Γλωσσάρι Μουσικής & AI

Πόσο γρήγορα κινείται ένα κομμάτι, μετρημένο σε χτύπους το λεπτό. Μπαλάντα γύρω στα 70, house περίπου 124, drum and bass κοντά στα 174. Το τέμπο είναι το πιο χρήσιμο πράγμα να βάλεις σε ένα prompt γιατί αλλάζει την αίσθηση πιο πολύ απ’ ό,τι η ενορχήστρωση.

Η «σπίτι» νότα όπου καταλήγει ένα κομμάτι, συν το αν χρησιμοποιεί ματζόρε ή μινόρε κλίμακα. Η ματζόρε ακούγεται φωτεινή ή τακτοποιημένη, η μινόρε πιο σκοτεινή ή ανολοκλήρωτη. Δύο κομμάτια στην ίδια τονικότητα μπορούν να στρωθούν ή να μιξαριστούν μαζί χωρίς να τσακώνονται.

Σημειογραφία DJ που μετονομάζει κάθε τονικότητα σε αριθμό με A ή B — 8A, 8B, 9A. Τονικότητες δίπλα στον τροχό ακούγονται καλά μαζί, οπότε το harmonic mixing γίνεται αριθμητική αντί για θεωρία.

Η σειρά και η διάρκεια των ενοτήτων — intro, κουπλέ, ρεφρέν, γέφυρα, outro — και ποια όργανα παίζουν σε καθεμία. Η ενορχήστρωση κάνει ένα κομμάτι να νιώθει τραγούδι αντί για loop που απλώς συνεχίζει.

Το μέρος που ο κόσμος θυμάται και μπορεί να το σιγοτραγουδήσει πίσω. Συνήθως η μελωδία του ρεφρέν ή μια σύντομη επαναλαμβανόμενη φράση. Ένα κομμάτι μπορεί να είναι καλοφτιαγμένο και πάλι να αποτύχει αν δεν έχει hook.

Η μελωδία φωνητικών και οι στίχοι γραμμένα πάνω σε υπάρχον instrumental. Στην pop παραγωγή η topline και το track συχνά γράφονται από διαφορετικούς, γι’ αυτό το «στείλε μου μια topline» είναι κανονικό αίτημα.

Κουμπώνει τις νότες στην ακριβή θέση του grid. Φτιάχνει το χύμα timing, αλλά αν το παρακάνεις αφαιρεί το ανθρώπινο push-pull που κάνει το groove ζωντανό.

Πού κάθεται ένας ήχος ανάμεσα στο αριστερό και δεξί ηχείο. Τα lead φωνητικά, kick και μπάσο είναι σχεδόν πάντα στο κέντρο· κιθάρες, πλήκτρα και backing φωνητικά σπρώχνονται προς τα έξω. Αυτή ακριβώς τη σύμβαση εκμεταλλεύεται το centre-channel vocal removal.

Γεννά ήχο από γραπτή περιγραφή. Γράφεις «slow lo-fi beat με dusty πιάνο και vinyl noise» και παίρνεις πίσω ένα κομμάτι. Η περιγραφή κάνει ό,τι θα έκανε ένα brief παραγωγού.

Η γραπτή οδηγία που δίνεις σε ένα music model. Χρήσιμα prompt λένε είδος, διάθεση, τέμπο, οργανολόγηση και αν θέλεις φωνητικά. Αόριστα prompt γυρίζουν γενικά αποτελέσματα, γιατί δεν έχουν κάτι να κατευθύνουν.

Μέθοδος γενιάς που ξεκινά από θόρυβο και τον αφαιρεί επαναληπτικά μέχρι να μείνει δομημένη έξοδος. Τα περισσότερα τρέχοντα audio models δουλεύουν σε spectrogram ή σε ένα μαθημένο latent αντί για raw δείγματα, γιατί το raw audio έχει υπερβολικά πολλές τιμές το δευτερόλεπτο.

Συμπιεσμένη εσωτερική αναπαράσταση όπου μουσικές που ακούγονται παρόμοιες κάθονται κοντά. Το να γεννάς στο latent space αντί για raw audio είναι αυτό που κάνει ένα ολόκληρο κομμάτι εφικτό σε δευτερόλεπτα αντί για ώρες.

Εικόνα του ήχου: χρόνος στον έναν άξονα, συχνότητα στον άλλο, φωτεινότητα για την ένταση. Αρκετά music models γεννάνε spectrogram και το μετατρέπουν μετά σε ήχο, που επιτρέπει τεχνικές εικόνας να εφαρμοστούν στον ήχο.

Μετατροπή συνεχούς ήχου σε ακολουθία διακριτών συμβόλων που ένα μοντέλο προβλέπει, όπως ένα language model προβλέπει λέξεις. Η ποιότητα του tokeniser βάζει ταβάνι στην ποιότητα της εξόδου — λεπτομέρεια που χάνεται εκεί δεν ανακτάται μετά.

Οτιδήποτε δίνεις στο μοντέλο για να κατευθύνεις τη γενιά — ένα text prompt, ένα reference clip, τέμπο, στίχους. Περισσότερο conditioning σημαίνει λιγότερη έκπληξη και περισσότερο έλεγχο.

Το πραγματικό τρέξιμο ενός εκπαιδευμένου μοντέλου για παραγωγή εξόδου, σε αντίθεση με την εκπαίδευση. Όταν ένας generator λέει «generating…», κάνει inference, και η αναμονή είναι χρόνος compute.

Ξανασπάει μια έτοιμη μίξη πίσω σε μέρη. Νευρωνικοί διαχωριστές όπως το Demucs μαθαίνουν πώς ακούγεται κάθε όργανο· το centre-channel cancellation αντίθετα εκμεταλλεύεται τη στερεοφωνική γεωμετρία, που είναι πολύ ταχύτερο και πολύ λιγότερο ακριβές.

Αναπαραγωγή της φωνής συγκεκριμένου ατόμου από ηχογραφήσεις του. Διαφορετικό από το να γεννήσεις μια φωνή «στο στυλ». Η κλωνοποίηση επώνυμου καλλιτέχνη ανοίγει θέματα ομοιότητας και δικαιωμάτων δημοσιότητας σε όλο και περισσότερες χώρες, γι’ αυτό το MusicGenerate δεν την προσφέρει.

Πόσες φορές το δευτερόλεπτο μετριέται ο ήχος, σε Hz. 44.100 Hz είναι το στάνταρ του CD και 48.000 Hz είναι στάνταρ για video. Υψηλότερα rates πιάνουν υψηλότερες συχνότητες· από μόνα τους δεν κάνουν ένα κομμάτι να ακούγεται καλύτερα.

Πόσο ακριβώς αποθηκεύεται κάθε δείγμα. 16-bit είναι ποιότητα κυκλοφορίας, 24-bit δίνει περισσότερο headroom όσο δουλεύεις. Χαμηλό bit depth φαίνεται σαν hiss σε ήσυχα περάσματα.

WAV και FLAC κρατούν κάθε δείγμα· MP3 και AAC πετάνε πληροφορία που κρίνεται μη ακουστή για να μικρύνουν τα αρχεία. Το lossy encoding είναι μονόδρομος — re-encoding ενός MP3 πολλαπλασιάζει τη ζημιά, δεν την επισκευάζει.

Μετρήση έντασης που παρακολουθεί το πόσο δυνατά ακούγεται κάτι στην πράξη αντί για την κορυφή του. Τα streaming services κάνουν normalise γύρω στα −14 LUFS, οπότε mastering πιο δυνατά απλώς θα γυρίσει πάλι προς τα κάτω.

Το κενό ανάμεσα στο πιο δυνατό σημείο μιας μίξης και το ταβάνι όπου ξεκινά το clipping. Αν αφήσεις μερικά dB headroom, δίνεις χώρο στο mastering να δουλέψει.

Όταν ένα σήμα ξεπερνά το μέγιστο επίπεδο και οι κορυφές του ισοπεδώνονται. Ακούγεται σαν σκληρή παραμόρφωση και, αν τυπωθεί σε αρχείο, δεν ξε-γίνεται.

Διαίρεση του στέρεο σε ό,τι μοιράζονται τα κανάλια (mid) και σε ό,τι τα διαφοροποιεί (side). Απομονώνοντας το mid παίρνεις περίπου το κεντραρισμένο περιεχόμενο· απομονώνοντας το side το αφαιρείς. Αυτός είναι ο μηχανισμός πίσω από την αφαίρεση φωνητικών τύπου karaoke.

Όταν δύο αντίγραφα ενός σήματος είναι αντιστραμμένα μεταξύ τους και αθροίζουν σε σιωπή. Πρόβλημα όταν συμβαίνει κατά λάθος ανάμεσα σε μικρόφωνα, και εργαλείο όταν το κάνεις σκόπιμα για να αφαιρέσεις κεντραρισμένο περιεχόμενο.

Μεταδεδομένα μέσα στο MP3 — τίτλος, καλλιτέχνης, άλμπουμ, εξώφυλλο. Οι players διαβάζουν αυτά αντί για το όνομα αρχείου, γι’ αυτό ένα σωστά ονοματισμένο αρχείο μπορεί να εμφανίζεται ως "Unknown Artist".

Η οπτική μορφή του πλάτους στον χρόνο. Χρήσιμη για να βρίσκεις σιωπές, transients και όρια ενοτήτων με την πρώτη ματιά· δεν λέει τίποτα για ύψος ή τονικότητα.

Πληρώνεις μία φορά, ή καθόλου, και δεν οφείλεις άλλη χρέωση ανά χρήση. Δεν σημαίνει χωρίς πνευματικά δικαιώματα, και δεν σημαίνει ανεξέλεγκτο — η άδεια εξακολουθεί να ορίζει τους όρους.

Πραγματικά χωρίς ιδιοκτησία, που για μουσική σχεδόν πάντα σημαίνει δημόσιο κτήμα λόγω παλαιότητας. Πολύ λίγη σύγχρονη μουσική είναι copyright-free, και ο όρος συνήθως λέγεται ενώ εννοούν royalty-free.

Άδεια να κυκλοφορήσεις τη δική σου ηχογράφηση του τραγουδιού κάποιου άλλου. Αυτό που χρειάζεται κάθε διασκευή, είτε την παίζει μπάντα είτε είναι παραγμένη. Καλύπτει τη σύνθεση, όχι την αρχική ηχογράφηση.

Άδεια να συγχρονίσεις μουσική με εικόνα — βίντεο, διαφήμιση, παιχνίδι. Ξεχωριστή από το δικαίωμα διανομής του ήχου μόνο του, και η άδεια που οι περισσότεροι δημιουργοί πραγματικά χρειάζονται.

Κάθε τραγούδι έχει δύο δικαιώματα: τη σύνθεση (μελωδία και στίχοι, ανήκουν στον δημιουργό) και την ηχογράφηση (η συγκεκριμένη εκτέλεση, ανήκει σε όποιον την έκανε). Μια διασκευή φτιάχνει νέα ηχογράφηση αλλά εξακολουθεί να χρησιμοποιεί τη σύνθεση.

Το αυτοματοποιημένο σύστημα ταυτοποίησης του YouTube. Μπορεί να μαρκάρει ένα κομμάτι που νόμιμα σου ανήκει αν το έχει καταχωρίσει κάποιος άλλος — ακόμη και όταν πανομοιότυπος παραγμένος ήχος δηλώθηκε πρώτος.

Ένας οργανισμός διαχείρισης δικαιωμάτων εκτέλεσης — ASCAP, BMI, PRS — που εισπράττει δικαιώματα εκτέλεσης για στιχουργούς/συνθέτες. Αφορά όταν η μουσική παίζεται δημόσια ή μεταδίδεται, όχι απλώς γίνεται streaming.

Συμφωνία όπου όποιος το αναθέτει κατέχει το έργο πλήρως, όχι αυτός που το έφτιαξε. Συνηθισμένο σε διαφήμιση και βιντεοπαιχνίδια, και καλό να κλειδώνεται γραπτώς πριν παραδοθεί οτιδήποτε.