Deep Learning Machine atrisina kokteiļu ballītes problēmu

Kokteiļu ballītes efekts ir iespēja koncentrēties uz konkrētu cilvēka balsi, vienlaikus filtrējot citas balsis vai fona troksni. Vienkāršība, ar kādu cilvēki veic šo triku, atspēko izaicinājumu, ar kuru zinātnieki un inženieri ir saskārušies, to sintētiski reproducējot. Kopumā cilvēki viegli pārspēj labākās automatizētās metodes balsu izdalīšanai.

Īpaši sarežģīta kokteiļballīšu problēma ir mūzikas jomā, kur cilvēki var viegli koncentrēties uz dziedāšanas balsi, kas atrodas uz mūzikas fona, kas ietver plašu instrumentu klāstu. Salīdzinājumam, mašīnas ir vājas šim uzdevumam.

Šobrīd izskatās, ka tas mainīsies, pateicoties Endrjū Simpsona un viņa draugu darbam Surejas universitātē Apvienotajā Karalistē. Šie puiši ir izmantojuši dažus no jaunākajiem sasniegumiem, kas saistīti ar dziļajiem neironu tīkliem, lai plašā diapazonā atdalītu cilvēku balsis no fona. no dziesmām.

Viņu pieeja parāda milzīgos sasniegumus, kas pēdējos gados ir panākti mašīnmācībā un neironu tīklos. Un tas paver ceļu vispārīgākam risinājumam slavenajai kokteiļballīšu problēmai, kas cita starpā ļauj viegli atdalīt vokālu no mūzikas, ko tie pavada.

Šo puišu izmantotā metode ir samērā vienkārša. Tie sākas ar datu bāzi, kurā ir 63 dziesmas, kas ir pieejamas kā atsevišķu celiņu kopums, kuros katrā ir cits instruments vai balss, kā arī dziesmas pilnībā jaukta versija.

Simpsons un co sadala katru celiņu 20 sekunžu segmentos un katram izveido spektrogrammu, kas parāda, kā skaņas frekvences mainās laika gaitā. Rezultāts ir sava veida unikāls pirkstu nospiedums, kas identificē instrumentu vai balsi.

Viņi arī veido dziesmas pilnībā sajauktās versijas spektrogrammu. Tas būtībā ir visas komponentu spektrogrammas, kas saskaitītas kopā.

Uzdevums atlasīt balsi no šī maisījuma būtībā ir uzdevums atdalīt balss unikālo spektrogrammu no pārējām esošajām spektrogrammām.

Simpsons un kolēģi apmācīja savu dziļo konvolucionālo neironu tīklu, lai to izdarītu. Viņi izmantoja 50 no šīm dziesmām, lai apmācītu tīklu, bet atlikušās 13 paturēja, lai to pārbaudītu. Kopumā apmācības nolūkos tika iegūti vairāk nekā 20 000 spektrogrammu.

Neironu tīkla uzdevums bija vienkāršs. Kā ievadi viņi sniedza pilnībā jauktu spektrogrammu un gaidīja, ka tā būtībā veidos balss spektrogrammu kā izvadi.

Šāda veida mašīnmācības uzdevums ir parametru optimizācija. Viņu dziļajam neironu tīklam ir miljards parametru, kas ir jānoregulē tā, lai iegūtu vēlamo rezultātu.

Šis optimizācijas vai mācīšanās process notiek iterācijas ceļā. Tātad tīkls sāk ar šiem nejauši iestatītiem parametriem un pēc tam pakāpeniski uzlabo iestatījumus katru reizi, kad tas skenē datu bāzi, ko tas veica vairāk nekā simts iterāciju.

Atraduši labu tīkla uzstādījumu, Simpsons un kolēģi iedeva tam 13 dziesmas, kuras tas iepriekš nebija redzējis, lai pārbaudītu, cik labi tas spēj atdalīt vokālu no miksa.

Iznākumi izrādījās iespaidīgi. Šie rezultāti parāda, ka konvolucionālā dziļā neironu tīkla pieeja spēj vispārināt mūzikas kontekstā apgūto balss atdalīšanu jaunos mūzikas kontekstos, saka komanda.

Simpsons un kolēģi pat salīdzināja savus rezultātus ar tiem, kas iegūti, izmantojot parasto kokteiļu ballīšu algoritmu, kas piemērots tiem pašiem datiem. Šķiet, ka dziļā neironu tīkla galvenā priekšrocība ir tā vispārējā apguve par to, kas ir “vokālās” skaņas, viņi saka.

Citiem vārdiem sakot, uzzinot, kā izklausās balss, dziļš neironu tīkls var izmantot šo informāciju, lai no kombinācijas atlasītu citas balsis. Bet cik laba šī pieeja ir salīdzinājumā ar cilvēka sniegumu, viņi nesaka.

Viens tūlītējs pielietojums ir mūzikas ierakstu veidošana, atskaitot vokālu karaoke iekārtām. Tas nepārprotami ir … errr … svarīgs mērķis, taču tam ir arī plašākas sekas.

Dziļie neironu tīkli rada apvērsumu mašīnmācībā daudzās jomās. Vēl nesen cilvēkiem bija nepārprotams dominējošs raksturs tādos modeļu atpazīšanas uzdevumos kā sejas atpazīšana un objektu atpazīšana. Šis pārsvars ir ievērojami samazināts un dažos gadījumos vispār zaudēts.

Tagad mašīnas tiek galā ar kokteiļu ballīšu problēmām, un tikai muļķis liktu uz to, ka tie triumfēs ne pārāk tālā nākotnē.

Atsauce: arxiv.org/abs/1504.04658 : dziļa karaoke: vokālu iegūšana no muzikāliem maisījumiem, izmantojot konvolucionālo dziļo neironu tīklu

paslēpties