Google Prezentuje Model Muzyki AI, Który Tworzy Muzykę Szybciej Niż Odtwarza

Wyobraź sobie scenariusz, w którym muzyk siedzi przy komputerze, nie komponując nuty po nucie, ale sterując współpracownikiem AI podczas występu na żywo – zmieniając gatunki, łącząc instrumenty i eksplorując dźwiękowe terytoria, które istnieją pomiędzy ustanowionymi stylami muzycznymi. To się dzieje teraz z Google’s Magenta RealTime (RT) (GOOGL ), modelem open-source, który przywołuje interaktywność w czasie rzeczywistym do generacji muzyki AI.

Niedawno wydany, Magenta RT zmusza nas do zmiany sposobu myślenia o muzyce generowanej przez AI. W przeciwieństwie do poprzednich modeli, które wymagały od użytkowników czekania na pełne utwory, Magenta RT generuje muzykę szybciej niż odtwarza, umożliwiając prawdziwą interakcję w czasie rzeczywistym. Dla przemysłu muzycznego – już walczącego z wpływem AI – ta technologia otwiera drzwi do nowych form ekspresji twórczej, podnosząc jednocześnie głębokie pytania o autorstwo, wykonanie i przyszłość ludzkiej muzyki.

Zrozumienie Magenta RealTime

W swojej istocie, Magenta RT jest modelem transformatora autoregresywnego o 800 milionach parametrów, ale to, co go wyróżnia, to podejście do wyzwania generacji w czasie rzeczywistym. Model generuje ciągłe strumienie muzyki w chunkach po 2 sekundy, każdy warunkowany przez poprzednie 10 sekund wyjścia audio i dynamicznie regulowaną osadzanie stylu. Ta architektura pozwala muzykom na manipulowanie osadzaniem stylu w czasie rzeczywistym, skutecznie sterując wyjściem muzycznym, gdy się ono rozwija.

Osiągnięcie techniczne tutaj nie może być przecenione. Na darmowym Google Colab TPU, Magenta RT generuje 2 sekundy audio w zaledwie 1,25 sekundy – czynnik czasu rzeczywistego 1,6. To tempo jest możliwe dzięki kilku innowacjom:

• Autoregresja Blokowa: Zamiast generowania całych utworów na raz, model pracuje w małych, zarządzalnych chunkach, które mogą być przetwarzane szybko
• Kodowanie SpectroStream: Następca SoundStream, który umożliwia wysokiej jakości 48kHz stereo audio
• Osadzanie MusicCoCa: Nowy wspólny model osadzania muzyki i tekstu, który pozwala na kontrolę semantyczną nad procesem generacji

Co sprawia, że jest to szczególnie imponujące, to to, że w przeciwieństwie do rozwiązań opartych na API lub modelach generacji wsadowej, Magenta RT obsługuje syntezę strumieniową z czynnikiem czasu rzeczywistego większym niż 1. Oznacza to, że model może naprawdę wyprzedzić odtwarzanie, tworząc bufor, który zapewnia gładki, nieprzerwany przepływ muzyczny.

Od Biernego Generowania do Aktywnego Wykonania

Implikacje generacji muzyki AI w czasie rzeczywistym sięgają daleko poza specyfikacje techniczne. Jak zauważa zespół Magenta, “Interakcja na żywo wymaga więcej od gracza, ale może zaoferować więcej w zamian. Ciągła pętla percepcji-akcji między człowiekiem a modelem zapewnia dostęp do stanu przepływu twórczego, koncentrując się na radości z procesu zamiast na końcowym produkcie.”

Ta zmiana z biernego do aktywnego zaangażowania rozwiązuje jeden z głównych zarzutów wobec treści generowanych przez AI: ich potencjał do zalewania rynku bezduszną, masowo produkowaną muzyką. Modele w czasie rzeczywistym “naturalnie unikają tworzenia lawiny biernych treści, ponieważ wewnętrznie balansują słuchanie z generowaniem w stosunku 1:1”. Każdy moment stworzonej muzyki wymaga momentu ludzkiej uwagi i podejmowania decyzji.

Rozważ możliwości, które się otwierają:

• Występ Na Żywo: DJ-e i muzycy elektroniczni mogą włączyć AI jako instrument odpowiedni do ich setów, dodając do rosnącego zestawu narzędzi AI dla muzyków, które zwiększają, a nie zastępują ludzką kreatywność
• Instalacje Interaktywne: Artyści mogą tworzyć środowiska, w których muzyka reaguje na ruch publiczności lub czynniki środowiskowe
• Narzędzia Edukacyjne: Studenci mogą eksplorować pojęcia muzyczne poprzez natychmiastową, namacalną informację zwrotną
• Ścieżki Dźwiękowe do Gier: Dynamiczne ścieżki dźwiękowe, które dostosowują się do akcji gracza w czasie rzeczywistym

Przerwanie i Szansa

Przemysł muzyczny stoi na rozdrożu. Przewidywany wzrost przychodu w przemyśle muzycznym o 17,2%, napędzany w części przez muzykę generowaną przez AI, z globalnym rynkiem muzyki AI wycenianym na 2,9 miliarda dolarów w 2024 roku. Jednak ten wzrost idzie w parze z poważnymi obawami ze strony artystów i profesjonalistów branży.

Badania przeprowadzone przez Goldmedia przewidują, że bez odpowiednich systemów wynagrodzeń, muzycy mogą stracić do 27% swoich dochodów do 2028 roku, w miarę wzrostu treści generowanych przez AI. Strach jest namacalny – czy AI zastąpi muzyków? Czy wartość ludzkiej kreatywności będzie zmniejszona w świecie, w którym każdy może generować profesjonalnie brzmiącą muzykę?

Magenta RT oferuje nuansowaną odpowiedź na te obawy. Poprzez pozycjonowanie się jako narzędzie open-source, które zwiększa, a nie zastępuje ludzką kreatywność, zapewnia model dla tego, jak AI i muzycy mogą współistnieć. Wymóg ciągłego wprowadzania danych w czasie rzeczywistym zapewnia, że technologia zwiększa ludzką kreatywność, a nie działa samodzielnie.

Demokratyzacja a Dewaluacja

Jednym z największych wpływów Magenta RT jest jego potencjał do demokratyzacji tworzenia muzyki. Model jest zaprojektowany, aby ostatecznie działać na sprzęcie konsumenckim i jest już funkcjonalny na darmowych Colab TPU. Ta dostępność oznacza, że aspirujący muzycy bez drogiego sprzętu lub formalnego szkolenia mogą eksperymentować z złożonymi pomysłami muzycznymi, dołączając do rosnącego ekosystemu generatorów muzyki AI, które transformują creative workflows.

Jednak ta demokratyzacja idzie w parze z ryzykiem. Jak kompozytor Mark Henry Phillips zauważa w swoich eksperymentach z generowaniem muzyki AI, podejrzewa, że “wkrótce nie będzie już w stanie utrzymać się z muzyki, ponieważ firmy zaczną bezpośrednio używać tej technologii”. Łatwość, z jaką AI może generować muzykę o jakości komercyjnej, zagraża tradycyjnym strumieniom dochodów dla profesjonalnych muzyków.

Jednak jest też inna perspektywa do rozważenia. Podobnie jak fotografia cyfrowa nie wyeliminowała profesjonalnych fotografów, ale zmieniła naturę ich pracy, generowanie muzyki AI może przekształcić, a nie zastąpić kariery muzyczne. Klucz leży w tym, jak muzycy adaptują się i integrują te narzędzia w swoim procesie twórczym.

Wzrost generowania muzyki AI w czasie rzeczywistym również podnosi pilne pytania etyczne. Prawa autorskie, własność i sprawiedliwe wynagrodzenie pozostają spornymi kwestiami. 90% muzyków uważa, że firmy AI powinny poprosić o pozwolenie przed użyciem chronionych prawem autorskim utworów do szkolenia, podkreślając napięcie między innowacjami technologicznymi a prawami artystycznymi.

Podejście open-source Magenta RT oferuje jeden potencjalny kierunek. Poprzez udostępnienie tej technologii za darmo i przeszkolenie jej na około 190 000 godzinach instrumentalnej muzyki ze różnych źródeł, Google próbowało ominąć niektóre obawy dotyczące praw autorskich, tworząc jednocześnie zdolny model.

Ograniczenia modelu również odzwierciedlają rozważania etyczne. Chociaż jest w stanie generować nieleksykalne wokalizacje i śpiew, Magenta RT nie jest warunkowany przez teksty i nie jest prawdopodobne, że wygeneruje rzeczywiste słowa. To wybór projektowy pomaga uniknąć potencjalnych problemów z generowaniem nieodpowiednich tekstów, koncentrując się na kompozycji instrumentalnej.

Przyszłość Ludzkiej-Komputerowej Współpracy Muzycznej

Podczas gdy stoimy na progu nowej ery w tworzeniu muzyki, kilka trendów się pojawia:

1. Modele Tworzenia Hybrydowego: Zamiast zastępować muzyków, narzędzia takie jak Magenta RT stają się współpracownikami. Niedawne rozwoju systemów śledzenia rytmu z zerową latencją i zwiększoną kontrolą pokazują, jak AI może synchronizować się z ludzkimi wykonawcami w czasie rzeczywistym.
2. Nowe Paradygmaty Wykonania: Pojęcie “wykonania” z AI otwiera całkowicie nowe możliwości artystyczne. Muzycy uczą się “grać” na tych systemach jak na instrumentach, rozwijając techniki dla uzyskania konkretnych dźwięków i nawigowania w ukrytych przestrzeniach muzycznych.
3. Rewolucja Edukacyjna: Technologia generowania muzyki AI rewolucjonizowała edukację muzyczną, z platformami oferującymi interaktywne doświadczenia, które słuchają wykonania użytkowników i oferują natychmiastową informację zwrotną.Konwergencja Techniczna: Z innowacjami w kodowaniu audio neuronowego i zoptymalizowanych architekturach, narzędzia takie jak MusicFX DJ mogą teraz transmitować audio o jakości produkcyjnej 48kHz stereo w czasie rzeczywistym, przywożąc muzykę generowaną przez AI do standardów profesjonalnych.

Przyjmowanie Współpracy Przyszłości

Magenta RealTime oferuje wgląd w przyszłość, w której granice między ludzką a maszynową kreatywnością stają się coraz bardziej płynne. Poprzez wymaganie ciągłego wprowadzania danych w czasie rzeczywistym i koncentrowanie się na procesie, a nie tylko na wyjściu, oferuje model AI, który zwiększa, a nie zastępuje ludzką kreatywność.

Technologia ta, o charakterze open-source i dostępna na sprzęcie konsumenckim, demokratyzuje tworzenie muzyki, podczas gdy jej ograniczenia w czasie rzeczywistym zapewniają, że ludzka agencja pozostaje centralna dla procesu twórczego. Jak podkreśla zespół Magenta, zwiększanie ludzkiej kreatywności – a nie zastępowanie jej – zawsze było w centrum ich misji.

Dla muzyków, producentów i miłośników muzyki, wiadomość jest jasna: przyszłość muzyki nie leży w wyborze między tworzeniem ludzkim a AI, ale w eksplorowaniu ogromnych możliwości twórczych, które pojawiają się, gdy obie pracują razem w czasie rzeczywistym. Magenta RT to zaproszenie do ponownego wyobrażenia sobie, czym może być tworzenie muzyki w erze AI.

Podczas gdy idziemy do przodu, przemysł muzyczny musi zmierzyć się z ważnymi pytaniami o sprawiedliwe wynagrodzenie, prawa autorskie i wartość ludzkiej kreatywności. Ale jeśli narzędzia takie jak Magenta RT są jakimkolwiek wskaźnikiem, przyszłość muzyki będzie jedną z współpracy, eksperymentowania i nowych form ekspresji, których dopiero zaczynamy wyobrażać sobie.