رد پای فن‌آوری‌های هوش مصنوعی در تمامی حوزه‌های کسب‌وکار، از خرده‌فروشی گرفته تا مهندسی هوا و فضا، به چشم می‌خورد. هنرمندان با تکیه بر تجارب ذهنی و حسی‌شان به خلق آثار هنری می‌پردازند و هیچ الگوریتمی یارای رقابت کردن با آن‌ها را ندارد. با این حال، کاربرد هوش مصنوعی در موسیقی، آهنگ‌سازی و توسعه پلتفرم‌های پخش موسیقی مورد استفاده زیادی دارد. برای آشنایی بیشتر با برنامه‌های موسیقی مجهز به AIتا پایان این نوشتار با ما همراه باشید.
کاربرد هوش مصنوعی در موسیقی و آهنگ‌سازی
طبق گزارش مؤسسه مک‌کینزی تا سال ۲۰۳۰، ۷۰ درصد از شرکت‌ها حداقل از یکی از فن‌آوری‌های AI استفاده می‌کنند. صنعت موسیقی نیز از این قاعده مستثنی نیست. با ظهور تیک‌تاک و افزایش تعداد یوتیوبرها، که موسیقی لازمه هنرآفرینی‌شان است، اهمیت وجود ابزارهای تولید موسیقی مجهز به AI بیش از پیش آشکار می‌شود.
مثلا Amper را در نظر بگیرید! Amper ابزاری است که با استفاده از فن‌آوری هوش مصنوعی برای سازندگان بازی، رسانه‌ها و دیگر فن‌آوری‌های تعاملی موسیقی تولید می‌کند. این ابزار برای ساخت یک قطعه موسیقی جدید از نمونه کتابخانه و دیتاست‌هایش استفاده می‌کند. Amper تا پیش از روی کارآمدن Shutterstock محبوب‌ترین ابزار تولید موسیقی در بازار شناخته می‌شد. ShutterStock یکی از بزرگ‌ترین تولیدکنندگان محتوا برای سازندگان است و در نهایت اواخر سال ۲۰۲۰ توانست گوی سبقت را از Amper برباید.
برجسته‌ترین کاربرد هوش مصنوعی در موسیقی AIVA است. AIVA یک پلتفرم هوش مصنوعی است که بر تولید موسیقی کلاسیک تمرکز دارد و بهداشتن مشتریانی همچون Nvidia، TED، Vodafone افتخار می‌کند و قطعات موسیقی با حق امتیاز نامحدود (Royalty-free) و سفارشی برای آنان تولید می‌کند. در ساخت این پلتفرم از الگوریتم‌های DL استفاده شده که بر روی تعداد زیادی موسیقی ارکستر آموزش دیده‌اند. یکی دیگر از مزایای این پلتفرم رابط کاربری فوق‌العاده آن است.
یا Loudly، این کسب‌وکار نوپا در برلین واقع شده و در زمینه تولید موسیقی فعالیت دارد؛ در وب‌سایت رسمی این شرکت، شعار“Designed by creators, for creators” به چشم می‌خورد. سیستم این پلتفرم می‌تواند قطعات موسیقی را بازنویسی کنید و با استفاده از الگوریتم‌های یادگیری عمیق GAN قطعات موسیقی سفارشی تولید کند. علاوه بر این، Loudly دارای نمونه حافظه (برای ذخیره موسیقی)، برنامه آهنگ‌سازی و یک پلتفرم اجتماعی است که سازندگان موسیقی می‌توانند در آن با هم مشارکت داشته باشند.
برای قطعات موسیقی که هوش مصنوعی تولید می‌کند، مسئله قوانین حق نشر (Copyright) مطرح می‌شود. مسئله این است که هوش مصنوعی موسیقی را تولید کرده اما برای آموزش آن از داده‌های موسیقیایی هنرمندان حقیقی استفاده شده است، در چنین شرایطی حق امتیاز تولید موسیقی به چه کسی تعلق دارد؟ علاوه بر این، بسیاری از حوزه‌های قضایی، از جمله ایالات متحده، اسپانیا و آلمان کماکان بر این باروند که فقط قطعات موسیقی که انسان‌ها تولید می‌کنند، مشمول قانون حق نشر (copyright) می‌شوند.
هوش مصنوعی و پخش موسیقی
پخشکنندههای (player)موسیقی نیز از آسیب‌های ناشی از شیوع ویروس کرونا در امان نبوده اند. با این حال، ارزش بازار پخشکنندههای موسیقی در سال ۲۰۲۰ به ۶/۲۱ میلیارد دلار آمریکا رسید و رشد ۴/۷ درصدی را تجربه کرد. به گفته فدراسیون بین‌المللی صنعت آواشناسی (IFPI) صنعت ضبط موسیقی در سال ۲۰۱۴ و پس از یک دهه رکود، دوباره رونق گرفت. در سال ۲۰۲۰، سرویس‌های پخش موسیقی ۱/۶۲ درصد از مجموع درآمد حاصل از ضبط موسیقی را به خود اختصاص دادند و به همین دلیل نمی‌توان نقش آن‌ها در احیای این صنعت را نایده گرفت.
صنعت پخش موسیقی در سراسر جهان روند صعودی دارد و از این لحاظ آمریکای لاتین و آسیا پویاترین بازارها را دارند ( ارزش بازارهای پخش موسیقی در این کشور به ترتیب ۲/۳۰ درصد و ۹/۲۹ درصد رشد داشته است). ارزش سرویس‌های پخش موسیقی در بازارهای آفریقا و خاورمیانه نیز در حال رشد است و بازارهای اروپا و آمریکای شمالی را نیز در دست دارد.
هوش مصنوعی، به ویژه یادگیری ماشین و یادگیری عمیق، به همراه سیستم‌های توصیه‌گر خود زیربنای تمامی این سرویس‌ها را تشکیل می‌دهد و تجربه فوق‌العاده‌ای برای شنوندگان فراهم می‌آورد. برای کسب اطلاعات بیشتر مقاله سیستم‌های توصیه‌گر مبتنی بر یادگیری عمیق را مطالعه کنید.
کاربرد هوش مصنوعی در موسیقی چگونه می‌تواند علاقه شنوندگان را به سرویس‌های پخش موسیقی جلب کند؟ برای یافتن پاسخ این سؤال بهتر است نگاهی به بزرگ‌ترین سهام‌داران این بازار بیندازیم.
در نیمه دوم سال ۲۰۲۰، ۳۴ درصد از کاربران سراسر جهان از Spotify و ۲۱ درصد از آن‌ها از Apple Music برای گوش دادن به موسیقی استفاده می‌کردند. چه چیزی Spotify را خاص کرده است؟ دو کلمه جادویی: هوش مصنوعی!
به لحاظ فنی و تخصصی، پشته Spotify از سه لایه تشکیل می‌شود و هر کدام از آن‌ها به علوم داده و یادگیری ماشین مجهز هستند:
- داده اولین لایه را تشکیل می‌دهد و تمامی داده‌های مربوط به کاربران، از جمله داده‌های جمعیت شناختی، عادت‌های گوش دادن به موسیقی و سایر داده‌ها رفتاری را در برمی‌گیرد. هرچه میزان داده‌ها بیشتر باشد، سیستم آهنگ‌های بهتری را به کاربر پیشنهاد می‌کند. در زمان نگارش این مقاله، روزانه ۰۰۰/۶۰ آهنگ به Spotify اضافه می‌شود.
- مدل‌های مشترک لایه میانی را تشکیل می‌دهند و اطلاعات مربوط به علایق کاربر (برای مثال، خوانندگان و آهنگ‌های مورد علاقه کاربر)، تعبیه‌‌ی تشابهات ( این تعبیه شباهت‌هایی که میان خوانندگان، فهرست پخش (playlist) و قطعات موسیقی وجود دارد را مشخص می‌کند) را در بر می‌گیرد و آیتم‌ها را خوشه‌بندی می‌کند.
- ویژگی‌ها لایه فوقانی را تشکیل می‌دهند. در این لایه مدل‌های یادگیری ماشین با استفاده از داده‌های به دست‌آمده از دو لایه اول، آهنگ‌هایی که احتمال دارد مورد پسند کاربر قرار گیرند را به وی پیشنهاد می‌دهد.
Spotify در صفحه اصلی‌اش، تجربه‌ای شخصی‌سازی شده و بافت‌آگاه برای کاربران به ارمغان می‌آورد؛ این صفحه برای ارائه چنین تجربه‌ای، تمامی عوامل دخیل از جمله دستگاه مورد استفاده (موبایل، کامیپوتر شخصی و …) ، موسیقی در حال پخش، روندهای کنونی و روزِ هفته و ساعات روز و غیره را در نظر می‌گیرد. چنین قابلتی در نتیجه استفاده از سیستم درختان رگرسیون جمعی بیزی (BART) محقق می‌شود. BART یک مدل پیش‌بینی کننده انعطاف‌پذیر و یک رویکرد یادگیری ماشین برای حل مسائل مربوط به پیش‌بینی و طبقه بندی است.
تحلیل، متسرینگ و آموزش موسیقی به کمک هوش مصنوعی
توانایی فن‌آوری‌های AI فقط به آهنگ‌سازی و سرویس‌های پخش موسیقی محدود نمی‌شود. درواقع کاربرد هوش مصنوعی در موسیقی کاربردهای بیشتری دارد. علیرغم جنجال‌هایی که در مورد سیطره‌ی هوش مصنوعی در موسیقی وجود دارد، این فن‌آوری به کاهش میزان کپی و پخش غیرقانونی موسیقی، پردازش صدا، مسترینگو آموزش موسیقی کمک می‌کند.
برای مثال، شرکتBMAT، که در بارسلونا واقع شده است به شرکت‌های پخش‌کننده، ناشران و شرکت‌های ضبط موسیقی کمک می‌کند قطعات موسیقی‌شان که در پلتفرم‌های مختلف پخش می‌شوند را ردیابی کنند. این شرکت با استفاده از فن‌آوری‌های هوش مصنوعی داده‌هایی با حجم بسیار زیاد را پردازش می‌کند. این شرکت برای تشخیص شباهت‌های موجود میان اصوات، از فن‌آوری اثر انگشت صوتی به عنوان نسخه فشرده‌ای از قطعه موسیقی استفاده می‌کند. الگوریتم‌های یادگیری ماشین شباهت‌هایی را که میان نت‌های موسیقی و حتی موسیقی پس زمینه وجود دارد ردیابی می‌کنند.
علاوه بر این، فناوری هوش مصنوعی به مسترینگ موسیقی که فرایندی هزینه‌بر برای تولیدکنندگان است، کمک می‌کند. برای مثال، LANDR، پلتفرمی نوین است که به کمک آهنگسازان آمده و با استفاده از یادگیری ماشین، قطعات موسیقی را اصلاح می‌کند. این پلتفرم بر روی یک پایگاه فری‌میوم (freemium) اجرا می‌شود و خدمات متنوعی ارائه می‌دهد. موتور مسترینگ این پلتفرم مجهز به هوش مصنوعی است و بر روی داده‌های مربوط به قطعات موسیقی مسترشده آموزش دیده و الگوریتم‌های آن قطعات موسیقی را بر اساس سَبک دسته‌بندی می‌کنند.
علاوه بر این، برنامه‌هایی مجهز به هوش مصنوعی برای آموزش آلات موسیقی تولیده شده است. برنامه‌هایی همچون Yousicion و Jamstick ابزارهایی برای یادگیری آلات موسیقی هستند و بازخوردهایی در مورد روند پیشرفت‌تان به شما می‌دهند.
سخن پایانی
تا سال ۲۰۳۰، ۷۰ درصد از شرکت‌ها به استفاده از فن‌آوری‌های هوش مصنوعی روی می‌آورند و استفاده از هوش مصنوعی در موسیقی یعنی در این صنعت هم تغییراتی ایجاد خواهد شد. البته جای نگرانی نیست! هوش مصنوعی هنوز نمی‌تواند جایگزین هنرمندان شود و همانند آن‌ها تجارب حسی و ذهنی خود را به شکل قطعه‌ای موسیقی عرضه کند.
با این حال، فن‌آوری‌های هوش مصنوعی می‌توانند قطعات موسیقی با حق انحصاری نامحدود، پلتفرم‌های مسترینگ موسیقی، برنامه‌های آموزشی (که روند پیشرفت هنرآموزان را به اطلاع آن‌ها می‌رساند) تولید کنند و علاوه به حفاظت از قانون کپی‌رایت کمک می‌کند. در ضمن، توسعه پلتفرم‌های پخش موسیقی همواره در سراسر جهان ادامه خواهد یافت. بخش بزرگی از درآمد صنعت موسیقی از طریق این پلتفرم‌ها به دست می‌آید. آهنگسازان نیز برای آنکه آهنگ‌های‌شان در فهرست‌های موسیقی (playlist) پلتفرم‌های پخش قرار بگیرد، به استفاده از الگوریتم‌ها روی خواهند آورد.
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید
منبع: هوشیو
