【資料圖】

零門檻進(jìn)行繪畫創(chuàng)作，文心一格讓每個(gè)人都能成為“藝術(shù)家”；通過簡單問答即可嘗試編程，ChatGPT讓程序員的編碼工作不再神秘……生成式人工智能熱潮正在席卷整個(gè)科技行業(yè)。根據(jù)文字描述可以生成音樂嗎？當(dāng)然可以。Meta近日開源的Audio-Craft就能做到，旨在幫助研究人員和開發(fā)人員訓(xùn)練自己的模型，從而推進(jìn)該領(lǐng)域的發(fā)展。

Meta表示，這款人工智能工具以其擁有和特別授權(quán)的音樂作為訓(xùn)練數(shù)據(jù)，可以把用戶的文本描述轉(zhuǎn)化為音樂。AudioCraft融合了AudioGen、MusicGen和EnCodec3種模型。其中，預(yù)先訓(xùn)練好的AudioGen模型可以生成環(huán)境聲音和音效，比如狗叫聲、汽車鳴笛聲或木地板上的腳步聲，結(jié)合用兩萬個(gè)小時(shí)授權(quán)音樂訓(xùn)練而成的MusicGen以及Encodec編碼器／量化器／解碼器，三者配合下可幫助用戶高效生成高質(zhì)量的音樂。

值得一提的是，AudioCraft使用En-Codec從原始信號(hào)中學(xué)習(xí)并標(biāo)記音頻，通過這一步驟建立音樂樣本的“詞匯表”（音頻標(biāo)記），然后將其輸入到自回歸語言模型中。該模型利用標(biāo)記內(nèi)容的結(jié)構(gòu)生成新的模型，從而更好捕獲數(shù)據(jù)中的長距離依賴關(guān)系，這對(duì)于音樂生成至關(guān)重要。最后，新模型根據(jù)文本描述生成新的標(biāo)記，這些標(biāo)記反饋給En-Codec用于合成聲音和音樂。

生成任何類型的高質(zhì)量音頻都需要對(duì)復(fù)雜信號(hào)在不同尺度上進(jìn)行建模。可以說，音樂是一種極具挑戰(zhàn)性的音頻類型，因?yàn)槠溆刹煌缍鹊囊舫獭⒍喾N樂器的音色等復(fù)合而成。

如前所述，AudioCraft是開源的，開發(fā)人員可以更加方便地獲取代碼和文檔等資源，并且能夠在開源社區(qū)中與其他開發(fā)人員交流、協(xié)作和分享經(jīng)驗(yàn)，Meta希望借此進(jìn)一步推動(dòng)音樂生成領(lǐng)域的創(chuàng)新發(fā)展。Meta認(rèn)為，MusicGen或?qū)⒊蔀橐环N新的樂器，就像最初的音樂合成器一樣。

但是，Hacker News評(píng)論員指出，雖然AudioCraft大部分都是開源的，其模型權(quán)重所使用的CC-BY-NC許可協(xié)議則要求對(duì)原作品進(jìn)行非商業(yè)用途的分享與再創(chuàng)作，對(duì)商業(yè)使用存在限制，并不符合完全開源的條件。相比之下，完全開源的協(xié)議如GPL（General Public License）則沒有限制作品的商業(yè)使用。

具體來說，非商業(yè)使用條款破壞了開源倡議組織（Open Source Initiative）對(duì)開源的定義中的第六點(diǎn)，這可能是由于Meta使用了其擁有授權(quán)的音樂源去計(jì)算模型權(quán)重。

標(biāo)簽：