Musik- och AI-ordlista

Hur snabbt ett spår rör sig, räknat i slag per minut. En ballad ligger runt 70, house landar runt 124, drum and bass nära 174. Tempo är det enskilt mest användbara att ange i en prompt eftersom det ändrar känslan mer än instrumenteringen gör.

Grundtonen som musiken upplöses till, plus om den använder dur- eller mollskala. Dur läses som ljust eller tryggt, moll som mörkare eller oupplöst. Två spår i samma tonart kan läggas ovanpå eller mixas ihop utan att skära sig.

En DJ-notation som döper om varje tonart till en siffra plus A eller B — 8A, 8B, 9A. Tonarter som ligger bredvid varandra på hjulet låter bra ihop, vilket gör harmonisk mixning till aritmetik i stället för teori.

Ordning och längd på låtens delar — intro, vers, refräng, brygga, outro — och vilka instrument som spelar i varje. Arrangemanget är det som får ett spår att kännas som en låt i stället för en loop som bara fortsätter.

Delen folk minns och kan sjunga tillbaka. Oftast refrängmelodin eller en kort upprepad fras. Ett spår kan vara välproducerat och ändå falla platt för att det saknar hook.

Sångmelodin och texten skriven över en befintlig instrumental. I popproduktion skrivs toplinen och spåret ofta av olika personer, vilket är varför ”skicka en topline” är en vanlig förfrågan.

Snäppa noter till en exakt rutnätsposition. Fixar slapp tajming, och överdrivet tar det bort den mänskliga push-pull som får ett groove att kännas levande.

Var ett ljud sitter mellan vänster och höger högtalare. Leadsång, kick och bas är nästan alltid centrerade; gitarrer, keys och körsång trycks utåt. Just den konventionen är exakt vad centerkanals-borttagning av sång utnyttjar.

Att generera ljud från en skriven beskrivning. Du skriver "långsam lo-fi-beat med dammigt piano och vinylbrus" och får ett spår tillbaka. Beskrivningen gör jobbet som en producentbrief skulle.

Den skrivna instruktionen som ges till en musikmodell. Användbara prompts namnger genre, känsla, tempo, instrumentering och om sång önskas. Luddiga prompts ger generiska resultat, för det finns inget att styra mot.

En genereringsmetod som börjar i brus och tar bort det stegvis tills strukturerad output återstår. De flesta aktuella ljudmodeller jobbar på ett spektrogram eller en inlärd latent representation snarare än på råa samplingar, eftersom rått ljud har alldeles för många värden per sekund.

Ett komprimerat internt representationsutrymme där liknande musik ligger nära varandra. Att generera i latentutrymme i stället för rått ljud är det som gör en full låt möjlig på sekunder i stället för timmar.

En bild av ljud: tid på ena axeln, frekvens på den andra, ljusstyrka för ljudstyrka. Flera musikmodeller genererar ett spektrogram och gör om det till ljud efteråt, vilket låter bildtekniker tillämpas på ljud.

Att göra om kontinuerligt ljud till en sekvens av diskreta symboler som en modell kan förutsäga, ungefär som en språkmodell förutsäger ord. Tokeniserarens kvalitet sätter taket för utdata — detalj som tappas där kan inte återskapas senare.

Allt som ges till modellen för att styra genereringen — en textprompt, ett referensklipp, ett tempo, en uppsättning sångtext. Mer konditionering betyder mindre överraskning och mer kontroll.

Att faktiskt köra en tränad modell för att producera utdata, till skillnad från att träna den. När en generator säger "genererar…" gör den inferens, och väntan är beräkningstid.

Att dela upp en färdig mix tillbaka i delar. Neurala separatorer som Demucs lär sig hur varje instrument låter; centerkanals-utsläckning utnyttjar i stället stereogeometri, vilket är mycket snabbare och mycket mindre exakt.

Att återskapa en specifik persons röst från inspelningar av dem. Skilt från att generera en röst i en stil. Att klona en namngiven artist väcker frågor om likhet och reklamrätt i ett växande antal jurisdiktioner, vilket är varför MusicGenerate inte erbjuder det.

Hur många gånger per sekund ljud mäts, i Hz. 44 100 Hz är CD-standard och 48 000 Hz är standard för video. Högre samplingsfrekvenser fångar högre frekvenser; de gör inte ett spår bättre av sig själva.

Hur exakt varje sample lagras. 16-bit är släppkvalitet, 24-bit ger mer headroom under arbetet. Lågt bitdjup visar sig som hiss i tysta partier.

WAV och FLAC behåller varje sample; MP3 och AAC kastar information som bedöms ohörbar för att göra filer mindre. Förlustkomprimering är envägs — att koda om en MP3 förvärrar skadan i stället för att återställa den.

Ett ljudstyrkemått som följer hur högt något faktiskt upplevs snarare än dess toppnivå. Streaming-tjänster normaliserar till ungefär −14 LUFS, så att mastra högre än så blir bara neddraget igen.

Gapet mellan mixens högsta punkt och taket där clipping börjar. Att lämna några dB headroom ger mastringen någonstans att jobba.

Vad som händer när en signal överstiger maxnivå och topparna kapas. Hörs som hård distorsion, och när det väl är tryckt in i en fil kan det inte ångras.

Att dela upp stereo i det kanalerna delar (mid) och det som skiljer dem (side). Att isolera mid ger ungefär det centrerade innehållet; att isolera side tar bort det. Det här är mekanismen bakom karaoke-liknande borttagning av sång.

När två kopior av en signal är inverterade i förhållande till varandra och summeras till tystnad. Ett problem när det händer av misstag mellan mikrofoner, och ett verktyg när det görs medvetet för att ta bort centrerat innehåll.

Metadata lagrad i en MP3 — titel, artist, album, omslag. Spelare läser detta snarare än filnamnet, vilket är varför en korrekt namngiven fil ändå kan visas som "Unknown Artist".

Den visuella formen av amplitud över tid. Användbar för att snabbt hitta tystnad, transienter och sektionsgränser; den säger inget om tonhöjd eller tonart.

Du betalar en gång, eller inget, och är inte skyldig några ytterligare betalningar per användning. Det betyder inte upphovsrättsfritt, och det betyder inte obegränsat — licensen sätter fortfarande villkoren.

Verkligt oägt, vilket för musik nästan alltid betyder public domain genom ålder. Väldigt lite modern musik är upphovsrättsfri, och frasen används oftast när man egentligen menar royaltyfri.

Tillstånd att släppa din egen inspelning av någon annans låt. Det som varje cover behöver, oavsett om den framförs av ett band eller genereras. Den gäller kompositionen, inte originalinspelningen.

Tillstånd att synka musik med bild — en video, en annons, ett spel. Skild från rätten att distribuera ljudet ensamt, och den licens de flesta skapare faktiskt behöver.

Varje låt bär två rättigheter: kompositionen (melodi och text, ägd av upphovspersonen) och ljudinspelningen (det specifika framförandet, ägd av den som gjorde den). En cover skapar en ny inspelning men använder fortfarande kompositionen.

YouTubes automatiska matchningssystem. Det kan flagga ett spår som du faktiskt äger om det spåret registrerats av någon annan — även i fall där identiskt genererat ljud gjorts anspråk på först.

En upphovsrättsorganisation för framföranderätt — ASCAP, BMI, PRS — som samlar in framföranderoyalties åt låtskrivare. Relevant när musik spelas offentligt eller sänds, snarare än bara streamas.

En upplåtelse där den som beställer jobbet äger det fullt ut, i stället för den som gjorde det. Vanligt i reklam och spel, och värt att spika skriftligt innan något levereras.