Zene & AI szószedet

Milyen gyorsan halad egy track, percenkénti ütésekben mérve. Egy ballada ~70, a house ~124, a drum and bass ~174 körül van. A tempó a leghasznosabb dolog, amit egy promptban megadhatsz, mert jobban megváltoztatja a hangulatot, mint a hangszerelés.

Az alaphang, amire a zene felold, plusz hogy dúr vagy moll skálát használ-e. A dúr világosnak vagy letisztultnak hat, a moll sötétebbnek vagy feloldatlannak. Azonos hangnemben két track egymásra rétegezhető vagy összekeverhető ütközés nélkül.

DJ-jelölés, ahol minden hangnemet egy szám és egy A vagy B jelöl — 8A, 8B, 9A. A körön szomszédos hangnemek jól szólnak együtt, így a harmonikus keverés elmélet helyett számtanná válik.

A dal részeinek sorrendje és hossza — intró, versszak, refrén, bridge, outro — és hogy melyik részben mely hangszerek szólnak. Az arrangement az, amitől egy track dalnak érződik, nem egy továbbmenő loopnak.

A rész, amit megjegyeznek és vissza tudnak énekelni. Többnyire a refrén dallama vagy egy rövid ismétlődő frázis. Egy track lehet jól megcsinálva és mégis elbukhat, ha nincs hookja.

A meglévő instrumental fölé írt énekdallam és szöveg. Popprodukcióban a topline-t és a tracket gyakran mások írják, ezért a „küldj egy topline-t” teljesen normális kérés.

Hangok pontos rácspozícióra pattintása. Kijavítja a trehány időzítést; ha túlzásba viszed, kiveszi azt a húzás-ellenhúzást, amitől él a groove.

Hol ül egy hang a bal és jobb hangszóró között. A fő ének, a lábdob és a basszus szinte mindig középen; a gitárok, billentyűk és háttérének kifelé tolva. Pont ezt a konvenciót használja ki a középcsatornás énekeltávolítás.

Hang generálása írott leírásból. Leírod: „lassú lo-fi beat poros zongorával és vinyl zajjal”, és kapsz vissza egy számot. A leírás azt a munkát végzi, amit egy produceri brief tenne.

A zenemodellnek adott írásos utasítás. A hasznos prompt megnevezi a műfajt, hangulatot, tempót, hangszerelést és hogy kell-e ének. A ködös promptok általános eredményt adnak, mert nincs mihez igazodni.

Olyan generálási módszer, ami zajból indul és azt ismételten eltávolítja, míg strukturált kimenet nem marad. A legtöbb mai audiomodell spektrogramon vagy tanult latenstéren dolgozik, nem nyers mintákon, mert a nyers hang túl sok értéket tartalmaz másodpercenként.

Egy tömörített belső reprezentáció, ahol a hasonlóan szóló zenék közel ülnek egymáshoz. Latenstérben generálni a nyers hang helyett az, ami másodpercek alatt tesz lehetővé egy teljes számot, nem órák alatt.

A hang képe: az idő az egyik tengelyen, a frekvencia a másikon, a fényerő a hangerő. Több zenemodell spektrogramot generál, majd utólag alakítja hanggá, így képes képfeldolgozási trükköket hangra alkalmazni.

A folytonos hangot diszkrét szimbólumok sorozatává alakítani, amit a modell úgy tud jósolni, mint egy nyelvi modell a szavakat. A tokenizáló minősége plafont húz a kimenet minősége fölé — ami részlet ott elveszik, később nem hozható vissza.

Bármi, amit a modellnek adsz, hogy tereld a generálást — egy szöveges prompt, egy referencia klip, egy tempó, egy dalszöveg. Több kondicionálás kevesebb meglepetést és több kontrollt jelent.

Egy betanított modellt ténylegesen lefuttatni kimenet előállítására, nem pedig tanítani. Amikor egy generátor azt írja, hogy „generálás…”, épp inferenciát végez, és a várakozás tiszta számítási idő.

Egy kész mixet visszabontani részekre. A neurális szeparátorok, mint a Demucs, megtanulják, hogyan szól egy-egy hangszer; a középcsatorna-kioltás ehelyett a sztereó geometriát használja ki, ami sokkal gyorsabb és sokkal pontatlanabb.

Egy konkrét személy hangjának reprodukálása a róla készült felvételekből. Nem ugyanaz, mint egy stílusban hangot generálni. Egy nevén nevezett előadó klónozása hasonlósági és személyiségi jogi kérdéseket vet fel egyre több joghatóságban, ezért a MusicGenerate nem kínálja.

Hányszor mérjük másodpercenként a hangot, Hz-ben. 44 100 Hz a CD-standard, 48 000 Hz a videós standard. A magasabb ráták magasabb frekvenciákat rögzítenek; önmagukban nem teszik „jobban szólóvá” a számot.

Milyen pontossággal tárolunk minden mintát. A 16 bit kiadási minőség, a 24 bit több headroomot ad munka közben. Az alacsony bitmélység sistergésként jön elő a csendes részekben.

A WAV és a FLAC minden mintát megtart; az MP3 és az AAC elvileg nem hallható információt dob el a kisebb fájlért. A veszteséges kódolás egyirányú — egy MP3 újrakódolása halmozza a kárt, nem állítja helyre.

Egy hangerőmérés, ami azt követi, valójában mennyire hangosnak hallatszik valami, nem a csúcsszintjét. A streaming szolgáltatók nagyjából −14 LUFS-re normalizálnak, így a hangosabbra masterelés csak vissza lesz halkítva.

A különbség a mix legesleghangosabb pontja és a plafon között, ahol a clipping elkezdődik. Pár dB headroomot hagyni ad mozgásteret a masterelésnek.

Amikor a jel túllépi a maximum szintet, és a csúcsai lelapulnak. Karcos torzításként hallod, és ha egyszer bele van írva a fájlba, nem visszafordítható.

A sztereó felosztása arra, amit a csatornák közösen tartalmaznak (mid), és arra, amiben különböznek (side). A mid izolálása nagyjából a középre tett tartalmat adja; a side izolálása ezt eltünteti. Ez a karaoke-stílusú vokál eltávolítás mechanizmusa.

Amikor egy jel két példánya egymáshoz képest invertált, és összeadva csendet adnak. Gond, ha mikrofonok között véletlenül történik, és hasznos eszköz, ha szándékosan alkalmazod a középre tett tartalom eltávolítására.

Egy MP3 belsejében tárolt metaadatok — cím, előadó, album, borító. A lejátszók ezeket olvassák a fájlnév helyett, ezért fordulhat elő, hogy egy jól elnevezett fájl mégis „Unknown Artist”-ként jelenik meg.

Az amplitúdó időbeli alakulásának vizuális képe. Hasznos a csend, a tranziensek és a szakaszhatárok gyors megtalálásához; a hangmagasságról vagy a hangnemről semmit nem mond.

Egyszer fizetsz, vagy semmit, és utána nincs további, felhasználásonkénti díj. Nem jelenti azt, hogy nincs szerzői jog, és nem jelenti a korlátlanságot sem — a licenc továbbra is meghatározza a feltételeket.

Valóban gazdátlan, ami zenénél szinte mindig életkor miatti közkincset jelent. A modern zenéknek csak elenyésző része copyright-free, és a kifejezést többnyire akkor használják, amikor valójában royalty-free-re gondolnak.

Engedély, hogy kiadd valaki más dalának a saját felvételed. Minden feldolgozáshoz kell, akár zenekar játssza, akár generált. A kompozícióra vonatkozik, nem az eredeti felvételre.

Engedély, hogy zenét képpel szinkronizálj — videóval, reklámmal, játékkal. Külön van attól a jogtól, hogy az audiót önmagában terjeszd, és ez az a licenc, amire a legtöbb alkotónak tényleg szüksége van.

Minden dalhoz két jog tartozik: a kompozíció (dallam és szöveg, a szerző tulajdona) és a hangfelvétel (a konkrét előadás, aki készítette, azé). Egy feldolgozás új felvételt hoz létre, de ugyanazt a kompozíciót használja.

A YouTube automatikus egyeztetőrendszere. Megjelölhet egy trackedet, ami jogosan a tiéd, ha valaki más regisztrálta — ideértve azt is, amikor azonos, generált audióra más csapott le előbb.

Előadási jogdíjakat beszedő közös jogkezelő szervezet — ASCAP, BMI, PRS — a dalszerzőknek. Akkor lényeges, ha a zene nyilvánosan szól vagy sugárzásba kerül, nem csak streamelve van.

Olyan megállapodás, ahol a megrendelőé a teljes tulajdon, nem azé, aki elkészítette. Gyakori reklámban és játékoknál, és érdemes ezt írásban rögzíteni még a leadás előtt.