Słownik muzyki i AI

Jak szybko porusza się utwór, liczone w uderzeniach na minutę. Ballada siedzi koło 70, house ląduje około 124, drum and bass blisko 174. Tempo to najważniejsza rzecz do podania w prompcie, bo zmienia odczucie bardziej niż instrumentarium.

Nuta domowa, do której utwór się rozwiązuje, plus to, czy używa skali dur czy moll. Dur czyta się jako jasny lub osadzony, moll jako ciemniejszy lub nierozwiązany. Dwa utwory w tej samej tonacji można warstwować lub miksować bez zgrzytów.

DJ-ska notacja, która przemianowuje każdą tonację na liczbę plus A lub B — 8A, 8B, 9A. Tonacje obok siebie na kole dobrze ze sobą brzmią, więc harmoniczne miksowanie staje się arytmetyką zamiast teorią.

Kolejność i długość sekcji piosenki — intro, zwrotka, refren, bridge, outro — oraz to, które instrumenty grają w każdej. Aranżacja sprawia, że utwór brzmi jak piosenka, a nie pętla, która po prostu leci dalej.

Część, którą ludzie zapamiętują i potrafią zanucić. Zwykle melodia refrenu albo krótka powtarzana fraza. Utwór może być dobrze wyprodukowany i wciąż polec, jeśli nie ma hooka.

Wokalna melodia i tekst napisane na istniejący instrumental. W popowej produkcji topline i utwór często piszą różne osoby, dlatego „wyślij mi topline” to normalna prośba.

Przyciąganie nut do dokładnej siatki. Naprawia rozlazły timing, a w nadmiarze zabiera ludzkie pchanie i ciągnięcie, które sprawia, że groove żyje.

Gdzie dźwięk siedzi między lewym a prawym głośnikiem. Lead wokale, stopa i bas prawie zawsze są w centrum; gitary, klawisze i chórki idą na boki. Dokładnie to wykorzystuje usuwanie wokalu z kanału centralnego.

Generowanie audio z opisu tekstowego. Piszesz „wolny lo-fi beat z zakurzonym pianinem i szumem winyla” i dostajesz z powrotem utwór. Opis robi robotę briefu dla producenta.

Pisane polecenie podane modelowi muzycznemu. Dobre prompty podają gatunek, nastrój, tempo, instrumentarium i to, czy chcesz wokale. Mgliste prompty zwracają generyczne wyniki, bo nie ma do czego sterować.

Metoda generowania, która startuje od szumu i wielokrotnie go usuwa, aż zostanie ustrukturyzowany wynik. Większość obecnych modeli audio działa na spektrogramie albo wyuczonym latentnym przedstawieniu zamiast na surowych próbkach, bo surowe audio ma zbyt wiele wartości na sekundę.

Skompresowana wewnętrzna reprezentacja, w której podobnie brzmiąca muzyka leży blisko siebie. Generowanie w przestrzeni latentnej zamiast w surowym audio pozwala zrobić pełny utwór w sekundy, a nie godziny.

Obraz dźwięku: czas na jednej osi, częstotliwość na drugiej, jasność to głośność. Kilka modeli muzycznych generuje spektrogram i zamienia go potem na audio, co pozwala stosować techniki obrazowe do dźwięku.

Zamiana ciągłego audio na sekwencję dyskretnych symboli, które model może przewidywać, tak jak model językowy przewiduje słowa. Jakość tokenizera ogranicza jakość wyjścia — detalu straconego tutaj nie da się odzyskać później.

Wszystko, co dajesz modelowi, by sterować generowaniem — prompt tekstowy, klip referencyjny, tempo, tekst piosenki. Więcej warunkowania to mniej zaskoczeń i więcej kontroli.

Faktyczne uruchomienie wytrenowanego modelu, żeby wypluł wynik, w odróżnieniu od trenowania go. Gdy generator mówi „generowanie…”, robi inferencję, a czekanie to czas obliczeń.

Rozbijanie gotowego miksu z powrotem na części. Separatory neuronowe, takie jak Demucs, uczą się, jak brzmi każdy instrument; kasowanie kanału środkowego zamiast tego wykorzystuje geometrię stereo — jest dużo szybsze i znacznie mniej precyzyjne.

Odtworzenie głosu konkretnej osoby na podstawie jej nagrań. Inne niż generowanie głosu w stylu. Klonowanie nazwanego artysty podpada pod podobieństwo i prawa do wizerunku w coraz większej liczbie jurysdykcji — dlatego MusicGenerate tego nie oferuje.

Ile razy na sekundę mierzysz audio, w Hz. 44 100 Hz to standard CD, a 48 000 Hz to standard dla wideo. Wyższe częstotliwości łapią wyższe pasma; same z siebie nie sprawią, że utwór zabrzmi lepiej.

Jak precyzyjnie zapisywana jest każda próbka. 16-bit to jakość wydawnicza, 24-bit daje więcej headroomu w trakcie pracy. Niska głębia bitowa objawia się sykiem w cichych fragmentach.

WAV i FLAC zachowują każdą próbkę; MP3 i AAC odrzucają informacje uznane za niesłyszalne, żeby zmniejszyć pliki. Stratne kodowanie jest jednokierunkowe — ponowne zakodowanie MP3 kumuluje szkody zamiast je naprawiać.

Miara głośności, która śledzi, jak coś faktycznie brzmi głośno, a nie jego poziom szczytowy. Serwisy streamingowe normalizują do około −14 LUFS, więc masterowanie głośniej i tak zostanie ściszone.

Luka między najgłośniejszym punktem miksu a sufitem, gdzie zaczyna się clipping. Zostawienie kilku dB headroomu daje masteringowi przestrzeń do pracy.

To, co się dzieje, gdy sygnał przekracza maksymalny poziom i jego szczyty są ścinane. Słyszysz to jako ostrą dystorsję i, gdy raz trafi do pliku, nie da się tego cofnąć.

Rozdzielanie stereo na to, co kanały mają wspólnego (mid/środek), i to, czym się różnią (side/bok). Izolowanie środka daje w przybliżeniu to, co jest wycentrowane; izolowanie boków to usuwa. To mechanizm stojący za usuwaniem wokalu w stylu karaoke.

Gdy dwie kopie sygnału są względem siebie odwrócone w fazie i sumują się do ciszy. Problem, gdy dzieje się to przypadkiem między mikrofonami, i narzędzie, gdy celowo stosujesz je do usuwania wycentrowanej zawartości.

Metadane zapisane wewnątrz pliku MP3 — tytuł, artysta, album, okładka. Odtwarzacze czytają je zamiast nazwy pliku, dlatego poprawnie nazwany plik wciąż może pokazywać się jako „Unknown Artist”.

Wizualny kształt amplitudy w czasie. Przydatny do błyskawicznego znajdowania ciszy, transjentów i granic sekcji; nie mówi nic o wysokości dźwięku ani tonacji.

Płacisz raz, albo wcale, i nie jesteś winien kolejnych opłat za użycie. To nie znaczy „bez praw autorskich” i nie znaczy „bez ograniczeń” — zasady nadal definiuje licencja.

Rzeczywiście niczyje, co w muzyce prawie zawsze oznacza domenę publiczną ze względu na wiek. Bardzo niewiele współczesnej muzyki jest bez praw autorskich, a to sformułowanie zwykle pada tam, gdzie chodzi o royalty-free.

Zgoda na wydanie własnego nagrania cudzej piosenki. Potrzebna przy każdym coverze, czy to zagranym przez zespół, czy wygenerowanym. Obejmuje kompozycję, nie oryginalne nagranie.

Zgoda na zsynchronizowanie muzyki z obrazem — wideo, reklamą, grą. Osobno od prawa do dystrybucji samego audio i to zwykle ta licencja jest realnie potrzebna twórcom.

Każdy utwór niesie dwa prawa: do kompozycji (melodia i tekst, własność autora) i do nagrania (konkretne wykonanie, własność tego, kto je zrobił). Cover tworzy nowe nagranie, ale nadal korzysta z kompozycji.

Zautomatyzowany system dopasowywania YouTube. Może oflagować utwór, do którego masz pełne prawa, jeśli ktoś inny go zarejestrował — włącznie z przypadkami, gdy identyczne wygenerowane audio zostało najpierw zgłoszone przez kogoś innego.

Organizacja pobierająca tantiemy za publiczne odtworzenia dla autorów — ASCAP, BMI, PRS. Ma znaczenie, gdy muzyka jest publicznie odtwarzana lub nadawana, a nie tylko streamowana.

Ustalenie, w którym zamawiający jest właścicielem całości, a nie wykonawca. Powszechne w reklamie i grach; warto ustalić to na piśmie, zanim cokolwiek dostarczysz.