概述
自动音乐转录 (AMT) 将原始音乐录音转换为符号符号，例如乐谱、MIDI 或钢琴卷轴。它解决了音频人工智能中最难的问题之一：理清同时播放的许多重叠音符。
自动音乐转录位于音频人工智能工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。
深入探讨
AMT 系统监听音频波形并输出正在演奏的音符、开始时间、持续时间以及有时由哪种乐器演奏。核心挑战是复调：当多个音符同时发声时，它们的谐波在频谱中重叠并模糊在一起，因此单个 C 和 G 很难与单个响亮的音符分开。现代系统将音频转换为时频表示，例如梅尔频谱图或恒定 Q 变换，然后使用深度神经网络来预测音符开始、偏移和音高。 Google 的 Onsets 和 Frames 模型是钢琴转录的里程碑，而 MT3 等较新的 Transformer 模型可以同时转录多种乐器。
技术洞察
一个关键的见解是将起始检测与帧级基音检测分开。像 Onsets 和 Frames 这样的模型使用一个网络头来确定音符开始的精确时刻（一个尖锐的、充满活力的事件），另一个网络头来跟踪每帧中发出的音高。然后，开始预测对帧输出进行门控，从而显着减少虚假音符。恒定 Q 变换很有帮助，因为它以对数方式间隔频率区间，匹配音高间隔八度的方式。
掌握自动音乐转录
自动音乐转录 (AMT) 将原始音乐录音转换为符号符号，例如乐谱、MIDI 或钢琴卷轴。它解决了音频人工智能中最难的问题之一：理清同时播放的许多重叠音符。自动音乐转录位于音频人工智能工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。为了建立深入的理解，请将自动音乐转录视为一种操作模型，而不是单一功能：定义所需的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用自动音乐转录的强大团队将质量、延迟和同意视为部署策略中同等重要的部分。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它通过转录、旁白和语音界面提高了可访问性。与此同时，如果未征得同意，语音滥用和冒充风险就会增加。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它通过转录、旁白和语音界面提高了可访问性。
它通过转录、旁白和语音界面提高了可访问性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
媒体团队可以用更少的预算更快地交付精美的音频。
媒体团队可以用更少的预算更快地交付精美的音频。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
面向客户的系统可以处理更大规模的语音交互。
面向客户的系统可以处理更大规模的语音交互。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
AnthemScore 和类似应用程序将 MP3 录音转换为可编辑的乐谱，供音乐家通过耳朵学习歌曲
从钢琴录音中提取 MIDI，以便制作人可以在 DAW 中重新配音或量化演奏
音乐教育工具可将学生弹奏的音符与乐谱进行比较，以标记错误或遗漏的音符
音乐学家将历史或即兴录音（如爵士乐独奏）转录成符号进行分析
实施模式
自动音乐转录实践
AnthemScore 和类似的应用程序将 MP3 录音转换为可编辑的乐谱，供音乐家通过耳朵学习歌曲。
AnthemScore 和类似应用程序将 MP3 录音转换为可编辑的乐谱，供音乐家通过耳朵学习歌曲。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
自动音乐转录实践
从钢琴录音中提取 MIDI，以便制作人可以在 DAW 中重新配音或量化演奏。
从钢琴录音中提取 MIDI，以便制作人可以重新配音或量化 DAW 中的演奏。当团队预先定义质量阈值、针对边缘情况保留人工升级路径并跟踪随时间推移的生产力提升和错误成本时，通常会获得更好的结果。
自动音乐转录实践
音乐教育工具可将学生演奏的音符与乐谱进行比较，以标记错误或遗漏的音符。
音乐教育工具将学生弹奏的音符与乐谱进行比较，以标记错误或遗漏的音符。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
自动音乐转录实践
音乐学家将历史或即兴录音（如爵士乐独奏）转录成符号进行分析。
音乐学家将历史或即兴录音（如爵士乐独奏）转录成符号进行分析当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
如果未征得同意，语音滥用和冒充风险就会增加。
由于口音、方言或嘈杂的环境，准确性可能会下降。
如果没有明确的标签，合成音频可能会被误认为是真实的语音。
实施路线图
获得语音捕获、克隆和重用的明确同意。
获得语音捕获、克隆和重用的明确同意。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
测试不同扬声器和背景条件下的质量。
测试不同扬声器和背景条件下的质量。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
定义人员必须审查或批准输出的时间。
定义人员必须审查或批准输出的时间。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
标记合成音频并保留来源记录以供问责。
标记合成音频并保留来源记录以供问责。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。