Glossário de Música & IA

Quão rápido uma faixa anda, contado em batidas por minuto. Uma balada fica perto de 70, house gira em torno de 124, drum and bass perto de 174. O tempo é a coisa mais útil para especificar em um prompt porque muda a sensação mais do que a instrumentação.

A nota de repouso para a qual a música resolve, mais se usa escala maior ou menor. Maior soa brilhante ou resolvido; menor, mais escuro ou em suspense. Duas faixas na mesma tonalidade podem ser sobrepostas ou mixadas sem conflito.

Uma notação de DJ que renomeia cada tonalidade como um número mais A ou B — 8A, 8B, 9A. Tonalidades vizinhas na roda soam bem juntas, o que transforma mixagem harmônica em aritmética em vez de teoria.

A ordem e a duração das seções de uma música — intro, verso, refrão, ponte, outro — e quais instrumentos tocam em cada uma. Arranjo é o que faz uma faixa soar como música, não como um loop que só segue.

A parte que fica na cabeça e dá para cantar de volta. Geralmente a melodia do refrão ou uma frase curta repetida. Uma faixa pode ser bem produzida e ainda falhar porque não tem gancho.

A melodia vocal e a letra escritas sobre um instrumental existente. Na produção pop, a topline e a faixa muitas vezes são escritas por pessoas diferentes, por isso "me manda uma topline" é um pedido normal.

Prender notas a uma posição exata da grade. Corrige timing impreciso, e em excesso tira o vai-e-vem humano que dá vida ao groove.

Onde um som fica entre os alto-falantes esquerdo e direito. Vocais principais, bumbo e baixo quase sempre no centro; guitarras, teclas e backing vocals vão para as laterais. É exatamente essa convenção que a remoção de vocais por canal central explora.

Gerar áudio a partir de uma descrição escrita. Você escreve "batida lo-fi lenta com piano empoeirado e ruído de vinil" e recebe de volta uma faixa. A descrição faz o papel de um briefing de produtor.

A instrução escrita dada a um modelo de música. Prompts úteis nomeiam gênero, clima, tempo, instrumentação e se vocais são desejados. Prompts vagos retornam resultados genéricos, porque não há nada para direcionar.

Um método de geração que começa no ruído e o remove repetidamente até sobrar um resultado estruturado. A maioria dos modelos de áudio atuais trabalha em um espectrograma ou em uma representação latente aprendida, não em amostras brutas, porque áudio bruto tem valores demais por segundo.

Uma representação interna comprimida onde músicas de som parecido ficam próximas. Gerar no espaço latente em vez de áudio bruto é o que torna possível uma faixa inteira em segundos, não horas.

Uma imagem do som: tempo em um eixo, frequência no outro, brilho para loudness. Vários modelos de música geram um espectrograma e depois o convertem em áudio, o que permite aplicar técnicas de imagem ao som.

Transformar áudio contínuo em uma sequência de símbolos discretos que um modelo pode prever, do mesmo jeito que um modelo de linguagem prevê palavras. A qualidade do tokenizador limita a qualidade da saída — detalhe perdido aí não pode ser recuperado depois.

Qualquer coisa dada ao modelo para guiar a geração — um prompt de texto, um clipe de referência, um tempo, um conjunto de letras. Mais condicionamento significa menos surpresa e mais controle.

Rodar de fato um modelo treinado para produzir saída, em vez de treiná-lo. Quando um gerador diz "gerando…", ele está fazendo inferência, e a espera é tempo de computação.

Dividir uma mix pronta de volta em partes. Separadores neurais como Demucs aprendem como cada instrumento soa; cancelamento de canal central, por outro lado, explora a geometria estéreo, o que é muito mais rápido e muito menos preciso.

Reproduzir a voz específica de uma pessoa a partir de gravações dela. Diferente de gerar uma voz em um estilo. Clonar um artista nomeado levanta questões de semelhança e direitos de publicidade em um número crescente de jurisdições, e é por isso que MusicGenerate não oferece isso.

Quantas vezes por segundo o áudio é medido, em Hz. 44.100 Hz é padrão de CD e 48.000 Hz é padrão para vídeo. Taxas mais altas capturam frequências mais altas; por si só não fazem uma faixa soar melhor.

Quão precisamente cada amostra é armazenada. 16-bit é qualidade de lançamento, 24-bit dá mais headroom enquanto você trabalha. Bit depth baixo aparece como chiado em passagens silenciosas.

WAV e FLAC preservam cada amostra; MP3 e AAC descartam informação julgada inaudível para deixar os arquivos menores. Codificação com perdas é de mão única — recompactar um MP3 só acumula o dano em vez de restaurá-lo.

Uma medida de loudness que acompanha como algo de fato soa de alto, não apenas seu nível de pico. Serviços de streaming normalizam para cerca de −14 LUFS, então masterizar acima disso só vai ser reduzido de volta.

O espaço entre o ponto mais alto de uma mix e o teto onde o clipping começa. Deixar alguns dB de headroom dá à masterização um lugar para trabalhar.

O que acontece quando um sinal excede o nível máximo e seus picos são achatados. Ouvido como distorção áspera, e uma vez impresso em um arquivo não pode ser desfeito.

Separar o estéreo no que os canais compartilham (mid) e no que os diferencia (side). Isolar o mid dá, grosso modo, o conteúdo central; isolar o side remove isso. É o mecanismo por trás da remoção de vocais estilo karaokê.

Quando duas cópias de um sinal são invertidas uma em relação à outra e somam ao silêncio. Um problema quando acontece sem querer entre microfones, e uma ferramenta quando aplicada de propósito para remover conteúdo central.

Metadados guardados dentro de um MP3 — título, artista, álbum, capa. Players leem isso em vez do nome do arquivo, por isso um arquivo com o nome certo ainda pode aparecer como "Unknown Artist".

O desenho visual da amplitude ao longo do tempo. Útil para achar silêncio, transientes e limites de seções num relance; não diz nada sobre altura ou tonalidade.

Você paga uma vez, ou nada, e não deve mais nenhum pagamento por uso. Não quer dizer livre de direitos autorais, e não quer dizer sem restrições — a licença ainda define as regras.

De fato sem dono, o que em música quase sempre significa domínio público por idade. Quase nada da música moderna é sem direitos autorais, e a frase costuma ser usada quando a pessoa queria dizer royalty-free.

Permissão para lançar sua própria gravação da música de outra pessoa. O que todo cover precisa, seja tocado por uma banda ou gerado. Cobre a composição, não a gravação original.

Permissão para sincronizar música com imagem — um vídeo, um anúncio, um jogo. Separada do direito de distribuir o áudio sozinho, e a licença de que a maioria dos criadores realmente precisa.

Toda música carrega dois direitos: a composição (melodia e letra, do autor) e a gravação (a performance específica, de quem a fez). Um cover cria uma nova gravação, mas ainda usa a composição.

O sistema automatizado de correspondência do YouTube. Pode sinalizar uma faixa que você legitimamente possui se ela foi registrada por outra pessoa — inclusive em casos em que um áudio gerado idêntico foi reivindicado primeiro.

Uma sociedade de gestão de direitos de execução pública — ASCAP, BMI, PRS — que coleta royalties de execução para compositores. Relevante quando a música passa a ser executada publicamente ou transmitida, e não só em streaming.

Um arranjo em que quem encomenda o trabalho é dono dele por completo, e não quem o fez. Comum em publicidade e games, e vale deixar por escrito antes de entregar qualquer coisa.