Google představuje model AI hudby, který vytváří rychleji než přehrává

Představte si, že hudebník sedí u počítače a místo toho, aby skládal notu po notě, řídí spoluhráče AI během živého výkonu – mění žánry, kombinuje nástroje a prozkoumává zvukové území, která existují mezi etablovanými hudebními styly. To se děje nyní s Google’s Magenta RealTime (RT) (GOOGL ), otevřeným modelem, který přináší interaktivitu v reálném čase do generace hudby AI.

Právě vydán, Magenta RT nás nutí měnit způsob, jakým přemýšlíme o hudbě generované AI. Na rozdíl od předchozích modelů, které vyžadovaly, aby uživatelé čekali na dokončení skladeb, Magenta RT generuje hudbu rychleji, než se přehrává, umožňující skutečnou interaktivitu v reálném čase. Pro hudební průmysl – který již zápasí s disruptivními vlivy AI – tato technologie otevírá dveře zcela novým formám tvořivého vyjádření, zatímco vyvolává hluboké otázky o autorství, výkonu a budoucnosti lidské hudebnosti.

Pochopení Magenta RealTime

V jeho jádru je Magenta RT modelem autoregresivního transformátoru s 800 miliony parametrů, ale co ho odlišuje, je jeho přístup k výzvě generace v reálném čase. Model generuje kontinuální proudy hudby v 2-vteřinových blocích, každý podmíněný předchozích 10 sekundách audio výstupu a dynamicky nastavitelným stylem vložením. Tato architektura umožňuje hudebníkům manipulovat stylem vložením v reálném čase, efektivní řízení hudebního výstupu, jak se vyvíjí.

Technický úspěch zde nelze přehlédnout. Na bezplatném Google Colab TPU generuje Magenta RT 2 sekundy audio za pouhých 1,25 sekundy – reálný faktor 1,6. Tato rychlost je umožněna několika inovacemi:

• Block Autoregression: Místo generování celých skladeb najednou pracuje model v malých, zvládnutelných blocích, které lze rychle zpracovat
• SpectroStream Codec: Nástupce SoundStream, který umožňuje vysokou věrnost 48kHz stereo audio
• MusicCoCa Embeddings: Nový společný hudební-textový model vložením, který umožňuje semantickou kontrolu nad procesem generace

Co dělá toto zvláště působivé, je, že na rozdíl od řešení založených na API nebo modelech generace orientovaných na dávky, Magenta RT podporuje syntézu streamu s faktorem reálného času větší než 1. To znamená, že model může skutečně předehnat přehrávání, vytváří buffer, který zajišťuje plynulý, nepřerušovaný hudební tok.

Od pasivní generace k aktivnímu výkonu

Dopady generace hudby AI v reálném čase sahají daleko za technické specifikace. Jak tým Magenta poznamenává, “Live interakce vyžaduje více od hráče, ale může nabídnout více na oplátku. Kontinuální smyčka vnímání-akce mezi člověkem a modelem poskytuje přístup k tvořivému stavu, zaměřuje se na proces raději než na konečný produkt.”

Tento posun od pasivní k aktivní participaci řeší jednu z hlavních kritik obsahu generovaného AI: jeho potenciál zaplavit trh duševní, masově vyráběnou hudbou. Modely v reálném čase “přirozeně vyhýbají vytváření přílivu pasivního obsahu, protože intrinsicky vyvažují poslech s generací v poměru 1:1”. Každý okamžik vytvořené hudby vyžaduje okamžik lidské pozornosti a rozhodování.

Zvažte možnosti, které toto otevírá:

• Živý výkon: DJ a elektroničtí hudebníci mohou začlenit AI jako reaktivní nástroj do svých setů, přidávají k expandující sadě AI nástrojů pro hudebníky, které zvyšují lidskou tvořivost
• Interaktivní instalace: Umělci mohou vytvářet prostředí, ve kterých hudba reaguje na pohyb publika nebo environmentální faktory
• Vzdělávací nástroje: Studenti mohou prozkoumávat hudební koncepty prostřednictvím okamžité, hmatatelné zpětné vazby
• Herní soundtracky: Dynamické skóre, které se přizpůsobují akcím hráčů v reálném čase

Disrupt a příležitost

Hudební průmysl stojí na křižovatce. Tržby v hudebním průmyslu by se měly zvýšit o 17,2 %, částečně poháněné hudbou generovanou AI, s globálním trhem AI hudby oceněným na 2,9 miliardy dolarů v roce 2024. Avšak tento růst přichází s významnými obavami ze strany umělců a odborníků z průmyslu.

Výzkum Goldmedia předpovídá, že bez vhodných systémů odškodnění by mohli hudebníci ztratit až 27 % svých příjmů do roku 2028, protože obsah generovaný AI roste. Strach je zřetelný – bude AI nahrazovat lidské hudebníky? Bude hodnota lidské tvořivosti snížena ve světě, kde kdokoli může generovat profesionální hudbu?

Magenta RT nabízí nuancovanou odpověď na tyto obavy. Postavením se jako otevřený nástroj, který zvyšuje lidskou tvořivost, spíše než ji nahrazuje, poskytuje model pro to, jak AI a hudebníci mohou koexistovat. Požadavek na vstup v reálném čase zajišťuje, že technologie zvyšuje lidskou tvořivost, spíše než funguje autonomně.

Demokratizace vs. devalvace

Jedním z nejvýznamnějších dopadů Magenta RT je jeho potenciál demokratizovat tvorbu hudby. Model je navržen tak, aby nakonec běžel na spotřebitelském hardwaru a již je funkční na bezplatných Colab TPUs. Tato dostupnost znamená, že aspirující hudebníci bez drahého vybavení nebo formálního vzdělávání mohou experimentovat s komplexními hudebními nápady, připojují se k rostoucí ekosystému AI generátorů hudby, které transformují tvořivé pracovní postupy.

Jedná se však o rizika. Jak skladatel Mark Henry Phillips poznamenává ve svých experimentech s generací hudby AI, podezřívá, že “brzy již nebude moci vydělávat na živobytí jako hudebník, protože společnosti začnou přímo využívat tuto technologii”. Snadnost, s níž AI může generovat komerčně kvalitní hudbu, ohrožuje tradiční příjmové prameny pro profesionální hudebníky.

Jedná se však o jiný úhel pohledu. Stejně jako digitální fotografie neeliminovala profesionální fotografy, ale změnila povahu jejich práce, generace hudby AI může přetvořit hudební kariéry, spíše než je nahradit. Klíč leží v tom, jak hudebníci přizpůsobují a integrují tyto nástroje do svého tvořivého procesu.

Růst generace hudby AI v reálném čase také přináší naléhavé etické otázky. Autorská práva, vlastnictví a spravedlivé odškodnění zůstávají spornými otázkami. 90 % hudebníků se domnívá, že společnosti AI by měly žádat o povolení před použitím autorské hudby pro školení, zdůrazňující napětí mezi technologickou inovací a uměleckými právy.

Otevřený přístup Magenta RT nabízí jednu možnou cestu vpřed. Zprostřednictvím toho, že tato technologie je volně dostupná a školená na přibližně 190 000 hodinách instrumentální skladby ze více zdrojů, Google se pokusil vyhnout některým autorským obavám, zatímco stále produkuje schopný model.

Omezení modelu také odrážejí etické úvahy. Zatímco je schopen generovat nelexikální vokalizace a humming, Magenta RT není podmíněný texty a je nepravděpodobné, že vygeneruje skutečné slovo. Tento designový výběr pomáhá vyhnout se potenciálním problémům s generováním nevhodného lyrického obsahu, zatímco se zaměřuje na instrumentální kompozici.

Budoucnost lidské spolupráce AI v hudbě

Jak stojíme na prahu této nové éry v hudbě, několik trendů se objevuje:

1. Hybridní modely tvorby: Nástroje jako Magenta RT se stávají spolupracovníky, spíše než nahrazují hudebníky. Poslední vývoj v systémech sledování beatu s nulovou latencí a vylepšenou ovladatelností ukazuje, jak AI může synchronizovat s lidskými výkony v reálném čase.
2. Nové modely výkonu: Koncept “výkonu” s AI otevírá zcela nové umělecké možnosti. Hudebníci se učí “hrát” na tyto systémy jako na nástroje, vyvíjejí techniky pro získání specifických zvuků a navigaci latentního hudebního prostoru.
3. Revolutionizace vzdělávání: Technologie generace hudby AI revolucionalizovala hudební vzdělávání, s platformami, které poskytují interaktivní zkušenosti, které poslouchají výkony uživatelů a nabízejí okamžité zpětné vazby.Technologická konvergence: S inovacemi v neuronových audio kodecích a optimalizovaných architekturách, nástroje jako MusicFX DJ mohou nyní streamovat produkční kvalitu 48kHz stereo audio v reálném čase, přivádějí hudbu generovanou AI na profesionální standardy.

Přijetí spolupracující budoucnosti

Magenta RealTime nabízí pohled do budoucnosti, kde hranice mezi lidskou a strojovou tvořivostí se stávají stále více tekutými. Požadující reálný čas lidského vstupu a zaměřující se na proces, spíše než jen na výstup, nabízí model pro AI, který zvyšuje lidskou tvořivost, spíše než ji nahrazuje.

Technologie je otevřená a dostupná na spotřebitelském hardwaru, demokratizuje tvorbu hudby, zatímco její omezení v reálném čase zajišťují, že lidská agentura zůstává centrální pro tvořivý proces. Jak tým Magenta zdůrazňuje, zvyšování lidské tvořivosti – ne její nahrazování – bylo vždy v jádru jejich mise.

Pro hudebníky, producenty a milovníky hudby je zpráva jasná: budoucnost hudby leží nejen ve výběru mezi lidskou nebo AI tvorbou, ale v prozkoumávání rozsáhlých tvořivých možností, které vznikají, když obě pracují společně v reálném čase. Magenta RT je pozvánkou k přeimaginování toho, co může být tvorba hudby v éře AI.

Jak se pohybujeme vpřed, hudební průmysl musí řešit důležité otázky o spravedlivém odškodnění, autorských právech a hodnotě lidské tvořivosti. Ale pokud nástroje jako Magenta RT jsou jakýmkoli ukazatelem, budoucnost hudby bude jednou z spolupráce, experimentování a nových forem vyjádření, které jsme teprve začali představit.