输入“/”快速插入内容

AI 音乐 | 3.19 资讯

2024年3月20日修改

common.docs_name - LarkCCM_Docs_Menu_Image

20%

作者：叮当不是机器猫 ｜分享AI音乐动态，探索AI与音乐的无限可能！​

公众号：智音Brook 2024-03-19 19:02 广东

原文：https://mp.weixin.qq.com/s/KPqTwrki7OSVp3auKSle6w

80%

MusicHiFi：快速高保真立体声声码

SpaIn-Net：空间信息音乐源分离

歌声的自动音高校正

《滚石》杂志：Suno AI 的独家报道

LM2D：歌词和音乐驱动的舞蹈合成

Prompt-Singer：具有自然语言提示的可控歌唱-语音-合成

MusicHiFi：快速高保真立体声声码

演示：https://musichifi.github.io/web/论文：https://arxiv.org/abs/2403.10493

传统的音频和音乐生成模型通常通过构建音频的图像表示（例如，梅尔频谱图）然后使用相位重建模型或语音编码器将其转换为音频。这些模型通常生成较低分辨率的单声道音频（例如，16-24 kHz），限制了它们的效果。MusicHiFi 是一种基于生成对抗网络（GAN）的高效立体声音频生成模型，旨在提高音频和音乐生成的质量。​

MusicHiFi 包括三个阶段：使用语音编码器（MusicHiFi-V）将低分辨率单声道梅尔频谱图转换为相同分辨率的波形，通过带宽扩展模块（MusicHiFi-BWE）将低分辨率波形转换为高分辨率波形，最后通过单声道到立体声模块（MusicHiFi-M2S）将单声道高分辨率波形上混为立体声音频。每个阶段都使用相同的生成器架构、鉴别器架构、训练目标和模型大小。​

在研究中使用 1800 小时的授权器乐音乐数据集进行模型训练。为了全面评估其性能，文中将 MusicHiFi 与 BigVGAN、HiFi-GAN 以及 Aero 等方法进行了细致的比较。评估过程涵盖了一系列客观指标，例如 ViSQOL、Mel-D、STFT-D 和 SI-SDR，以及通过主观听力测试来衡量音质。结果显示，MusicHiFi 在保持快速推理速度的同时，提供了与现有技术相当或更好的音频质量。​

SpaIn-Net：空间信息音乐源分离

论文：https://minjekim.com/wp-content/uploads/icassp2022_dpetermann.pdf

代码：https://github.com/darius522/spain-net

演示：https://minjekim.com/research-projects/spain-net/

音乐源分离（MSS）是一个活跃的研究领域，近年来深度学习方法取得了显著进展。文中提出了一种名为 SpaIn-Net 的空间信息条件化机制，该机制通过将立体声源的空间位置信息（以泛音角度表示）融合到深度神经网络（DNN）中，实现了对音乐源分离的增强。​

文中探索了多种条件化策略，包括直接使用原始角度值和基于角度的派生特征表示，证明了空间信息在提升 MSS 性能方面的有效性。为了有效地整合立体声音频信号与源的空间信息，我们采用了位置编码技术，这一方法在处理多模态数据时表现出了极高的灵活性和有效性。​

文中利用包含 2100 首歌曲和 34 种乐器类别的 Slakh 数据集，设计了一系列实验来评估所提方法的有效性，这些实验涵盖了从简单到复杂的多种乐器源分离任务。实验结果显示，与现有技术相比，该方法在信号失真比（SDR）、源干扰比（SIR）、源伪影比（SAR）以及源图像到空间失真比（ISR）等多个评价指标上均实现了显著提升。特别是在处理包含两个吉他源的混合时，该方法展现出了更为显著的性能优势。​

歌声的自动音高校正

AI 音乐 | 3.19 资讯​

AI 音乐 | 3.19 资讯