Глоссарий по музыке и ИИ

Насколько быстро движется трек, считая удары каждую минуту. Баллада — около 70, house — примерно 124, drum and bass — около 174. Темп — самая полезная вещь, которую стоит указать в промпте, потому что он меняет ощущение сильнее, чем инструментарий.

Опорная нота, к которой музыка разрешается, плюс мажор или минор. Мажор читается как светлый или устойчивый, минор — как более тёмный или неустойчивый. Два трека в одной тональности можно наслаивать или сводить вместе без конфликтов.

DJ-нотация, где каждая тональность переименована в число плюс A или B — 8A, 8B, 9A. Соседние на колесе тональности хорошо сочетаются, так что гармонический микс превращается в арифметику вместо теории.

Порядок и длительность разделов песни — интро, куплет, припев, бридж, аутро — и какие инструменты играют в каждом. Аранжировка делает трек песней, а не петлёй, которая просто тянется дальше.

То, что запоминают и могут напеть. Обычно мелодия припева или короткая повторяющаяся фраза. Трек может быть отлично спродюсирован и всё равно провалиться, если в нём нет хука.

Вокальная мелодия и текст, написанные поверх уже готового инструментала. В поп-продакшене топлайн и трек часто пишут разные люди, поэтому «пришлите топлайн» — нормальная просьба.

Привязка нот к точной позиции сетки. Исправляет неточный тайминг, а при перегибе убирает человеческие микросмещения, из-за которых грув живой.

Где звук располагается между левым и правым каналами. Лид-вокал, бочка и бас почти всегда по центру; гитары, клавиши и бэк-вокал уводят к сторонам. Эту конвенцию как раз и использует удаление вокала по центральному каналу.

Генерация аудио по письменному описанию. Пишете «медленный lo-fi beat с пыльным пианино и шумом винила» — получаете трек. Описание выполняет роль продюсерского брифа.

Письменная инструкция для музыкальной модели. Полезные промпты указывают жанр, настроение, темп, инструменты и нужен ли вокал. Размытые промпты дают шаблонные результаты, потому что некуда направлять генерацию.

Метод генерации, который стартует из шума и многократно удаляет его, пока не останется структурированный результат. Большинство текущих аудио-моделей работают со спектрограммой или выученным латентным представлением, а не с «сырыми» сэмплами: в необработанном аудио слишком много значений в секунду.

Сжатое внутреннее представление, где похожая на слух музыка лежит рядом. Генерация в латентном пространстве вместо «сырого» аудио и делает возможным полный трек за секунды, а не часы.

Картинка звука: время по одной оси, частота по другой, яркость — это громкость. Несколько музыкальных моделей генерируют спектрограмму и затем конвертируют её в аудио, что позволяет применять к звуку приёмы из обработки изображений.

Преобразование непрерывного аудио в последовательность дискретных символов, которые модель может предсказывать, как языковая модель предсказывает слова. Качество токенизатора ограничивает качество результата — потерянную там деталь позже не вернуть.

Всё, что дают модели, чтобы направить генерацию — текстовый промпт, референс-клип, темп, текст песни. Больше кондиционирования — меньше сюрпризов и больше контроля.

Запуск обученной модели для получения результата в отличие от её обучения. Когда генератор пишет «generating…», он делает инференс, а ожидание — это время вычислений.

Разбор готового микса обратно на части. Нейросепараторы вроде Demucs учатся, как звучит каждый инструмент; отмена центрального канала вместо этого использует стереогеометрию — намного быстрее и куда менее точна.

Воспроизведение голоса конкретного человека по его записям. Отличается от генерации голоса «в стиле». Клонирование имени артиста поднимает вопросы сходства и прав на образ в всё большем числе юрисдикций — поэтому MusicGenerate этого не предлагает.

Сколько раз в секунду измеряется аудио, в Гц. 44 100 Гц — стандарт CD, 48 000 Гц — стандарт для видео. Более высокие частоты захватывают более высокие гармоники; сами по себе они не делают трек звучащим лучше.

Насколько точно хранится каждый сэмпл. 16-бит — качество релиза, 24-бит дают больше запаса по уровню в работе. Низкая битность проявляется шипением в тихих местах.

WAV и FLAC сохраняют каждый сэмпл; MP3 и AAC отбрасывают сочтённую неслышной информацию, чтобы сделать файлы меньше. Кодек с потерями — это один путь: перекодирование MP3 накапливает ущерб, а не чинит его.

Метрика громкости, которая отслеживает, насколько что-то кажется громким на слух, а не его пиковый уровень. Стриминговые сервисы нормализуют примерно до −14 LUFS, так что мастрить громче — значит, это просто вернут назад тише.

Зазор между самым громким моментом микса и потолком, где начинается клиппинг. Пара децибел запаса даёт мастерингу пространство для работы.

Что происходит, когда сигнал превышает максимум и его пики срезаются. Слышится как жёсткое искажение, и если оно уже записано в файл — его не отменить.

Разделение стерео на общее для каналов (mid) и различия между ними (side). Выделение mid даёт примерно центрированный контент; выделение side его убирает. Это механизм караоке-стиля удаления вокала.

Когда две копии сигнала инвертированы друг относительно друга и складываются в тишину. Проблема, если это происходит случайно между микрофонами, и инструмент, если сделать нарочно, чтобы убрать центрированный контент.

Метаданные внутри MP3 — название, артист, альбом, обложка. Плееры читают их, а не имя файла, поэтому корректно названный файл всё равно может показываться как "Unknown Artist".

Визуальная форма амплитуды во времени. Полезна для поиска тишины, транзиентов и границ секций с одного взгляда; ничего не говорит о высоте или тональности.

Вы платите один раз, или ничего, и больше не должны платить за каждое использование. Это не значит «без авторских прав», и это не значит «без ограничений» — условия всё равно задаёт лицензия.

По-настоящему ничейная, что для музыки почти всегда значит общественное достояние по возрасту. Современной музыки без авторских прав очень мало, и эту фразу обычно используют, когда имеют в виду роялти-фри.

Разрешение выпустить вашу запись чужой песни. Нужна для любого кавера, хоть сыгранного группой, хоть сгенерированного. Она покрывает композицию, а не оригинальную запись.

Разрешение синхронизировать музыку с визуалом — роликом, рекламой, игрой. Отдельно от права распространять аудио само по себе, и именно эта лицензия чаще всего нужна создателям.

У каждой песни два права: композиция (мелодия и текст, у автора) и звукозапись (конкретное исполнение, у того, кто её сделал). Кавер создаёт новую запись, но всё ещё использует композицию.

Автоматическая система сопоставления YouTube. Она может пометить трек, которым вы легитимно владеете, если этот трек был зарегистрирован кем-то ещё — включая случаи, когда идентичное сгенерированное аудио было заявлено первым.

Организация, собирающая роялти за публичное исполнение — ASCAP, BMI, PRS — для авторов песен. Становится актуально, когда музыку публично исполняют или вещают, а не только стримят.

Схема, при которой владеет тот, кто заказал работу, а не тот, кто её сделал. Обычна в рекламе и играх и стоит зафиксировать письменно до того, как что-то будет передано.