Η νέα γενιά Τεχνητής Νοημοσύνης για σύνθεση μουσικής

Σύνοψη

• Η Google ανακοίνωσε επίσημα το Lyria 3.5, το νέο της και πιο προηγμένο μοντέλο παραγωγής μουσικής μέσω τεχνητής νοημοσύνης.
• Η νέα έκδοση ενσωματώνεται απευθείας στην πλατφόρμα Google Flow Music, προσφέροντας δραματικά βελτιωμένη μουσικότητα και πιο φυσικές, πολύπλοκες δομές μελωδιών.
• Οι δημιουργοί αποκτούν εκτεταμένο έλεγχο στη διάρκεια και τον ρυθμό (tempo) των παραγόμενων κομματιών, προσαρμόζοντας το ηχητικό αποτέλεσμα με απόλυτη ακρίβεια.
• Εισάγονται θεμελιώδεις αναβαθμίσεις στην ποιότητα των φωνητικών, οι οποίες προσδίδουν αυξημένη συναισθηματική έκφραση, οργανικό ρεαλισμό και αισθητά καλύτερη προφορά.
• Η παραγωγή και η δομική ενσωμάτωση των στίχων παρουσιάζεται βελτιωμένη, με το μοντέλο να υπακούει πιστά στις κατευθυντήριες οδηγίες του χρήστη (prompt adherence).

Η Google προχώρησε στα επίσημα αποκαλυπτήρια του Lyria 3.5, του πλέον εξελιγμένου μοντέλου παραγωγής μουσικής μέσω τεχνητής νοημοσύνης που έχει αναπτύξει μέχρι σήμερα, το οποίο ενσωματώνεται από σήμερα απευθείας στην πλατφόρμα Google Flow Music. 

Η συγκεκριμένη κυκλοφορία σηματοδοτεί τη μετάβαση από τα πρώιμα στάδια της αυτοματοποιημένης μουσικής παραγωγής σε μια πιο ώριμη φάση, όπου η τεχνολογία προσφέρει στους δημιουργούς όχι απλώς τυχαίες ηχητικές ακολουθίες, αλλά ουσιαστικά εργαλεία ελέγχου και σύνθεσης. 

Το ερευνητικό τμήμα της Google εστίασε τις προσπάθειες του στην επίλυση των σημαντικότερων προβλημάτων που ταλαιπωρούσαν τα προηγούμενα συστήματα, εστιάζοντας πρωτίστως στη φυσικότητα του ήχου, στην ακρίβεια των φωνητικών και στη συνοχή της μελωδικής δομής κατά τη διάρκεια εκτεταμένων μουσικών κομματιών.

Τι είναι το Google Lyria 3.5 και πώς λειτουργεί;

Το Lyria 3.5 είναι ένα υπερσύγχρονο παραγωγικό μοντέλο τεχνητής νοημοσύνης της Google που εξειδικεύεται στη σύνθεση μουσικής, το οποίο αναλύει τις γραπτές οδηγίες (prompts) για να δημιουργήσει ολοκληρωμένα μουσικά κομμάτια με φωνητικά και πολυφωνική ενορχήστρωση. Βασίζεται σε προηγμένους αλγορίθμους μηχανικής μάθησης που επιτρέπουν την παραγωγή ήχου υψηλής πιστότητας, υποστηρίζοντας ταυτόχρονα βαθύ έλεγχο στον ρυθμό, τη διάρκεια και τη δομή των στίχων, μέσα από το περιβάλλον του Google Flow Music.

Η εξέλιξη της «μουσικότητας» αποτελεί έναν από τους κεντρικούς πυλώνες αυτής της αναβάθμισης, καθώς το μοντέλο μπορεί πλέον να συνθέτει πιο πλούσιες και περίπλοκες μελωδικές δομές που ακούγονται απόλυτα φυσικές και οργανικές στο ανθρώπινο αυτί. Αντί να περιορίζεται σε επαναλαμβανόμενα μοτίβα (loops) ή μονότονες αρμονίες που πρόδιδαν εύκολα την αλγοριθμική προέλευση του κομματιού, το Lyria 3.5 κατανοεί τη δυναμική της μουσικής κλιμάκωσης, εισάγοντας φυσιολογικές μεταβάσεις μεταξύ των κουπλέ (verses) και των ρεφρέν (choruses). Οι αλγόριθμοι που ευθύνονται για την ενορχήστρωση έχουν εκπαιδευτεί εκτενώς ώστε να αναγνωρίζουν τον τρόπο με τον οποίο διαφορετικά όργανα αλληλεπιδρούν μέσα σε συγκεκριμένα μουσικά είδη (genres), αποτρέποντας τη συχνή ηχητική «λάσπη» που παρατηρούνταν σε παλαιότερα μοντέλα όταν συνδύαζαν πολλαπλά όργανα ταυτόχρονα.

Αναβάθμιση στην απόδοση και τον έλεγχο των στίχων

Η δημιουργία στίχων από μηχανές τεχνητής νοημοσύνης συνοδευόταν παραδοσιακά από αρκετές ασυνέπειες, όπως απουσία ομοιοκαταληξίας, ασύνδετα νοήματα ή λανθασμένη τοποθέτηση των συλλαβών πάνω στον ρυθμό. Το τμήμα DeepMind της Google εφάρμοσε νέες μεθόδους επεξεργασίας φυσικής γλώσσας (NLP) που ενισχύουν θεαματικά την ικανότητα του μοντέλου να τηρεί τους κανόνες της δομής ενός τραγουδιού. Η βελτίωση της προσκόλλησης στις οδηγίες του χρήστη μεταφράζεται πρακτικά στο γεγονός ότι οι δημιουργοί μπορούν πλέον να καθορίζουν με εξαιρετική ακρίβεια το ακριβές θεματικό πλαίσιο, το ύφος, ακόμα και τις συγκεκριμένες λέξεις που επιθυμούν να χρησιμοποιηθούν σε καθορισμένα σημεία του κομματιού. Το Lyria 3.5 επιδεικνύει αξιοσημείωτη συνειδητοποίηση της δομικής φόρμας, αναγνωρίζοντας πότε πρέπει να εισάγει γέφυρες (bridges) ή εξωστρεφή φωνητικά ξεσπάσματα που εξυπηρετούν δραματουργικά το τραγούδι.

Εκφραστικά φωνητικά και συναισθηματική ερμηνεία

Ένα από τα πιο εντυπωσιακά τεχνικά επιτεύγματα της νέας έκδοσης είναι η ριζική μεταμόρφωση της ποιότητας των φωνητικών ηχογραφήσεων. Η παραγωγή ρεαλιστικής ανθρώπινης φωνής παραμένει εξαιρετικά απαιτητική διαδικασία για τα υπολογιστικά συστήματα, καθώς η ανθρώπινη ακοή είναι βιολογικά ρυθμισμένη να εντοπίζει ακόμα και την παραμικρή τεχνητή απόκλιση στη χροιά ή την άρθρωση. Η Google ενσωμάτωσε αλγορίθμους συναισθηματικής προσωδίας που επιτρέπουν στα ψηφιακά φωνητικά να αποδίδουν ανεπαίσθητες αλλά κρίσιμες αποχρώσεις, όπως το ελαφρύ «σπάσιμο» της φωνής, την αλλαγή στην ένταση της αναπνοής και την ομαλή μετάβαση ανάμεσα στις οκτάβες. Η προφορά των λέξεων εμφανίζεται αισθητά καθαρότερη, εξαλείφοντας σχεδόν πλήρως τα αλλοιωμένα φωνήεντα που δημιουργούσαν την αίσθηση του «ρομποτικού» ήχου στις προηγούμενες γενιές της πλατφόρμας.

Ο δημιουργικός έλεγχος στο Google Flow Music

Η απλή παραγωγή ήχου δεν αρκεί για να προσελκύσει επαγγελματίες δημιουργούς ή σοβαρούς ερασιτέχνες, επομένως η παροχή εκτεταμένου ελέγχου αποτέλεσε βασική προτεραιότητα για τη σχεδιαστική ομάδα του Google Flow Music. Μέσα από το ανανεωμένο περιβάλλον χρήσης, η πλατφόρμα προσφέρει πλέον εξειδικευμένα εργαλεία για τη ρύθμιση του ρυθμού (tempo) και της συνολικής διάρκειας του παραγόμενου αρχείου. Οι χρήστες έχουν τη δυνατότητα να πειραματιστούν με την ταχύτητα του κομματιού χωρίς να παρατηρείται τεχνητή παραμόρφωση, εξασφαλίζοντας ότι η τονικότητα παραμένει σταθερή και η ποιότητα του αρχικού σήματος διατηρείται ακέραιη. Αυτή η ευελιξία αποδεικνύεται ανεκτίμητη για δημιουργούς περιεχομένου, podcasters και διαφημιστές που χρειάζονται πρωτότυπη μουσική προσαρμοσμένη σε αυστηρά χρονικά όρια (timeframes) για την επένδυση των παραγωγών τους.

Μπορείτε να το δοκιμάσετε από το Flow Music.