14.4.2018

Tästä Googlen Magenta (Make Music and Art Using Machine Learning) projektin tuotoksista en vielä löydä mitään erikoisen kiinnostavaa. Vielä eivät potentiaalit aukea eikä muusikkojan pelottavat uhkakuvat toteudu. Magentateknologia perustuu TensorFlow ympäristöön, jota voi kooda Pythonilla.

Se mihin itse käyttäisin machine learningia olisi, ei mikään musiikillisen ilmaisun päätaso (jäljitellä jotakin säveltäjää tai soittotyyliä ilman kyseisen musiikillisen kielen tasojen tarkkaa jäsentämistä), vaan lähinnä joihinkin oman prosessini hyvin spesifeihin yksittäisiin parametrisäätöihin, esimerkiksi fysikaalisten soitinmallien lukemattomien parametrien säätöihin, niin että systeemi seuraisi output audiodataa ja säätäisi sitä yhtä parametria sen mukaan miten se on opetettu toimimaan sen yhden parametrin suhteen tietyn kuuloisilla materiaaleilla. Näin voisi tehdä spesifeistä flown kannalta hieman toissijaisista parametrisäädöistä ikään kuin setupriippumattomia. Referenssi pitäisi olla nimenomaan lopullisessa sounditasapainossa ja yksittäisten osatekijöiden hienosäätöjä pitäisi tehdä sen mukaan millaista lopullista soundia tai miksausta halutaan. Opetusjoukkona pitäisi käyttää ihanteellisesti toimivaksi katsottuja mutta mahdollisimman monipuolisia tilanteita.

Järjestely on ehkä toteutettavissa nykyiseen lasihelmipeliini. Impelementoitavuus perustuu arkkitehtuurin hierarkiaan, joka on selkeä. Mikä hyvänsä musiikillinen taso on laajennettavissa loputtomasti, kunhat tasot eivät mene keskenään sekaisin. Tällaisessa käytössä machine learning jäljittelisi vain omia (lähinnä materiaalin jälkieditointiin liittyviä) toimintatapojani, ilman että huomiota tarvitsee itse prosessissa kiinnittää koko ajan kaikkeen.
 
Sävellysprosessissa, joka tässä tapauksessa tarkoittaa tosiaikaisen musiikillisen vasteen tuottamista samalla hetkellä kun säveltäminen tapahtuu, machine learning voi ikään kuin vapauttaa kallisarvoista huomioenergiaa niistä yksityiskohtaisista asioista, jotka eivät ole esimerkiksi muodon luomisen kannalta kaikista keskeisimpiä. Tällaisessa prosessissa työskentelee siis säveltäjä, kapellimestari ja (virtuaaliset) muusikot samalla kertaa yhdessä tilassa ja hetkessä ilman ennakkoharjoitusta.

Materiaali on kerrasta täysin valmista (oletuksella että virtuaaliseen äänenlaatuun tyydytään), eikä toinen otto toisaalta olisi edes mahdollinen. Machine learnin tekee siis sen työn tosiaikaisesti, joka aiemmin on jäänyt jälkikäteisen editoinnin varaan.

Toisaalta vastaava prosessi voisi tuottaa myös esimerkiksi raakadatasta nuottikuvan. Sillon machine learnin pitäisi kohdistaa opetusjoukkoon, jossa vastaavista raakadatoista on ensin luotu käsin nuottikuvia. Mitään suoraviivaista automaatiologiikkaahan ei voi olla siihen, miten koneen luomasta musiikillisesta raakadatasta saadaan muusikkojen ymmärtämää ja kykyjen rajoissa olevaa notaatiota.

Ei kommentteja:

Hae tästä blogista

"Käymälässä en käynyt, mutta ostin kokoelman runoja. Eikö se ole yksi ja sama?"
- Kejonen

"Minä puhun hyveestä, en itsestäni, ja kun moitin paheita, moitin ennen muuta omiani."
- Seneca

"käymälässä aamuisin kuolemanjälkeistä peliä"
- Krivulin

Blogiarkisto

Tietoja minusta

svenlaakso (at) yahoo.com