Google เปิดตัวโมเดลดนตรี AI ที่สร้างดนตรีได้เร็วกว่าการเล่น

ลองนึกภาพนักดนตรีนั่งอยู่หน้าคอมพิวเตอร์ ไม่ได้แต่งเพลงโน้ตต่อโน้ต แต่ควบคุม AI ที่ทำงานร่วมกันในการแสดงสด—เปลี่ยนแนวเพลง ผสมเครื่องดนตรี และสำรวจพื้นที่เสียงที่อยู่ระหว่างแนวเพลงที่มีอยู่แล้ว นี่คือสิ่งที่เกิดขึ้นแล้วกับ Google’s Magenta RealTime (RT) (GOOGL ) โมเดลโอเพ่นซอร์สที่นำการโต้ตอบแบบเรียลไทม์มาใช้กับการสร้างดนตรี AI

เพิ่งวางจำหน่าย Magenta RT บังคับให้เราต้องเปลี่ยนความคิดเกี่ยวกับดนตรีที่สร้างโดย AI ไม่เหมือนกับโมเดลก่อนหน้าที่ต้องรอจนกว่าเพลงจะเสร็จสมบูรณ์ Magenta RT สร้างดนตรีได้เร็วกว่าการเล่น ทำให้สามารถโต้ตอบได้แบบเรียลไทม์ สำหรับอุตสาหกรรมดนตรี—ที่กำลังดิ้นรนกับอิทธิพลที่รบกวนของ AI—เทคโนโลยีนี้เปิดโอกาสให้สร้างสรรค์ใหม่ๆ ในขณะเดียวกันก็ทำให้เกิดคำถามสำคัญเกี่ยวกับการสร้างสรรค์ การแสดง และอนาคตของนักดนตรี

การทำความเข้าใจ Magenta RealTime

ที่แก่นกลาง Magenta RT คือโมเดลทรานส์ฟอร์เมอร์ออโตเรกร레สซีฟ 800 ล้านพารามิเตอร์ แต่สิ่งที่ทำให้มันแตกต่างคือการเข้าถึงความท้าทายของการสร้างแบบเรียลไทม์ โมเดลสร้างสตรีมดนตรีต่อเนื่องใน 2 วินาที แต่ละชิ้นขึ้นอยู่กับ 10 วินาทีของเอาต์พุตเสียงก่อนหน้าและเอ็มเบดดิ้งสไตล์ที่ปรับได้แบบไดนามิก สถาปัตยกรรมนี้ทำให้นักดนตรีสามารถควบคุมเอ็มเบดดิ้ง斯ไตล์แบบเรียลไทม์ ซึ่งโดยพื้นฐานแล้วจะควบคุมเอาต์พุตดนตรีตามที่มันพัฒนา

ความสำเร็จทางเทคนิคที่นี่ไม่สามารถมองข้ามได้ ใน Google Colab TPU ระดับฟรี Magenta RT สร้าง 2 วินาทีของเสียงในเวลาเพียง 1.25 วินาที—ปัจจัยเรียลไทม์ 1.6 ความเร็วนี้เป็นไปได้จากการนวัตกรรมหลายอย่าง:

• บล็อกออโตเรกร레สซัน: แทนที่จะสร้างเพลงทั้งหมดในครั้งเดียว โมเดลทำงานในบล็อกเล็กๆ ที่จัดการได้ง่ายๆ ซึ่งสามารถประมวลผลได้อย่างรวดเร็ว
• สเปคโตรสตรีมโค้ดค: ตัวสืบทอดของ SoundStream ที่ทำให้สามารถใช้เสียงสเตอริโอ 48kHz ได้
• มิวสิกโคคาเอ็มเบดดิ้ง: โมเดลเอ็มเบดดิ้งดนตรีและข้อความร่วมใหม่ที่ช่วยให้สามารถควบคุมการสร้างแบบซีแมนติก

สิ่งที่ทำให้นี่น่าประทับใจคือ ไม่เหมือนกับโซลูชันแบบ API หรือโมเดลการสร้างแบบแบตช์ Magenta RT สนับสนุนการสังเคราะห์แบบสตรีมมิ่งด้วยปัจจัยเรียลไทม์มากกว่า 1 ซึ่งหมายความว่าโมเดลสามารถอยู่ข้างหน้าการเล่นได้จริงๆ โดยสร้างบัฟเฟอร์ที่รับประกันการไหลของดนตรีที่ไม่ขาดตอน

จากการสร้างแบบพาสซีฟไปสู่การแสดงแบบแอคทีฟ

ผลกระทบของการสร้างดนตรี AI แบบเรียลไทม์ขยายออกไปไกลกว่าข้อกำหนดทางเทคนิค ตามที่ทีม Magenta ระบุ “การโต้ตอบแบบเรียลไทม์ต้องการมากกว่าจากผู้เล่น แต่สามารถให้ผลตอบแทนมากกว่าได้ ลูปการรับรู้-การกระทำที่ต่อเนื่องกันระหว่างมนุษย์และโมเดลทำให้สามารถเข้าถึงสภาพแวดล้อมการสร้างสรรค์ โดยมุ่งเน้นไปที่ความสุขของกระบวนการมากกว่าผลิตภัณฑ์สุดท้าย”

การเปลี่ยนแปลงนี้จากความเกี่ยวข้องแบบพาสซีฟไปสู่การมีส่วนร่วมแบบแอคทีฟ จัดการกับคำวิจารณ์หลักๆ ของเนื้อหาที่สร้างโดย AI ได้แก่ โอกาสที่จะทำให้ตลาดเต็มไปด้วยเพลงที่ไม่มีวิญญาณและผลิตจำนวนมาก การสร้างแบบเรียลไทม์ “หลีกเลี่ยงการสร้างเนื้อหาพาสซีฟโดยธรรมชาติ เพราะพวกมันสร้างสมดุลระหว่างการฟังและการสร้างในอัตราส่วน 1:1” ทุกๆ โมเมนต์ของดนตรีที่สร้างต้องมีการตัดสินใจและความสนใจของมนุษย์

พิจารณาความเป็นไปได้ที่เปิดกว้างนี้:

• การแสดงสด: DJs และนักดนตรีอิเล็กทรอนิกส์สามารถรวม AI เป็นเครื่องดนตรีที่ตอบสนองในการแสดงของพวกเขา โดยเพิ่มเครื่องมือ AI สำหรับนักดนตรี ที่เพิ่มความสร้างสรรค์ของมนุษย์
• การแสดงแบบอินเทอร์แอคทีฟ: ศิลปินสามารถสร้างสภาพแวดล้อมที่ดนตรีตอบสนองต่อการเคลื่อนไหวของผู้ชมหรือปัจจัยสิ่งแวดล้อม
• เครื่องมือทางการศึกษา: นักเรียนสามารถสำรวจแนวคิดทางดนตรีผ่านการให้ข้อเสนอแนะที่มีประสิทธิภาพและเป็นรูปธรรม
• ดนตรีสำหรับเกม: สกอร์แบบไดนามิกที่ปรับเปลี่ยนตามการกระทำของผู้เล่นแบบเรียลไทม์

การเปลี่ยนแปลงและโอกาส

อุตสาหกรรมดนตรีอยู่ที่จุดเปลี่ยน รายได้ในอุตสาหกรรมดนตรีคาดว่าจะเพิ่มขึ้น 17.2% ซึ่งได้รับแรงผลักดันจากดนตรีที่สร้างโดย AI โดยมีมูลค่าตลาด AI ดนตรีโลกอยู่ที่ 2.9 พันล้านดอลลาร์สหรัฐฯ ในปี 2024 แต่การเติบโตนี้มาพร้อมกับความกังวลที่สำคัญจากศิลปินและผู้เชี่ยวชาญในอุตสาหกรรม

การวิจัยของ Goldmedia คาดการณ์ว่าหากไม่มีระบบการชำระเงินที่เหมาะสม นักดนตรีอาจสูญเสียรายได้มากถึง 27% ภายในปี 2028 เนื่องจากเนื้อหาที่สร้างโดย AI เพิ่มขึ้น ความกลัวนี้เป็นเรื่องที่น่ากังวล—AI จะแทนที่นักดนตรีหรือไม่? คุณค่าของความคิดสร้างสรรค์ของมนุษย์จะลดลงในโลกที่ทุกคนสามารถสร้างดนตรีที่มีคุณภาพมืออาชีพได้หรือไม่?

Magenta RT เสนอคำตอบที่เหมาะสมแก่ความกังวลเหล่านี้ โดยการวางตัวเองเป็นเครื่องมือโอเพ่นซอร์สที่เพิ่มความสร้างสรรค์ของมนุษย์ มากกว่าที่จะแทนที่มัน การต้องการการเข้าแทรกแบบเรียลไทม์ของมนุษย์ทำให้แน่ใจว่าเทคโนโลยีนี้จะขยายความสร้างสรรค์ของมนุษย์มากกว่าการทำงานอัตโนมัติ

การทำให้ประชาธิปไตยเทียบกับการลดคุณค่า

ผลกระทบที่สำคัญที่สุดของ Magenta RT คือศักยภาพในการทำให้การสร้างดนตรีเป็นประชาธิปไตย โมเดลนี้ได้รับการออกแบบให้ทำงานบนฮาร์ดแวร์ของผู้บริโภคในอนาคต และสามารถทำงานบน Google Colab TPU ระดับฟรีได้แล้ว ความสามารถเข้าถึงนี้หมายความว่านักดนตรีที่มีความหวังที่ไม่มีอุปกรณ์หรือการฝึกอบรมที่มีราคาแพงสามารถทดลองกับแนวคิดทางดนตรีที่ซับซ้อนได้ โดยเข้าร่วมระบบนิเวศที่เติบโตของ เครื่องมือสร้างดนตรี AI ที่เปลี่ยนแปลงการทำงานสร้างสรรค์

อย่างไรก็ตาม การทำให้ประชาธิปไตยนี้มาพร้อมกับความเสี่ยง ตามที่ มาร์ก เฮนรี ฟิลลิปส์ ผู้แต่งเพลงสังเกตเห็นในการทดลองของเขากับการสร้างดนตรี AI ว่าเขาคิดว่า “เขาจะไม่สามารถสร้างรายได้จากการเป็นนักดนตรีได้ เนื่องจากบริษัทต่างๆ จะเริ่มใช้เทคโนโลยีนี้โดยตรง” ความสามารถของ AI ในการสร้างดนตรีคุณภาพมืออาชีพได้อย่างง่ายดาย ทำให้เกิดความเสี่ยงต่อแหล่งรายได้แบบดั้งเดิมของนักดนตรีมืออาชีพ

แต่มีมุมมองอื่นที่ต้องพิจารณา เช่นเดียวกับการถ่ายภาพดิจิทัลที่ไม่ได้กำจัดช่างภาพมืออาชีพ แต่เปลี่ยนธรรมชาติของงานของพวกเขา การสร้างดนตรี AI อาจเปลี่ยนแปลงอาชีพดนตรีมากกว่าที่จะแทนที่มัน

การเพิ่มขึ้นของการสร้างดนตรี AI แบบเรียลไทม์นำเสนอคำถามเชิงจริยธรรมที่เร่งด่วน เช่น ลิขสิทธิ์ การเป็นเจ้าของ และการชำระเงินที่เป็นธรรม ยังคงเป็นประเด็นที่ถกเถียงกัน 90% ของนักดนตรีเชื่อว่าบริษัท AI ควรขออนุญาตก่อนใช้เพลงลิขสิทธิ์สำหรับการฝึกอบรม ซึ่งเน้นย้ำถึงความตึงเครียดระหว่างนวัตกรรมทางเทคโนโลยีกับสิทธิของผู้สร้างสรรค์

การเข้าถึงแบบโอเพ่นซอร์สของ Magenta RT เสนอหนึ่งเส้นทางไปข้างหน้า โดยการทำให้เทคโนโลยีนี้มีให้ใช้ฟรีและฝึกอบรมบนประมาณ 190,000 ชั่วโมงของดนตรีสต็อกอินสตรูเมนตัลจากแหล่งต่างๆ Google ได้พยายามหลีกเลี่ยงบางข้อกังวลเกี่ยวกับลิขสิทธิ์ ในขณะเดียวกันก็สร้างโมเดลที่มีประสิทธิภาพ

ข้อจำกัดของโมเดลสะท้อนถึงการพิจารณาด้านจริยธรรมด้วย ในขณะที่สามารถสร้างเสียงร้องที่ไม่ใช่คำพูดและเสียงฮัมมิ่งได้ Magenta RT ไม่ได้รับการฝึกอบรมบนเนื้อเพลงและไม่น่าจะสร้างเนื้อเพลงที่แท้จริง การออกแบบเลือกนี้ช่วยหลีกเลี่ยงปัญหาที่อาจเกิดขึ้นจากการสร้างเนื้อเพลงที่ไม่เหมาะสม ในขณะเดียวกันก็เน้นย้ำถึงเครื่องมือในการประพันธ์ดนตรี

อนาคตของการทำงานร่วมกันระหว่างมนุษย์และ AI ในด้านดนตรี

เมื่อเรายืนอยู่ที่จุดเริ่มต้นของยุคใหม่นี้ในด้านการสร้างดนตรี มีแนวโน้มที่จะเกิดขึ้น:

1. โมเดลการสร้างแบบไฮบริด: แทนที่จะแทนที่นักดนตรี เครื่องมืออย่าง Magenta RT กำลังจะกลายเป็นพันธมิตร การพัฒนาล่าสุดในระบบติดตามจังหวะที่มีเลทเทนซี่เป็นศูนย์และความสามารถในการควบคุมที่ดีขึ้น แสดงให้เห็นว่า AI สามารถทำงานร่วมกับผู้แสดงสดได้แบบเรียลไทม์
2. พาราได้มการแสดงใหม่: ความคิดที่จะ “แสดง” กับ AI เปิดโอกาสใหม่ๆ ในเชิงศิลปะ นักดนตรีกำลังเรียนรู้ที่จะ “เล่น” ระบบเหล่านี้เหมือนเครื่องดนตรี พัฒนาทักษะในการดึงเสียงเฉพาะและสำรวจพื้นที่ซ่อนเร้นของดนตรี
3. การปฏิวัติทางการศึกษา: เทคโนโลยีการสร้างดนตรี AI ได้ปฏิวัติวิธีการศึกษาดนตรี โดยมีแพลตฟอร์มที่ให้ประสบการณ์แบบอินเทอร์แอคทีฟที่ฟังการแสดงของผู้ใช้และให้คำติชมทันที การบรรจบกันทางเทคนิค: ด้วยนวัตกรรมในโค้ดคอดยอดน้ำเสียงและสถาปัตยกรรมที่ได้รับการปรับให้เหมาะสม เครื่องมืออย่าง MusicFX DJ สามารถสตรีมเสียงการผลิตคุณภาพ 48kHz สเตอริโอแบบเรียลไทม์ได้แล้ว นำดนตรีที่สร้างโดย AI มาเป็นมาตรฐานคุณภาพมืออาชีพ

การยอมรับอนาคตที่เป็นความร่วมมือ

Magenta RealTime เสนอภาพอนาคตที่พรมแดนระหว่างความคิดสร้างสรรค์ของมนุษย์และเครื่องจักรจะกลมกลืนเข้าด้วยกันมากขึ้น โดยการกำหนดให้ต้องมีการเข้าแทรกแบบเรียลไทม์ของมนุษย์และเน้นไปที่กระบวนการมากกว่าผลิตภัณฑ์ มันเสนอวิธีการทำงานร่วมกันระหว่าง AI ที่เพิ่มความสร้างสรรค์ของมนุษย์มากกว่าที่จะแทนที่มัน

เทคโนโลยีนี้เป็นโอเพ่นซอร์สและสามารถใช้บนฮาร์ดแวร์ของผู้บริโภค ทำให้การสร้างดนตรีเป็นประชาธิปไตย ในขณะเดียวกันข้อจำกัดแบบเรียลไทม์ก็ทำให้แน่ใจว่าความเป็นมนุษย์ยังคงเป็นศูนย์กลางของกระบวนการสร้างสรรค์

สำหรับนักดนตรี โปรดิวเซอร์ และคนรักดนตรี ข้อความคือการไม่ต้องเลือกระหว่างการสร้างโดยมนุษย์หรือ AI แต่การสำรวจโอกาสสร้างสรรค์ที่กว้างขวางที่เกิดขึ้นเมื่อทั้งสองทำงานร่วมกันแบบเรียลไทม์ Magenta RT คือการเชิญชวนให้重新จินตนาการว่าการสร้างดนตรีสามารถเป็นอย่างไรในยุค AI

เมื่อเราก้าวไปข้างหน้า อุตสาหกรรมดนตรีต้องเผชิญกับคำถามสำคัญเกี่ยวกับการชำระเงินที่เป็นธรรม ลิขสิทธิ์ และคุณค่าของความคิดสร้างสรรค์ของมนุษย์ แต่ถ้าเครื่องมืออย่าง Magenta RT เป็นสัญญาณใดๆ อนาคตของดนตรีจะเป็นความร่วมมือ การทดลอง และรูปแบบใหม่ๆ ของการแสดงออกที่เรากำลังเริ่มจินตนาการ