อภิธานศัพท์ดนตรีและ AI

ความเร็วที่แทร็กเคลื่อน วัดเป็นจำนวนจังหวะต่อนาที บัลลาดอยู่แถว 70 เฮาส์ราว 124 ดรัมแอนด์เบสแถว 174 เทมโปคือสิ่งเดียวที่มีประโยชน์ที่สุดให้ระบุในพรอมป์ต์ เพราะมันเปลี่ยนอารมณ์มากกว่าการเลือกเครื่องดนตรีเสียอีก

โน้ตศูนย์กลางที่เพลงคลี่คลายกลับไป บวกกับว่าเป็นสเกลเมเจอร์หรือไมเนอร์ เมเจอร์ให้ความสว่าง/ลงตัว ไมเนอร์ให้โทนมืด/ไม่คลี่คลาย สองแทร็กที่คีย์เดียวกันซ้อนหรือมิกซ์ร่วมกันได้โดยไม่ตีกัน

สัญลักษณ์สำหรับดีเจที่ตั้งชื่อคีย์ใหม่เป็นตัวเลขบวก A หรือ B — 8A, 8B, 9A คีย์ที่อยู่ติดกันบนวงล้อจะเข้ากันได้ดี ทำให้การมิกซ์แบบฮาร์มอนิกกลายเป็นเรื่องบวกลบคูณหารแทนทฤษฎี

ลำดับและความยาวของท่อนในเพลง — อินโทร เวิร์ส คอรัส บริดจ์ เอาท์โทร — และเครื่องดนตรีใดเล่นในแต่ละท่อน การเรียบเรียงคือสิ่งที่ทำให้แทร็กเป็นเพลง ไม่ใช่แค่ลูปที่วนไปเรื่อย

ท่อนที่คนจำได้และฮัมกลับได้ มักเป็นทำนองคอรัสหรือวลีสั้นๆ ที่วนซ้ำ แทร็กอาจโปรดิวซ์ดีมากแต่ยังล้มเหลวได้ถ้าไม่มีฮุก

ทำนองร้องและเนื้อร้องที่เขียนทับอินสทรูเมนทัลที่มีอยู่แล้ว ในงานป็อป ท็อปไลน์กับแทร็กมักถูกเขียนโดยคนละคน นั่นแหละทำให้คำว่า "ส่งท็อปไลน์มาให้หน่อย" เป็นคำขอปกติ

จับโน้ตให้ตรงกริดเป๊ะ แก้จังหวะหลวมๆ และถ้าทำเกินไปมันจะลบแรงผลัก-ดึงแบบมนุษย์ที่ทำให้กรูฟมีชีวิต.

ตำแหน่งเสียงระหว่างลำโพงซ้ายกับขวา เสียงร้องนำ คิก และเบสแทบจะอยู่กึ่งกลางเสมอ; กีตาร์ คีย์ และเสียงประสานมักถูกดันออกไปด้านข้าง ธรรมเนียมนี้เองที่การลบเสียงร้องแบบช่องกลางเอาไปใช้หาประโยชน์.

สร้างเสียงจากคำบรรยายที่เขียนไว้ พิมพ์ว่า "slow lo-fi beat with dusty piano and vinyl noise" แล้วได้แทร็กกลับมา คำบรรยายกำลังทำหน้าที่เหมือนบรีฟโปรดิวเซอร์.

คำสั่งที่เขียนให้โมเดลดนตรี พรอมป์ต์ที่มีประโยชน์จะระบุแนว อารมณ์ จังหวะ เครื่องดนตรี และเอาเสียงร้องหรือไม่ พรอมป์ต์กว้างๆ จะได้ผลลัพธ์กลางๆ เพราะไม่มีอะไรมากำกับทิศทาง.

วิธีการสร้างที่เริ่มจากนอยส์แล้วค่อยๆ กำจัดจนเหลือผลลัพธ์ที่มีโครงสร้าง ปัจจุบันโมเดลเสียงส่วนใหญ่ทำงานบนสเปกโตรแกรมหรือการแทนแบบแฝงที่เรียนรู้ แทนที่จะเป็นสัญญาณดิบ เพราะเสียงดิบมีค่าต่อวินาทีมากเกินไป.

การแทนภายในแบบบีบอัดที่เพลงซึ่งฟังคล้ายกันจะอยู่ใกล้กัน การสร้างในพื้นที่แฝงแทนเสียงดิบทำให้สร้างแทร็กเต็มๆ ได้ในไม่กี่วินาทีแทนที่จะเป็นหลายชั่วโมง.

ภาพของเสียง: เวลาอยู่ตามแกนหนึ่ง ความถี่อยู่อีกแกน ความสว่างแทนความดัง โมเดลดนตรีหลายตัวสร้างสเปกโตรแกรมแล้วค่อยแปลงเป็นเสียงภายหลัง ทำให้เทคนิคด้านภาพถูกนำมาใช้กับเสียงได้.

เปลี่ยนเสียงต่อเนื่องให้เป็นลำดับสัญลักษณ์แยกส่วนที่โมเดลทำนายได้ เหมือนที่โมเดลภาษาเดาคำ คุณภาพของโทเคไนเซอร์คือเพดานของคุณภาพผลลัพธ์ — รายละเอียดที่หายตรงนั้น เอากลับมาไม่ได้ในภายหลัง.

อะไรก็ตามที่ให้โมเดลเพื่อกำกับการสร้าง — พรอมป์ต์ข้อความ คลิปอ้างอิง จังหวะ ชุดเนื้อเพลง คอนดิชันนิ่งมากขึ้น แปลว่าคาดเดาได้มากขึ้นและควบคุมได้มากขึ้น.

การรันโมเดลที่ฝึกแล้วเพื่อผลิตผลลัพธ์ ตรงข้ามกับการฝึกมัน เมื่อเครื่องสร้างบอกว่า "generating…" นั่นคือกำลังทำอินเฟอเรนซ์ และเวลาที่รอคือเวลาคำนวณ.

แยกมิกซ์ที่เสร็จแล้วกลับออกเป็นส่วน ตัวแยกแบบประสาทอย่าง Demucs เรียนรู้ว่าแต่ละเครื่องดนตรีมีเสียงอย่างไร; ส่วนการยกเลิกช่องกลางอาศัยเรขาคณิตของสเตริโอ ซึ่งเร็วกว่าเยอะและแม่นยำน้อยกว่ามาก.

สร้างเสียงของบุคคลเฉพาะจากบันทึกเสียงของเขา ต่างจากการสร้างเสียงในสไตล์หนึ่งๆ การโคลนศิลปินที่ระบุนามทำให้เกิดปัญหาเรื่องสิทธิความเหมือนและสิทธิเผยแพร่ในหลายเขตอำนาจมากขึ้นเรื่อยๆ นี่คือเหตุผลที่ MusicGenerate ไม่ให้บริการนี้.

จำนวนครั้งต่อวินาทีที่วัดเสียง หน่วยเป็น Hz 44,100 Hz คือมาตรฐาน CD และ 48,000 Hz คือมาตรฐานวิดีโอ อัตราที่สูงกว่าจับความถี่ที่สูงกว่า; เพียงลำพังมันไม่ได้ทำให้แทร็กเสียงดีขึ้น.

ความละเอียดที่เก็บแต่ละแซมเปิล 16 บิตคือคุณภาพสำหรับปล่อยผลงาน 24 บิตให้เฮดรูมมากขึ้นระหว่างทำงาน ความละเอียดบิตต่ำจะแสดงเป็นเสียงซ่าช่วงที่เงียบ.

WAV และ FLAC เก็บทุกแซมเปิล; MP3 และ AAC ทิ้งข้อมูลที่คิดว่าไม่ได้ยินเพื่อทำให้ไฟล์เล็กลง การเข้ารหัสแบบสูญเสียเป็นทางเดียว — เข้ารหัส MP3 ซ้ำยิ่งทบความเสียหาย ไม่ได้กู้คืนอะไร.

มาตรวัดความดังที่ติดตามตามการรับรู้จริง ไม่ใช่แค่พีก สตรีมมิงส่วนใหญ่ปรับให้อยู่ราว −14 LUFS ดังนั้นมาสเตอริ่งให้ดังเกินนั้นก็ถูกหรี่กลับลงมาอยู่ดี.

ช่องว่างระหว่างจุดที่ดังที่สุดของมิกซ์กับเพดานที่คลิปปิ้งเริ่ม ทิ้งเฮดรูมไว้สักสองสาม dB เพื่อให้มาสเตอริ่งมีพื้นที่ทำงาน.

สิ่งที่เกิดขึ้นเมื่อสัญญาณเกินระดับสูงสุดแล้วพีกถูกตัดราบ จะได้ยินเป็นความเพี้ยนที่บาดหู และเมื่อถูกพิมพ์ลงไฟล์แล้วก็ย้อนกลับไม่ได้.

แยกสเตอริโอออกเป็นสิ่งที่สองแชนเนลมีร่วมกัน (mid) และสิ่งที่ทำให้ต่างกัน (side) แยก mid จะได้เนื้อหากึ่งกลางคร่าวๆ; แยก side จะตัดมันออก นี่คือกลไกเบื้องหลังการลบโวคัลแบบคาราโอเกะ

เมื่อสัญญาณสองชุดกลับเฟสกันและรวมกันจนเงียบสนิท เป็นปัญหาเมื่อเกิดขึ้นโดยไม่ตั้งใจระหว่างไมค์ และเป็นเครื่องมือเมื่อจงใจใช้เพื่อลบเนื้อหากึ่งกลาง

เมทาดาทาที่เก็บอยู่ใน MP3 — ชื่อเพลง ศิลปิน อัลบั้ม อาร์ตเวิร์ก เครื่องเล่นจะอ่านสิ่งนี้แทนชื่อไฟล์ จึงทำให้ไฟล์ที่ตั้งชื่อถูกต้องยังแสดงเป็น “Unknown Artist” ได้

รูปร่างเชิงภาพของแอมพลิจูดตามเวลา มีประโยชน์ต่อการหาเสียงเงียบ ทรานเชียนต์ และขอบเขตท่อนเพลงได้รวดเร็ว; ไม่ได้บอกอะไรเกี่ยวกับ pitch หรือคีย์

จ่ายครั้งเดียวหรือไม่จ่ายเลย และไม่ติดค่าจ่ายต่อการใช้งานครั้งถัดไป ไม่ได้แปลว่าไม่มีลิขสิทธิ์ และไม่ได้แปลว่าไม่จำกัด — ใบอนุญาตยังเป็นตัวกำหนดเงื่อนไข

ไม่มีเจ้าของจริงๆ ซึ่งกับเพลงแทบจะหมายถึงสาธารณสมบัติตามอายุ เพลงสมัยใหม่ที่ไม่มีลิขสิทธิ์มีน้อยมาก และคำนี้มักถูกใช้ทั้งที่จริงหมายถึงโรยัลตี้ฟรี

สิทธิ์ในการปล่อยงานบันทึกเสียงเวอร์ชันของตัวเองจากเพลงของคนอื่น ทุกเพลงคัฟเวอร์ต้องมี ไม่ว่าจะเล่นโดยวงหรือสร้างขึ้น ครอบคลุมคอมโพซิชัน (ทำนองและเนื้อเพลง) ไม่ใช่การบันทึกเสียงต้นฉบับ

สิทธิ์ในการซิงก์เพลงกับภาพ — วิดีโอ โฆษณา เกม แยกจากสิทธิ์แจกจ่ายเสียงเดี่ยวๆ และเป็นใบอนุญาตที่ผู้สร้างส่วนใหญ่ต้องใช้จริง

ทุกเพลงมีสองสิทธิ์: คอมโพซิชัน (ทำนองและเนื้อเพลง เป็นของผู้เขียน) และการบันทึกเสียง (การแสดงเฉพาะ เป็นของผู้ทำมัน) งานคัฟเวอร์สร้างการบันทึกเสียงใหม่ แต่ยังใช้คอมโพซิชันเดิม

ระบบจับคู่อัตโนมัติของ YouTube อาจติดธงแทร็กที่ตนเป็นเจ้าของโดยชอบได้ หากมีผู้อื่นลงทะเบียนแทร็กนั้นไว้ก่อน — รวมถึงกรณีที่เสียงที่สร้างออกมาเหมือนกันถูกอ้างสิทธิก่อน

องค์กรจัดเก็บค่าลิขสิทธิ์การสาธิต (performing rights) — เช่น ASCAP, BMI, PRS — ที่เก็บค่าลิขสิทธิ์การแสดงสำหรับนักแต่งเพลง เกี่ยวข้องเมื่อเพลงถูกเล่นต่อสาธารณะหรือออกอากาศ ไม่ใช่แค่สตรีมส่วนตัว

ข้อตกลงที่ผู้ว่าจ้างเป็นเจ้าของงานโดยสมบูรณ์ ไม่ใช่ผู้ทำงาน พบได้บ่อยในโฆษณาและเกม ควรตกลงเป็นลายลักษณ์อักษรก่อนส่งมอบใดๆ