Phiên âm nhạc tự động
Phiên âm nhạc tự động (AMT) chuyển đổi bản ghi âm thô của nhạc thành ký hiệu tượng trưng như bản nhạc, MIDI hoặc cuộn piano.
Tổng quan
It tackles one of the hardest problems in audio AI: untangling many overlapping notes played at once.
Lặn sâu
Hệ thống AMT lắng nghe dạng sóng âm thanh và xuất ra các nốt được phát, thời điểm bắt đầu, thời gian tồn tại và đôi khi là nhạc cụ nào phát chúng. Thử thách cốt lõi là tính đa âm: khi nhiều nốt phát ra đồng thời, các hài âm của chúng chồng lên nhau và mờ đi cùng nhau trong phổ tần số, do đó khó có thể tách riêng một nốt C và một nốt G khỏi một nốt lớn hơn. Các hệ thống hiện đại chuyển đổi âm thanh thành dạng biểu diễn tần số thời gian, chẳng hạn như biểu đồ mel-spectrogram hoặc Biến đổi Constant-Q, sau đó sử dụng mạng lưới thần kinh sâu để dự đoán phần khởi động, độ lệch và cao độ của nốt. Mô hình Onsets và Frames của Google là một bước ngoặt cho việc phiên âm đàn piano, trong khi các mẫu máy biến áp mới hơn như MT3 phiên âm nhiều nhạc cụ cùng một lúc.
Hiểu biết kỹ thuật
Một thông tin chi tiết quan trọng là tách biệt tính năng phát hiện khởi phát khỏi tính năng phát hiện cao độ ở cấp khung hình. Các mô hình như Onsets và Frames sử dụng một đầu mạng để xác định thời điểm chính xác mà một nốt bắt đầu (một sự kiện sắc nét, tràn đầy năng lượng) và một đầu mạng khác để theo dõi cao độ nào đang phát ra trong mỗi khung hình. Sau đó, các dự đoán bắt đầu sẽ chuyển các đầu ra khung, giảm đáng kể các ghi chú giả. Biến đổi Constant-Q hữu ích vì nó phân chia các ngăn tần số theo logarit, phù hợp với cách các cao độ âm nhạc cách nhau một quãng tám.
Tác động chiến lược
Truy cập và tiếp cận
Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
Chi phí và ngân sách
Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
Tốc độ và tỷ lệ
Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
Tương lai của phiên âm nhạc tự động
AMT đang chuyển từ piano solo sang phiên âm nhiều nhạc cụ và toàn dải đáng tin cậy, bao gồm trống, giọng hát và các kỹ thuật biểu cảm như uốn cong và rung. Kiến trúc máy biến áp được đào tạo trên các bộ dữ liệu tổng hợp và căn chỉnh lớn đang thu hẹp khoảng cách. Mong đợi sự tích hợp chặt chẽ hơn với khả năng phân tách nguồn, chép lời theo thời gian thực cho buổi biểu diễn trực tiếp và các công cụ ghi lại động lực và thời gian vi mô chứ không chỉ ghi chú. Mục tiêu dài hạn là một hệ thống biến mọi bản ghi thành điểm có thể chỉnh sửa và con người có thể đọc được.
Triển khai trong thế giới thực
AnthemScore và các ứng dụng tương tự chuyển đổi bản ghi MP3 thành bản nhạc có thể chỉnh sửa để các nhạc sĩ học bài hát bằng tai
Trích xuất MIDI từ bản ghi âm piano để nhà sản xuất có thể lồng tiếng lại hoặc định lượng phần trình diễn trong DAW
Công cụ giáo dục âm nhạc so sánh các nốt đã chơi của học sinh với bản nhạc để đánh dấu các nốt sai hoặc thiếu
Các nhà âm nhạc học ghi lại các bản ghi âm lịch sử hoặc ngẫu hứng (như độc tấu nhạc jazz) thành ký hiệu để phân tích
Rủi ro & lan can
Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Lộ trình thực hiện
Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Thế hệ âm nhạc tượng trưng
Câu hỏi thường gặp
What is Automatic Music Transcription?
Phiên âm nhạc tự động (AMT) chuyển đổi bản ghi âm thô của nhạc thành ký hiệu tượng trưng như bản nhạc, MIDI hoặc cuộn piano. Nó giải quyết một trong những vấn đề khó khăn nhất trong AI âm thanh: gỡ rối nhiều nốt chồng chéo được phát cùng một lúc.
Phiên âm nhạc tự động chủ yếu xuất ra cái gì?
AMT chuyển đổi bản ghi âm thành ký hiệu tượng trưng như MIDI, cuộn piano hoặc bản nhạc mô tả các nốt được chơi.
Tại sao nhạc đa âm lại đặc biệt khó phiên âm?
Khi nhiều nốt phát ra cùng một lúc, các hài âm của chúng chồng lên nhau, khiến việc phân biệt các cao độ riêng lẻ hiện diện trở nên khó khăn.
Điều gì đáng chú ý về mô hình Bộ khởi động và Khung hình của Google?
Bộ khởi động và Khung sử dụng một đầu để phát hiện các bộ ghi chú chính xác và một đầu khác để phát hiện các cao độ được duy trì, với các bộ khởi động kiểm soát đầu ra khung.
Tại sao Constant-Q Transform lại hữu ích cho âm nhạc?
Các cao độ âm nhạc được đặt cách nhau theo logarit (tần số gấp đôi quãng tám) và các khoảng cách bằng log của CQT căn chỉnh một cách tự nhiên với điều này.
'Khởi phát' đề cập đến điều gì trong phiên âm?
Sự khởi đầu là thời điểm sắc nét, tràn đầy năng lượng khi một nốt bắt đầu, dễ xác định chính xác hơn là duy trì nốt đó.