当前位置:首页 > 【组图】利用人工智能“解锁”世界音乐_搜狐科技_搜狐网

【组图】利用人工智能“解锁”世界音乐_搜狐科技_搜狐网

时间:来源:量子位

原标题:利用人工智能“解锁”世界音乐_搜狐科技_搜狐网

原标题:利用人工智能“解锁”世界音乐

颜萌 编译整理

人们喜欢感受的是音乐带来的那种氛围。

整理过歌单的任何人都知道,好的歌单往往有一种贯穿始终的情感。那就是为什么Gracenote的音乐数据专家已经早早地将音乐按照心情和感情区分。

稍有不同的是,Gracenote的团队不是把数据库里面1亿首歌逐个听下来,而是教计算机去探测情感,使用机器学习和人工智能去判断一首歌的风格是梦幻还是阴郁,又或者是有着淡淡的忧愁。

Gracenote的音乐总经理Brain Hamilton在最近的一次采访中说到,“机器学习是我们的一个战略优势”。

早在10年前,Gracenote就开始在做声音的情绪分类。直到现在,更多的传统算法发展成先进的神经网络,音乐产业也正在越来越多地依靠人工智能,而Gracenote就是最好的样例。

采用这种人工智能分类音乐情感的技术的关键问题在于AI不知道人的感觉。

“我们不知道一种音乐会对每一个个体产生什么样的效用”,研究部副总裁Markus Cremer在美国娱乐界杂志巨头Variety的采访中说。

Gracenote试图将情感的评判标准转换成音乐家的创作目的,他们觉得创作者的目的才是音乐背后的一种连续的情感品质,换句话说,这家公司想教会计算机去识别音乐背后的深刻感情,而不是纠结于音乐对某个个体唤起的回忆。

教计算机去识别音乐中包含的感情的过程有点像治疗:首先要给情感命名。

Gracenote的音乐团队最开始使用的分类中包括了超过100种的气氛和情感,后来扩展到400多种。其中的一些有明确的情感分类,也有像“声色犬马”或“绝望的狂暴能量”这样过于细致的描述。新的分类也在不断的加入。这是一种迭代的过程,这些分类在迭代中不断的优化。

除了这些心情清单,Gracenote也有一些为机器学习准备的训练集,音乐专家们把4000多首歌收集分类后,编制训练集本身就是一种艺术,“我们只需要保证给的音乐的例子是人们正在听的,同时那些选出来的歌也要对某一种情感具有充分的代表性,不能模棱两可,“DiMaria说。

目前的训练集里面用Lady Gaga的《Love Game》代表“性感的摇滚”,Radiohead的《pyramid song》代表“哀愁”,Beyonce的《Me,Myself&I》作为“熟悉的,轻柔而感性的”曲风的代表。

情感种类和训练集都需要不断的更新,因为艺术家们在不断地创造新的曲风,尤其对电音和hip-hop这些更新很快的曲种来说。

系统受到训练后就会被放到数百万的歌曲堆中去听了。计算机不仅仅一条条听,还把每一首歌切成700微秒的片段,然后从任意一个切片中提取出170多种声音的品质。另外,系统有时也会调用大段的音乐片段来分析一首歌的旋律或类似的特征,然后把这些值和既有的数据作比较来归纳一首歌的情感。这样下来最后的结果就不是一种单一的心情,而是某一类心情的概括。

要把所有的歌打乱重新归类是一件很复杂的事情,Gracenote的团队必须周期性维护,保证过程不出错。

计算机要听很多东西,除了乐器,声道,一层叠加到另一层的效果,还包括一些本身不是音乐的一部分的声音,比如为车载立体声或互联网流媒体优化过后的结果。

Cremer说这个系统也会可以捕获一些意料之外的东西,它会在无监督的状态下可以自己决定去注意一些压缩失真,然后和心情匹配起来。他开玩笑说,它或许会决定”都是96kbps的速度,所以这让我感到伤心“。

Gracenote一旦做好了音乐的分类,就将数据传送给客户,并以多种不同的方式使用。

一些小的媒体服务获得这些数据的授权后应用于端对端的音乐组织和推荐系统,如iPhone上的一个远程流媒体播放软件 Plex使用该公司的音乐推荐技术,来为用户提供个性化的播放列表或“心情电台”。

这个行业最大的一些音乐服务运营商也在使用这些数据,包括Apple和Spotify,但这些大玩家们不喜欢谈论他们是怎么样把数据用到产品里面的。另外,互联网上大的的流媒体运营商一般倾向于使用自己的音乐推荐算法,但他们也会用这些数据去训练和提升自己的算法。

这些数据的应用意味着音乐迷们可以清楚地了解Gracenote在音乐归类上的工作,而其他人或许不知道这个公司的人工智能技术提升了他们的音乐体验。

不论通过哪种方式,Gracenote都要保证这些数据是在国际上传播的,尤其注重新市场的授权。

8月1日,该公司宣布要在欧洲和拉美出售其音乐产品。另外,为了防止语义信息的丢失,Gracenote还专门雇佣了国际编辑真正去听那些样本歌,来找出和本土文化最为契合的翻译方式。

这种国际眼光还有另外一种形式,就是不断地去国际上搜寻新歌来训练。因此,Cremer说他们目前的状态是”我们的数据可以处理地球上每一张最新的专辑“。

像Gracenote这样的公司要做到对全球的音乐进行分类,就不能仅仅依靠人工,还要靠人工智能和类似机器试听这样的技术。仅靠人工无法对数量庞大的歌曲分类,这样就达不到根据用户最喜欢的音乐生成性化播放列表。而教会电脑去检测则可以帮助人们获得更好更完整的音乐体验。

而使用数据和技术解锁来自世界各地的音乐,是这份工作中最激动人心的部分之一。

—— ——返回搜狐,查看更多

责任编辑:

声明:本网部分信息转载于其他网站,如稿件涉及版权等问题,请联系我们!

1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99  100  101  102  103  104  105  106  107  108  109  110  111  112  113  114  115  116  117  118  119  120  121  122  123  124  125  126  127  128  129  130  131  132  133  134  135  136  137  138  139  140  141  142  143  144  145  146  147  148  149  150  151  152  153  154  155  156  157  158  159  160  161  162  163  164  165  166  167  168  169  170  171  172  173  174  175  176  177  178  179  180  181  182  183  184  185  186  187  188  189  190  191  192  193  194  195  196  197  198  199  200  201  202  203  204  205  206  207  208  209  210  211  212  213  214  215  216  217  218  219  220  221  222  223  224  225  226  227  228  229  230  231  232  233  234  235  236  237  238  239  240  241  242  243  244  245  246  247  248  249  250  251  252  253  254  255  256  257  258  259  260  261  262  263  264  265  266  267  268  269  270  271  272  273  274  275  276  277  278  279  280  281  282  283  284  285  286  287  288  289  290  291  292  293  294  295  296  297  298  299  300  301  302  303  304  305  306  307  308  309  310  311  312  313  314  315  316  317  318  319  320  321  322  323  324  325  326  327  328  329  330  331  332  333  334  335  336  337  338  339  340  341  342  343  344  345  346  347  348  349  350  351  352  353  354  355  356  357  358  359  360  361  362  363  364  365  366  367  368  369  370  371  372  373  374  375  376  377  378  379  380  381  382  383  384  385  386  387  388  389  390  391  392  393  394  395  396  397  398  399  400  401  402  403  404  405  406  407  408  409  410  411  412  413  414  415  416  417  418  419  420  421  422  423  424  425  426  427  428  429  430  431  432  433  434  435  436  437  438  439  440  441  442  443  444  445  446  447  448  449  450  451  452  453  454  455  456  457  458  459  460  461  462  463  464  465  466  467  468  469  470  471  472  473  474  475  476  477  478  479  480  481  482  483  484  485  486  487  488  489  490  491  492  493  494  495  496  497  498  499  500  501  502  503  504  505  506  507  508  509  510  511  512  513  514  515  516  517  518  519  520  521  522  523  524  525  526  527  528  529  530  531  532  533  534  535  536  537  538  539  540  541  542  543  544  545  546  547  548  549  550  551  552  553  554  555  556  557  558  559  560  561  562  563  564  565  566  567  568  569  570  571  572  573  574  575  576  577  578  579  580  581  582  583  584  585  586  587  588  589  590  591  592  593  594  595  596  597  598  599  600  601  602  603  604  605  606  607  608  609  610  611  612  613  614  615  616  617  618  619  620  621  622  623  624  625  626  627  628  629  630  631  632  633  634  635  636  637  638  639  640  641  642  643  644  645  646  647  648  649  650  651  652  653  654  655  656  657  658  659  660  661  662  663  664  665  666  667  668  669  670  671  672  673  674  675  676  677  678  679  680  681  682  683  684  685  686  687  688  689  690  691  692  693  694  695  696  697  698  699  700  701  702  703  704  705  706  707  708  709  710  711  712  713  714  715  716  717  718  719  720  721  722  723  724  725  726  727  728  729  730  731  732  733  734  735  736  737  738  739  740  741  742  743  744  745  746  747  748  749  750  751  752  753  754  755  756  757  758  759  760  761  762  763  764  765  766  767  768  769  770  771  772  773  774  775  776  777  778  779  780  781  782  783  784  785  786  787  788  789  790  791  792  793  794  795  796  797  798  799  800  801  802  803  804  805  806  807  808  809  810  811  812  813  814  815  816  817  818  819  820  821  822  823  824  825  826  827  828  829  830  831  832  833  834  835  836  837  838  839  840  841  842  843  844  845  846  847  848  849  850  851  852  853  854  855  856  857  858  859  860  861  862  863  864  865  866  867  868  869  870  871  872  873  874  875  876  877  878  879  880  881  882  883  884  885  886  887  888  889  890  891  892  893  894  895  896  897  898  899  900  901  902  903  904  905  906  907  908  909  910  911  912  913  914  915  916  917  918  919  920  921  922  923  924  925  926  927  928  929  930  931  932  933  934  935  936  937  938  939  940  941  942  943  944  945  946  947  948  949  950  951  952  953  954  955  956  957  958  959  960  961  962  963  964  965  966  967  968  969  970  971  972  973  974  975  976  977  978  979  980  981  982  983  984  985  986  987  988  989  990  991  992  993  994  995  996  997  998  999  1000