทดลองเก็บเกี่ยวพื้นผิวที่มัวหมองเหมือนฝันของ Jukebox เป็นวัตถุดิบในการรีมิกซ์และตัดปะ
นักออกแบบเสียงและศิลปินแนวทดลองเก็บเกี่ยวพื้นผิวที่มัวหมองเหมือนฝันของ Jukebox เป็นวัตถุดิบสำหรับการรีมิกซ์และภาพตัดปะ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับ Edge Case และติดตามทั้งประสิทธิภาพที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน
แผนงานการดำเนินงาน
ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ
ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น