Musik & KI-Glossar

Wie schnell sich ein Track bewegt, in Schlägen pro Minute gezählt. Eine Ballade liegt bei etwa 70, House bei rund 124, Drum and Bass bei etwa 174. Tempo ist das Nützlichste, was du in einem Prompt angibst, weil es das Gefühl stärker verändert als die Instrumentierung.

Der Grundton, zu dem ein Musikstück auflöst, plus ob es Dur- oder Molltonleiter nutzt. Dur wirkt hell oder gesetzt, Moll dunkler oder offener. Zwei Tracks in derselben Tonart lassen sich layern oder zusammenmischen, ohne zu kollidieren.

Eine DJ-Notation, die jede Tonart als Zahl plus A oder B umbenennt — 8A, 8B, 9A. Benachbarte Tonarten auf dem Rad klingen gut zusammen, dadurch wird harmonisches Mixen zu Rechnen statt zu Theorie.

Die Reihenfolge und Länge der Songteile — Intro, Strophe, Refrain, Bridge, Outro — und welche Instrumente jeweils spielen. Arrangement lässt einen Track wie einen Song wirken statt wie eine Endlosschleife.

Der Teil, den Leute sich merken und mitsingen können. Meist die Refrainmelodie oder eine kurze Wiederholphrase. Ein Track kann top produziert sein und trotzdem scheitern, wenn er keine Hook hat.

Die Gesangsmelodie und der Text, die über ein bestehendes Instrumental geschrieben werden. In der Popproduktion werden Topline und Track oft von verschiedenen Leuten geschrieben, deshalb ist „schick mir eine Topline“ eine normale Bitte.

Noten exakt aufs Raster schnappen lassen. Richtet schlampiges Timing, und übertrieben genommen nimmt es das menschliche Push-and-Pull, das einen Groove lebendig macht.

Wo ein Sound zwischen linkem und rechtem Lautsprecher sitzt. Lead-Vocals, Kick und Bass sind fast immer zentriert; Gitarren, Keys und Backing-Vocals werden nach außen geschoben. Genau diese Konvention nutzt Center-Channel-Vocal-Removal aus.

Audio aus einer schriftlichen Beschreibung generieren. Du schreibst „langsamer Lo-Fi-Beat mit staubigem Piano und Vinylrauschen“ und bekommst einen Track zurück. Die Beschreibung übernimmt den Job eines Producer-Briefs.

Die schriftliche Anweisung an ein Musikmodell. Nützliche Prompts nennen Genre, Stimmung, Tempo, Instrumentierung und ob Vocals gewünscht sind. Vage Prompts liefern generische Ergebnisse, weil es nichts gibt, worauf gesteuert werden kann.

Ein Generationsverfahren, das bei Rauschen startet und es schrittweise entfernt, bis strukturierte Ausgabe übrig bleibt. Die meisten aktuellen Audiomodelle arbeiten auf einem Spektrogramm oder in einer gelernten latenten Darstellung statt auf Rohsamples, weil Rohaudio viel zu viele Werte pro Sekunde hat.

Eine komprimierte interne Darstellung, in der ähnlich klingende Musik nah beieinanderliegt. In latentem Raum statt auf Rohaudio zu generieren macht einen ganzen Track in Sekunden statt Stunden möglich.

Ein Bild von Klang: Zeit auf einer Achse, Frequenz auf der anderen, Helligkeit steht für Lautheit. Mehrere Musikmodelle generieren ein Spektrogramm und wandeln es danach in Audio um, wodurch Bildtechniken auf Ton anwendbar werden.

Stetiges Audio in eine Folge diskreter Symbole verwandeln, die ein Modell vorhersagen kann — so wie ein Sprachmodell Wörter vorhersagt. Die Qualität des Tokenizers deckelt die Qualität der Ausgabe — was dort an Detail verloren geht, ist später nicht zurückzubekommen.

Alles, was dem Modell gegeben wird, um die Generation zu steuern — ein Text-Prompt, ein Referenzclip, ein Tempo, ein Satz Lyrics. Mehr Conditioning bedeutet weniger Überraschung und mehr Kontrolle.

Ein trainiertes Modell tatsächlich laufen lassen, um Output zu erzeugen, im Unterschied zum Training. Wenn ein Generator "generating…" sagt, macht er Inferenz, und die Wartezeit ist Rechenzeit.

Einen fertigen Mix wieder in Teile splitten. Neuronale Separatoren wie Demucs lernen, wie jedes Instrument klingt; Center-Kanal-Auslöschung nutzt stattdessen Stereogeometrie, ist viel schneller und deutlich ungenauer.

Die Stimme einer bestimmten Person aus deren Aufnahmen reproduzieren. Anders als eine Stimme nur im Stil zu generieren. Das Klonen eines namentlich bekannten Artists wirft in immer mehr Jurisdiktionen Fragen zu Ähnlichkeits- und Persönlichkeitsrechten auf — deshalb bietet MusicGenerate das nicht an.

Wie oft pro Sekunde Audio gemessen wird, in Hz. 44.100 Hz ist CD-Standard und 48.000 Hz ist Standard für Video. Höhere Raten erfassen höhere Frequenzen; sie lassen einen Track für sich genommen nicht besser klingen.

Wie präzise jedes Sample gespeichert wird. 16-Bit ist Veröffentlichungsqualität, 24-Bit gibt beim Arbeiten mehr Headroom. Niedrige Bittiefe zeigt sich als Rauschen in leisen Passagen.

WAV und FLAC behalten jedes Sample; MP3 und AAC verwerfen als unhörbar bewertete Informationen, um Dateien kleiner zu machen. Lossy-Encoding ist Einbahnstraße — ein MP3 neu zu encodieren vervielfacht den Schaden statt ihn zu beheben.

Ein Lautheitsmaß, das abbildet, wie laut etwas tatsächlich wirkt statt nur seinen Spitzenpegel. Streaming-Dienste normalisieren auf etwa −14 LUFS, also wird lauter gemastert einfach wieder runtergedreht.

Der Abstand zwischen dem lautesten Punkt eines Mixes und der Decke, wo Clipping beginnt. Ein paar dB Headroom lassen dem Mastering Platz zum Arbeiten.

Was passiert, wenn ein Signal den Maximalpegel überschreitet und seine Spitzen plattgedrückt werden. Klingt als harsche Verzerrung, und ist es einmal in eine Datei gedruckt, lässt es sich nicht rückgängig machen.

Stereo aufteilen in das, was beide Kanäle teilen (Mid), und das, was sie unterscheidet (Side). Isolierst du das Mid, bekommst du grob den zentrierten Inhalt; isolierst du das Side, entfernst du ihn. Das ist der Mechanismus hinter Karaoke-mäßiger Vocal-Entfernung.

Wenn zwei Kopien eines Signals gegeneinander invertiert sind und sich zu Stille addieren. Ein Problem, wenn es versehentlich zwischen Mikrofonen passiert, und ein Werkzeug, wenn man es gezielt nutzt, um zentrierte Anteile zu entfernen.

Metadaten, die in einer MP3 stecken — Titel, Interpret, Album, Artwork. Player lesen die statt des Dateinamens, weshalb eine korrekt benannte Datei trotzdem als „Unknown Artist“ auftauchen kann.

Die sichtbare Form der Amplitude über die Zeit. Nützlich, um auf einen Blick Stille, Transienten und Abschnittsgrenzen zu finden; sie sagt nichts über Tonhöhe oder Tonart aus.

Du zahlst einmal, oder gar nichts, und schuldest keine weiteren nutzungsbasierten Zahlungen. Es heißt nicht urheberrechtsfrei, und es heißt nicht unbegrenzt — die Lizenz setzt trotzdem die Bedingungen.

Wirklich herrenlos — bei Musik fast immer gemeinfrei durch Alter. Sehr wenig moderne Musik ist urheberrechtsfrei, und der Ausdruck wird meist benutzt, wenn eigentlich royalty-free gemeint ist.

Die Erlaubnis, deine eigene Aufnahme eines fremden songs zu veröffentlichen. Das braucht jede Coverversion, egal ob von einer Band gespielt oder generiert. Sie betrifft die Komposition, nicht die Originalaufnahme.

Die Erlaubnis, Musik mit Bildern zu synchronisieren — ein Video, eine Anzeige, ein Spiel. Getrennt vom Recht, das Audio alleine zu vertreiben, und die Lizenz, die die meisten Creator tatsächlich brauchen.

Jeder song hat zwei Rechte: die Komposition (Melodie und Text, im Besitz der Autor:innen) und die Tonaufnahme (die konkrete Performance, im Besitz derer, die sie gemacht haben). Ein Cover schafft eine neue Aufnahme, nutzt aber weiterhin die Komposition.

YouTubes automatisches Abgleichsystem. Es kann einen track markieren, den du rechtmäßig besitzt, wenn dieser track von jemand anderem registriert wurde — inklusive Fällen, in denen identisches generiertes Audio zuerst beansprucht wurde.

Eine Verwertungsgesellschaft — ASCAP, BMI, PRS — die Aufführungsvergütungen für Songwriter:innen einsammelt. Relevant, sobald Musik öffentlich gespielt oder gesendet wird statt nur gestreamt.

Eine Vereinbarung, bei der der Auftraggeber das Werk vollständig besitzt, nicht die Person, die es erstellt hat. In Werbung und Games üblich und sollte schriftlich geklärt sein, bevor irgendetwas geliefert wird.