概述
Jukebox 是 OpenAI 的 2020 年神經網絡，可產生原始音樂音訊 - 包含歌聲、樂器，甚至特定藝術家風格的歌詞。這是一個里程碑式的證據，證明人工智慧可以模擬歌曲長度音樂的實際波形，而不僅僅是音符。
Jukebox 位於音訊 AI 工作流程中，可轉換語音、音樂和聲音以實現通訊、可存取性和媒體製作。
深入探討
Jukebox 由 OpenAI 於 2020 年 4 月發布，它以原始音訊而不是符號音符的形式生成音樂，這意味著它會產生包括人聲在內的實際聲音。它接受了從網路上抓取的大約 120 萬首歌曲（大約一半是英語）的訓練，並搭配來自 LyricWiki 的歌詞和元資料。你可以根據流派、藝術家風格和歌詞來調節它，它就會像那位藝術家一樣以可識別的方式（如果模糊的話）唱歌。輸出持續幾分鐘。問題在於速度和保真度：產生速度非常慢，渲染一分鐘的音訊需要大約九個小時，而且結果品質低沉、吵雜。自動點唱機是一項研究，而不是一個精緻的產品，但它重塑了人們對可能發生的事情的期望。
技術洞察
Jukebox 使用 VQ-VAE 自動編碼器以三種時間分辨率壓縮原始音頻，將長波形轉換為更短的離散代碼序列。然後，自回歸變壓器根據藝術家、流派和歌詞一次預測這些代碼，而上採樣器則添加高頻細節。將底層程式碼解碼回 44.1 kHz 波形是產生速度如此緩慢的原因，因為必須依序產生數百萬個音訊樣本。
掌握點唱機
Jukebox 是 OpenAI 的 2020 年神經網絡，可產生原始音樂音訊 - 包含歌聲、樂器，甚至特定藝術家風格的歌詞。這是一個里程碑式的證據，證明人工智慧可以模擬歌曲長度音樂的實際波形，而不僅僅是音符。 Jukebox 位於音訊 AI 工作流程中，可轉換語音、音樂和聲音以實現通訊、可存取性和媒體製作。為了建立深入的理解，請將 Jukebox 視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用 Jukebox 的強大團隊將品質、延遲和同意視為部署策略中同等重要的部分。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
它透過轉錄、旁白和語音介面提高了可訪問性。同時，如果未徵得同意，語音濫用和冒充風險就會增加。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
它透過轉錄、旁白和語音介面提高了可訪問性。
它透過轉錄、旁白和語音介面提高了可訪問性。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
媒體團隊可以用更少的預算更快地交付精美的音訊。
媒體團隊可以用更少的預算更快地交付精美的音訊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
面向客戶的系統可以處理更大規模的語音互動。
面向客戶的系統可以處理更大規模的語音互動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
研究人員使用 Jukebox 作為參考架構，研究神經網路如何對長格式原始音訊和歌聲進行建模。
音樂家和愛好者創作出怪異、低保真的“人工智慧翻唱”，以所選藝術家的粗獷風格演唱新歌詞。
教育工作者展示了從 MIDI 風格的音符生成到帶有人聲的完整原始音頻合成的飛躍。
聲音設計師和實驗藝術家將 Jukebox 的朦朧、夢幻般的紋理作為混音和拼貼的原材料。
實施模式
自動點唱機的實踐
研究人員使用 Jukebox 作為參考架構，研究神經網路如何對長格式原始音訊和歌聲進行建模。
研究人員使用 Jukebox 作為參考架構，研究神經網路如何對長格式原始音訊和歌聲進行建模。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
自動點唱機的實踐
音樂家和愛好者創作出怪異、低保真的“人工智慧翻唱”，以所選藝術家的粗獷風格演唱新歌詞。
音樂家和愛好者製作怪異的低保真“人工智慧翻唱”，以所選藝術家的粗略風格演唱新歌詞。當團隊預先定義品質閾值、為邊緣情況保留人性化的升級路徑、並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
自動點唱機的實踐
教育工作者展示了從 MIDI 風格的音符生成到帶有人聲的完整原始音頻合成的飛躍。
教育工作者展示從 MIDI 風格的音符生成到帶有人聲的完整原始音頻合成的飛躍。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
自動點唱機的實踐
聲音設計師和實驗藝術家將 Jukebox 的朦朧、夢幻般的紋理作為混音和拼貼的原材料。
聲音設計師和實驗藝術家將 Jukebox 的朦朧、夢幻般的紋理作為混音和拼貼的原材料。當團隊預先定義品質閾值、為邊緣情況保留人性化的升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
如果未徵得同意，語音濫用和冒充風險就會增加。
由於口音、方言或嘈雜的環境，準確性可能會下降。
如果沒有明確的標籤，合成音訊可能會被誤認為是真實的語音。
實施路線圖
獲得語音捕獲、克隆和重用的明確同意。
獲得語音捕獲、克隆和重用的明確同意。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
測試不同揚聲器和背景條件下的品質。
測試不同揚聲器和背景條件下的品質。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
定義人員必須審查或批准輸出的時間。
定義人員必須審查或批准輸出的時間。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
標記合成音訊並保留來源記錄以供問責。
標記合成音訊並保留來源記錄以供問責。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。