音楽とAI用語集

1分あたりの拍数で数える、トラックの速さです。バラードは約70、ハウスはおよそ124、ドラムンベースはおよそ174です。テンポはプロンプトで指定すると最も効く要素で、編成よりも手触りを変えます。

曲が解決するホームノートと、長調か短調かです。長調は明るい・落ち着いた、短調は暗い・未解決に読み取られます。同じキーの2つのトラックは、ぶつからずにレイヤーやミックスができます。

各キーを数字とAまたはBに言い換えるDJ表記です—8A、8B、9Aのように。ホイールで隣り合うキー同士は相性がよく、ハーモニックミキシングを理論ではなく算数にしてくれます。

曲の各セクションの順番と長さ—イントロ、ヴァース、コーラス、ブリッジ、アウトロ—、そして各セクションでどの楽器が鳴るかです。アレンジが、トラックを「ずっと続くループ」ではなく「曲」にします。

人が覚えて口ずさめる部分です。たいていはコーラスのメロディか短い反復フレーズです。トラックのプロダクションが良くても、フックがなければ失敗します。

既存のインストゥルメンタルに乗せて書くボーカルのメロディと歌詞です。ポップ制作ではトップラインとトラックが別の人により書かれることが多く、「トップライン送って」が普通のリクエストになります。

ノートを正確なグリッド位置にスナップさせます。だらしないタイミングを直せますが、やりすぎるとグルーブを生かす人間的な揺れを消してしまいます。

音を左右のスピーカーの間のどこに置くかです。リードボーカル、キック、ベースはほぼ常にセンター、ギター、鍵盤、バックボーカルは外側に振ります。この慣習こそがセンターチャンネルのボーカル除去が利用する前提です。

文章での説明からオーディオを生成します。例えば「ゆっくりしたローファイビート、ダスティなピアノ、レコードノイズ」と書けば、トラックが返ってきます。その説明文がプロデューサーブリーフの役割を果たします。

音楽モデルに与える文章の指示です。良いプロンプトはジャンル、ムード、テンポ、編成、ボーカルの有無を明示します。あいまいなプロンプトは汎用的な結果になります。舵取りする情報がないからです。

ノイズから始め、それを繰り返し取り除いて構造化された出力を残す生成手法です。現在の多くのオーディオモデルは生のサンプルではなく、スペクトログラムや学習された潜在表現で動作します。生のオーディオは1秒あたりの値が多すぎるからです。

似た響きの音楽が近くに並ぶ、圧縮された内部表現です。生のオーディオではなく潜在空間で生成するからこそ、フルトラックを数時間ではなく数秒で作れます。

音の絵です：一方の軸が時間、もう一方が周波数、明るさが音量です。いくつかの音楽モデルはスペクトログラムを生成してからオーディオに変換し、画像の手法を音に応用できるようにします。

連続したオーディオを、言語モデルが単語を予測するようにモデルが予測できる離散記号の列へ変換します。トークナイザーの品質が出力の品質の上限になります。そこで失われたディテールは後から取り戻せません。

生成を誘導するためにモデルに与えるもの全般です—テキストのプロンプト、リファレンスクリップ、テンポ、歌詞のセット。条件付けが多いほど驚きは減り、コントロールは増えます。

学習とは別に、学習済みモデルを実際に走らせて出力を作ることです。ジェネレーターが「生成中…」と言っているとき、それは推論を行っており、その待ち時間は計算時間です。

仕上がったミックスをパートに分解します。Demucs のようなニューラル系セパレーターは各楽器の音を学習します。センターチャンネルのキャンセルはステレオの幾何を利用するだけで、はるかに高速ですが精度は大きく劣ります。

特定の人物の声を、その人の録音から再現します。特定のスタイルで声を生成することとは別物です。名指しのアーティストをクローンすることは、各地で肖像・パブリシティ権の問題を招いており、そのため MusicGenerate は提供しません。

1秒間にオーディオを何回測定するかを Hz で表します。44,100 Hz は CD 標準、48,000 Hz は映像の標準です。高いレートは高い周波数まで捉えますが、それ自体でトラックが良く鳴くわけではありません。

各サンプルをどれだけ精密に保存するかです。16-bit はリリース品質、24-bit は作業中のヘッドルームを広げます。ビット深度が低いと静かな箇所でヒスとして現れます。

WAV と FLAC は全サンプルを保持します。MP3 と AAC は聞こえないと判断した情報を捨ててファイルを小さくします。ロッシー符号化は片道です—MP3 を再エンコードしても修復ではなく劣化が累積します。

ピークではなく実際の聴感上の大きさを追うラウドネス指標です。ストリーミングサービスはおおむね −14 LUFS に正規化します。ですので、それより大きくマスタリングしても結局は下げられます。

ミックスの最大点と、クリッピングが始まる天井との間の余白です。数 dB のヘッドルームを残すと、マスタリングが作業できる余地が生まれます。

信号が最大レベルを超えて、そのピークが平らに潰れることです。荒い歪みとして聞こえ、いったんファイルに書き込まれると元に戻せません。

ステレオを、両チャンネルで共通する成分（ミッド）と、差分を作る成分（サイド）に分ける手法です。ミッドを抽出するとおおむね中央の内容になり、サイドを抽出するとそれが取り除かれます。カラオケ風のボーカル除去の仕組みはこれです。

同じ信号の2つのコピーが互いに反転し、足し合わせると無音になることです。マイク間で偶発的に起きると問題ですが、意図的に使えば中央の成分を取り除く道具になります。

MP3の内部に保存されるメタデータです—タイトル、アーティスト、アルバム、アートワーク。再生アプリはファイル名ではなくこちらを読みます。だから、正しいファイル名でも「Unknown Artist」と表示されることがあるのです。

時間に対する振幅の見た目です。無音やトランジェント、セクション境界を一目で探すのに役立ちますが、ピッチやキーについては何も教えてくれません。

一度だけ、または無料で支払い、以後の都度使用料は発生しません。著作権がないという意味でも、無制限という意味でもありません。利用条件はライセンスが定めます。

真に無主の状態を指します。音楽ではほぼ例外なく、経年によるパブリックドメイン入りを意味します。現代の音楽で著作権フリーなものはごくわずかで、この語はたいていロイヤリティフリーの意味で誤用されています。

他人の曲を自分で録音した音源をリリースする許可です。バンド演奏でも生成でも、カバーには必須です。対象は元の録音ではなく、楽曲（コンポジション）そのものです。

音楽を映像—動画、広告、ゲーム—に同期させる許可です。音声単体を配布する権利とは別物で、実際に多くのクリエイターが必要とするライセンスです。

曲には2つの権利があります。作曲（メロディと言葉。作者が所有）と、録音（特定の演奏。作った人が所有）です。カバーは新しい録音を生みますが、作曲はそのまま使います。

YouTubeの自動マッチングシステムです。あなたが正当に所有するトラックでも、他人にそのトラックが登録されていればフラグが立つことがあります。同一の生成音源を先に申告されたケースも含まれます。

演奏権使用料を作詞作曲家のために徴収する団体です—ASCAP、BMI、PRSなど。単なるストリーミングだけでなく、公に演奏されたり放送されたりすると関係してきます。

発注者が成果物の所有権を制作者ではなく全面的に持つ取り決めです。広告やゲームでは一般的で、納品前に書面で取り決めておく価値があります。