Глосарій музики та AI

Наскільки швидко рухається трек, рахується в ударах за хвилину. Балада — близько 70, хаус — приблизно 124, драм-н-бейс — близько 174. Темп — найкорисніша річ, яку варто вказати в промпті, бо він змінює відчуття сильніше, ніж інструментування.

Опорний звук, на який розв’язується музика, і вибір мажору чи мінору. Мажор сприймається як світлий або стабільний, мінор — як темніший чи нерозв’язаний. Два треки в одній тональності можна накладати або міксувати без конфліктів.

DJ-нотація, у якій кожній тональності дають номер з A або B — 8A, 8B, 9A. Сусідні на колесі тональності добре звучать разом, тож гармонійний міксинг стає арифметикою, а не теорією.

Порядок і тривалість розділів пісні — інтро, куплет, приспів, бридж, аутро — і які інструменти де грають. Аранжування змушує трек відчуватися піснею, а не лупом, що просто триває.

Те, що запам’ятовують і можуть наспівати. Зазвичай мелодія приспіву або коротка повторювана фраза. Трек може бути добре продюсований і все одно провалитися, якщо в ньому немає хука.

Вокальна мелодія й текст, написані поверх наявного інструменталу. У поп-продакшні топлайн і трек часто пишуть різні люди, тому «надішліть топлайн» — цілком звичний запит.

Прив’язування нот до точної сітки. Виправляє криву ритміку, а якщо переборщити — прибирає той людський «пуш-пул», що робить грув живим.

Де звук розташований між лівою й правою колонками. Лід-вокал, кік і бас майже завжди по центру; гітари, клавіші й бек-вокали відсувають назовні. Саме це правило й використовує видалення вокалу з центрального каналу.

Генерування аудіо з письмового опису. Ви пишете «повільний lo-fi біт із запиленим піаніно та вініловим шумом» і отримуєте трек. Опис виконує роль продюсерського брифа.

Письмова інструкція, яку дають музичній моделі. Корисні промпти називають жанр, настрій, темп, інструментарій і чи потрібен вокал. Розмиті промпти повертають загальні результати, бо немає куди спрямовувати.

Метод генерування, що стартує з шуму й багаторазово прибирає його, доки не залишиться структурований результат. Більшість нинішніх аудіомоделей працюють зі спектрограмою або вивченим латентним представленням, а не з сирими семплами, бо у сирому аудіо надто багато значень за секунду.

Стиснене внутрішнє представлення, де схожа на слух музика розташована поруч. Генерування в латентному просторі, а не в сирому аудіо, і дозволяє робити повний трек за секунди, а не години.

Картина звуку: час по одній осі, частота по іншій, яскравість відповідає гучності. Декілька музичних моделей генерують спектрограму й уже потім перетворюють її на аудіо, що дозволяє застосовувати до звуку прийоми з обробки зображень.

Перетворення неперервного аудіо на послідовність дискретних символів, які модель може передбачати, як мовна модель передбачає слова. Якість токенайзера обмежує якість виходу — деталі, втрачені там, уже не відновити далі.

Будь-що, що дають моделі, щоб скерувати генерацію — текстовий промпт, референсний кліп, темп, текст пісні. Більше кондиціонування — менше сюрпризів і більше контролю.

Власне запуск навченої моделі для отримання результату, на відміну від її навчання. Коли генератор пише «генеруємо…», він виконує інференс, і очікування — це час обчислень.

Розбиття готового міксу назад на частини. Нейронні сепаратори на кшталт Demucs вчаться, як звучить кожен інструмент; скасування центрального каналу натомість використовує стереогеометрію, що значно швидше й набагато менш точне.

Відтворення голосу конкретної людини за її записами. Відрізняється від генерування голосу «в стилі». Клонування іменитого артиста підіймає питання схожості та прав на публічність у дедалі більшій кількості юрисдикцій — тому MusicGenerate цього не пропонує.

Скільки разів на секунду вимірюють аудіо, у Гц. 44 100 Гц — стандарт CD, а 48 000 Гц — стандарт для відео. Вищі частоти фіксують вищі частоти сигналу; самі по собі вони не роблять трек кращим.

Наскільки точно зберігається кожен семпл. 16-біт — релізна якість, 24-біт дає більше запасу по рівню під час роботи. Низька глибина проявляється як шум у тихих місцях.

WAV і FLAC зберігають кожен семпл; MP3 і AAC відкидають інформацію, визнану нечутною, щоб зменшити файли. Стиснення з втратами — в один бік: перекодування MP3 лише множить шкоду, а не відновлює її.

Вимірювання гучності, що відслідковує, як щось звучить насправді, а не його піковий рівень. Стрімінгові сервіси нормалізують приблизно до −14 LUFS, тож мастеринг гучніше за це просто зменшать назад.

Зазор між найгучнішою точкою міксу та стелею, де починається кліпінг. Залишення кількох dB запасу дає мастерингу простір для роботи.

Що трапляється, коли сигнал перевищує максимальний рівень і його піки зрізаються. Чутно як жорстке спотворення, і коли це вже записано у файл, повернути неможливо.

Розбиття стерео на спільне для каналів (mid) і те, що їх відрізняє (side). Ізоляція mid дає приблизно центрований контент; ізоляція side його прибирає. Це механізм, на якому тримається караоке-стиль видалення вокалу.

Коли дві копії сигналу інвертовані одна відносно одної й у сумі дають тишу. Проблема, коли це трапляється випадково між мікрофонами, і інструмент, коли свідомо застосовується для прибирання центрованого контенту.

Метадані всередині MP3 — назва, виконавець, альбом, обкладинка. Плеєри читають їх, а не ім’я файла, тому навіть правильно названий файл може показуватися як "Unknown Artist".

Візуальна форма амплітуди в часі. Корисно, щоб з першого погляду знаходити тишу, транзієнти й межі секцій; нічого не каже про висоту чи тональність.

Ви платите один раз, або нічого, і не винні подальших виплат за використання. Це не означає відсутність авторського права і не означає відсутність обмежень — умови все одно задає ліцензія.

Справді ніким не володіє, що для музики майже завжди означає public domain через вік. Сучасної музики без авторських прав дуже мало, і цю фразу зазвичай вживають там, де мають на увазі роялті-фрі.

Дозвіл випустити власний запис чужої пісні. Те, що потрібно кожному каверу — хоч виконаному гуртом, хоч згенерованому. Вона покриває композицію, а не оригінальний запис.

Дозвіл синхронізувати музику з візуалом — відео, рекламою, грою. Відокремлено від права поширювати саму доріжку, і саме ця ліцензія найчастіше потрібна креаторам.

У кожної пісні дві категорії прав: на композицію (мелодія і текст, належать автору) і на фонограму (конкретне виконання, належить тому, хто його зробив). Кавер створює новий запис, але все ще використовує композицію.

Автоматизована система співставлення YouTube. Вона може позначити трек, який ви законно маєте, якщо хтось інший зареєстрував цей трек — включно з випадками, коли ідентичне згенероване аудіо було заявлене першим.

Організація прав на публічне виконання — ASCAP, BMI, PRS — що збирає роялті за виконання для авторів пісень. Стає релевантною, коли музику публічно відтворюють або транслюють, а не лише стрімлять.

Угода, за якої замовник володіє роботою повністю, а не той, хто її зробив. Поширено в рекламі й іграх, і це варто зафіксувати письмово до будь-якої здачі матеріалів.