Google’ın yeni yapay zekası, metinleri müziğe dönüştürüyor
Google araştırmacıları, metin komutlarından dakikalar süren müzik kesimleri üretebilen ve hatta DALL-E üzere sistemlerin yazılı komutlardan imgeler üretmesine benzeri biçimde ıslık çalınan yahut mırıldanılan bir melodiyi öteki enstrümanlara dönüştürebilen bir yapay zeka geliştirdiler. Bu yapay zeka, Model MusicLM olarak isimlendiriliyor.
Şirket, modeli kullanarak ürettiği bir küme örneği paylaştı. Örnekler çok etkileyici. Bir çeşidi, havayı ve hatta makul enstrümanları belirten paragraf uzunluğundaki açıklamalardan oluşturulan gerçek müziklere benzeyen 30 saniyelik parçacıkların yanı sıra “melodik tekno” üzere bir yahut iki sözden oluşturulan 5 dakikalık modüller da var.
electronic song played in a videogame (0:00-0:15)
meditation song played next to a river (0:15-0:30)
fire (0:30-0:45)
fireworks (0:45-0:60)
Yukarıdaki komutlar verildiğinde sonuç olarak burada dinleyebileceğiniz ses ortaya çıkıyor.
Bu şüphesiz şimdilik herkes için uygun olmayabilir, lakin bunun yapay zekanın kilometre taşlarından biri olduğu açık. Çünkü bir insan tarafınca bestelendiğinin düşünülmesini sağlayabiliyor. Demo sitesinde ayrıyeten modelin çello yahut marakas üzere enstrümanların 10 saniyelik kliplerini üretmesi istendiğinde ne ürettiğine dair örnekler, makul bir cinsin 8 saniyelik klipleri, bir hapishane kaçışına uyacak müzik ve hatta yeni başlayan bir piyanistin ileri seviye bir piyaniste karşı nasıl çalacağı da yer alıyor. Ayrıyeten “fütüristik kulüp” ve “akordeon death metal” üzere tabirlerin yorumlarını da içeriyor.
MusicLM insan vokallerini bile simüle edebiliyor ve her ne kadar seslerin tonunu ve genel sesini yanlışsız yakalıyor üzere görünse de, seslerde mutlaka kusurlu bir kalite var. (En azından şimdilik.) Bunu tanımlayabilmemin en düzgün yolu, seslerin grenli yahut durağan olması. Bu kalite üstteki örnekte o kadar net değil, fakat bizce bu örnek bunu çok yeterli gösteriyor.
Şarkı kelamlarının saçma olduğunu da fark etmiş olabilirsiniz, lakin dikkat etmediğinizde fark edemeyeceğiniz bir biçimde – “Simlish” lisanında müzik söyleyen birini yahut İngilizce üzere görünmesi gereken fakat İngilizce olmayan bir şarkıyı dinliyormuşsunuz üzere.
Google’ın bu sonuçları nasıl elde ettiğini biliyormuş üzere davranmayacağız, fakat bunu anlayabilecek tipten biriyseniz, burada detaylı olarak açıklayan bir araştırma makalesi mevcut.
Alıntıdır
Google araştırmacıları, metin komutlarından dakikalar süren müzik kesimleri üretebilen ve hatta DALL-E üzere sistemlerin yazılı komutlardan imgeler üretmesine benzeri biçimde ıslık çalınan yahut mırıldanılan bir melodiyi öteki enstrümanlara dönüştürebilen bir yapay zeka geliştirdiler. Bu yapay zeka, Model MusicLM olarak isimlendiriliyor.
Şirket, modeli kullanarak ürettiği bir küme örneği paylaştı. Örnekler çok etkileyici. Bir çeşidi, havayı ve hatta makul enstrümanları belirten paragraf uzunluğundaki açıklamalardan oluşturulan gerçek müziklere benzeyen 30 saniyelik parçacıkların yanı sıra “melodik tekno” üzere bir yahut iki sözden oluşturulan 5 dakikalık modüller da var.
electronic song played in a videogame (0:00-0:15)
meditation song played next to a river (0:15-0:30)
fire (0:30-0:45)
fireworks (0:45-0:60)
Yukarıdaki komutlar verildiğinde sonuç olarak burada dinleyebileceğiniz ses ortaya çıkıyor.
Bu şüphesiz şimdilik herkes için uygun olmayabilir, lakin bunun yapay zekanın kilometre taşlarından biri olduğu açık. Çünkü bir insan tarafınca bestelendiğinin düşünülmesini sağlayabiliyor. Demo sitesinde ayrıyeten modelin çello yahut marakas üzere enstrümanların 10 saniyelik kliplerini üretmesi istendiğinde ne ürettiğine dair örnekler, makul bir cinsin 8 saniyelik klipleri, bir hapishane kaçışına uyacak müzik ve hatta yeni başlayan bir piyanistin ileri seviye bir piyaniste karşı nasıl çalacağı da yer alıyor. Ayrıyeten “fütüristik kulüp” ve “akordeon death metal” üzere tabirlerin yorumlarını da içeriyor.
MusicLM insan vokallerini bile simüle edebiliyor ve her ne kadar seslerin tonunu ve genel sesini yanlışsız yakalıyor üzere görünse de, seslerde mutlaka kusurlu bir kalite var. (En azından şimdilik.) Bunu tanımlayabilmemin en düzgün yolu, seslerin grenli yahut durağan olması. Bu kalite üstteki örnekte o kadar net değil, fakat bizce bu örnek bunu çok yeterli gösteriyor.
Şarkı kelamlarının saçma olduğunu da fark etmiş olabilirsiniz, lakin dikkat etmediğinizde fark edemeyeceğiniz bir biçimde – “Simlish” lisanında müzik söyleyen birini yahut İngilizce üzere görünmesi gereken fakat İngilizce olmayan bir şarkıyı dinliyormuşsunuz üzere.
Google’ın bu sonuçları nasıl elde ettiğini biliyormuş üzere davranmayacağız, fakat bunu anlayabilecek tipten biriyseniz, burada detaylı olarak açıklayan bir araştırma makalesi mevcut.
Alıntıdır