⚡ electrical engineering

SqueezeComposer: Temporal Speed-up is A Simple Trick for Long-form Music Composing

تقدم الورقة البحثية SqueezeComposer، وهو إطار عمل يتيح توليد موسيقى طويلة المدى بكفاءة وجودة عالية من خلال الاستفادة من حيلة بسيطة لتسريع الزمن لتقليل المتطلبات الحسابية أثناء عملية التوليد قبل استعادة الصوت إلى سرعته الأصلية.

المؤلفون الأصليون: Jianyi Chen, Rongxiu Zhong, Shilei Zhang, Kun Qian, Jinglei Liu, Yike Guo, Wei Xue

نُشر 2026-03-24

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jianyi Chen, Rongxiu Zhong, Shilei Zhang, Kun Qian, Jinglei Liu, Yike Guo, Wei Xue

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك مهندس معماري يحاول تصميم ناطحة سحاب ضخمة مكونة من 10 طوابق.

المشكلة القديمة:
عادةً، تحاول مولدات الموسيقى بالذكاء الاصطناعي بناء هذه الناطحة طوبة تلو الأخرى، ثانية بثانية. إذا كان المبنى مدته 10 دقائق، فهذا يعني 600 ثانية من الطوب. يصاب الذكاء الاصطناعي بالارتباك، وتنفد ذاكرته، ويبدأ التصميم في الانهيار لأنه لا يستطيع تذكر كيف بدا الأساس قبل 5 دقائق. الأمر يشبه محاولة الإمساك بحبل طوله 10 أميال بيديك؛ في النهاية، ستضطر لترك طرف لتتمكن من الإمساك بالطرف الآخر.

الحل الجديد: "SqueezeComposer"
ابتكر الباحثون وراء هذه الورقة البحثية حيلة ذكية تسمى التسريع الزمني (Temporal Speed-up). فكر في الأمر كأنه زر "تقديم سريع" لعقل الذكاء الاصطناعي.

إليك كيف يعمل الأمر، باستخدام تشبيه بسيط:

1. "ضغط الوقت" (الضغط)

بدلاً من أن تطلب من الذكاء الاصطناعي بناء ناطحة السحاب بالسرعة العادية، تقول له: "مهلاً، ابنِ هذه الأغنية التي مدتها 10 دقائق كاملة، ولكن تخيل أن الوقت يتحرك بسرعة أكبر بـ 4 مرات."

التشبيه: تخيل أن لديك طريقاً طويلاً ومتعرجاً. بدلاً من قيادة الطريق بأكمله بسرعة 60 ميلاً في الساعة، قم بتقليص الخريطة بحيث يصبح الطريق أقصر بـ 4 مرات. يمكنك قطع المسار بأكمله في ربع الوقت.
ماذا يحدث: تصبح الأغنية التي مدتها 10 دقائق بمثابة أغنية مدتها "دقيقتان" في نظر الذكاء الاصطناعي. لا يفقد الذكاء الاصطناعي اللحن أو الهيكل؛ هو فقط يعالجها بشكل أسرع بكماً. هذا يوفر قدراً هائلاً من ذاكرة الكمبيوتر والطاقة.

2. مرحلة "التخطيط" (التوليد)

الآن، يبني الذكاء الاصطناعي الموسيقى في هذا العالم "المُسرّع". ولأن الأغنية أقصر في هذا العالم المضغوط، يمكن للذكاء الاصطناعي تذكر البداية بسهولة أثناء عمله على النهاية. إنه ينشئ هيكلاً متماسكاً طويل المدى دون أن يرتبك أو تنفد ذاكرته.

التشبيه: يقوم المهندس المعماري بسرعة برسم مبنى مكون من 10 طوابق على ورقة صغيرة. ولأن الورقة صغيرة، يمكنه رؤية التصميم بأكمله دفعة واحدة والتأكد من أن السقف يتناسب مع الأساس.

3. مرحلة "العرض البطيء" (الاستعادة)

بمجرد أن ينتهي الذكاء الاصطناعي من النسخة "السريعة"، تحدث المعجزة. يأخذ النظام تلك المسودة "السريعة" التي مدتها دقيقتان ويمددها مرة أخرى لتصل إلى سرعة الوقت الحقيقي.

التشبيه: تأخذ ذلك الرسم التخطيطي الصغير وتنفخه ليصبح بحجم لوحة إعلانية ضخمة. لكن الحيلة هنا هي أن الذكاء الاصطناعي لا يقوم بمجرد تمديد الصورة؛ بل يستخدم خطوة ثانية ذكية لملء كل التفاصيل الصغيرة التي كانت صغيرة جداً بحيث لا يمكن رؤيتها في النسخة السريعة. إنه يضيف الملمس، والنغمات العالية، والأصوات الواضحة التي تجعل الموسيقى تبدو كأغنية حقيقية عالية الجودة.

لماذا يعد هذا أمراً هاماً؟

إنه بسيط: لم يحتاجوا لابتكار نوع جديد من الأدمغة أو لغة معقدة جديدة للذكاء الاصطناعي. لقد قاموا فقط بتغيير السرعة التي يفكر بها الذكاء الاصطناعي.
إنه مرن: هذه الحيلة تعمل مع أي ذكاء اصطناعي للموسيقى تقريباً. الأمر يشبه وضع شاحن توربيني لسيارة عادية؛ المحرك يبقى كما هو، لكنه يذهب لمسافة أبعد بكثير.
إنه يحل مشكلة "الأغنية الطويلة": قبل هذا، كان بإمكان الذكاء الاصطناعي إنتاج مقاطع قصيرة فقط (مثل 30 ثانية). الآن، يمكنه تأليف موسيقى كاملة الطول (10 دقائق أو أكثر) تبدو متسقة من البداية وحتى النهاية.

أمثلة من الواقع

اختبرت الورقة البحثية هذا في اتجاهين رئيسيين:

كتابة أغنية كاملة من الصفر: يمكن للذكاء الاصطناعي الآن تأليف سيمفونية كاملة مدتها 10 دقائق دون أن يفقد تركيزه.
كتابة موسيقى لمغني: إذا أعطيت الذكاء الاصطناعي صوتاً بشرياً يغني لحناً ما، يمكنه الآن توليد خلفية موسيقية كاملة مدتها 5 دقائق تتناسب معه تماماً، بدلاً من مجرد حلقة تكرارية مدتها 10 ثوانٍ.

باختأختصار: SqueezeComposer يشبه تعليم الذكاء الاصطناعي كيف "يفكر بسرعة" للتخطيط لرحلة طويلة، ثم "يبطئ" للاستمتاع بالمناظر الطبيعية. من خلال ضغط الوقت، جعلوا من الممكن إنشاء موسيقى طويلة وجميلة كانت في السابق صعبة للغاية على أجهزة الكمبيوتر للتعامل معها.

إليك ملخص تقني مفصل لورقة البحث بعنوان "SqueezeComposer: السرعة الزمنية هي حيلة بسيطة لتأليف الموسيقى طويلة المدى."

1. بيان المشكلة

لا يزال توليد موسيقى طويلة المدى متماسكة وعالية الجودة (تمتد لعدة دقائق أو ساعات) يمثل عقبة كبيرة في مجال توليد الصوت بالذكاء الاصطناعي بسبب تحديين رئيسيين:

القيود الحسابية والذاكرة: تواجه البنى التحتية الحالية (النماذج ذات التوليد الذاتي ونماذج الانتشار) صعوبة في التعامل مع طول التسلسل الهائل المطلوب للصوت الطويل. على سبيل المثال، مقطع صوتي مدته 5 دقائق ممثل بمخطط طيفي ميل (Mel-spectrogram) قياسي بحجم خطوة 10 مللي ثانية ينتج تسلسلاً بطول 30,000 إطار، مما يجعل النمذنة المباشرة أمراً مستحيلاً من الناحية الحسابية.
نمذجة الاعتماد طويل المدى: إن الحفاظ على التماسك الموسيقي العالمي، والاستمرارية الموضوعية، والاتساق الهيكلي عبر فترات ممتدة أمر صعب. غالباً ما تفتقر الأساليب الموجودة إلى التكامل الهيكلي أو تتدهور جودتها مع زيادة المدة.

بينما حاولت الأعمال الحديثة ضغط تمثيلات الصوت (باستخدام مساحات كامنة أو أكواد برمجية منفصلة)، إلا أن هذه الأساليب لا تزال تعمل عند سرعة التشغيل الأصلية، مما يعني أن طول التسلسل يظل متناسباً خطياً مع مدة الصوت.

2. المنهجية: SqueezeComposer

يقترح المؤلفون SqueezeComposer، وهو إطار عمل مستقل عن النموذج يعتمد على فرضية بسيطة ولكنها قوية: يمكن لنماذج الذكاء الاصطناعي فهم وتوليد الصوت المتسارع زمنياً (المسرع).

يتضمن سير العمل الأساسي نموذج "الضغط والاستعادة" (Squeeze-and-Restore):

أ. التسريع الزمني (الضغط - Squeezing)

المفهوم: بدلاً من معالجة الصوت بالسرعة العادية، يتم تسريع الصوت المدخل بمعامل $r$ (على سبيل المثال، $4\times$ أو $8\times$ أو $16\times$ ).
الأثر: يؤدي هذا إلى تقليل الطول الزمني لتمثيل الصوت بمعامل $r$ . على سبيل المثال، تسريع $8\times$ يقلل أغنية مدتها 10 دقائق إلى تسلسل مدته 1.25 دقيقة، مما يخفض استهلاك الذاكرة والتكلفة الحسابية بشكل كبير.
القابلية للتنفيذ: أثبت المؤلفون أن نماذج الذكاء الاصطناعي يمكنها تعلم البنية الموسيقية (اللحن، الهارموني، الإيقاع) بفعالية حتى عندما يتم تشغيل الصوت بهذه المعدلات المتسارعة.

ب. التوليد الهرمي

يعمل الإطار في مرحلتين:

التوليد المجرد (النطاق المتسارع): يقوم نموذج انتشار (تحديداً محول الانتشار، أو DiT) بتوليد الموسيقى في النطاق المضغوط عالي السرعة. تلتقط هذه المرحلة الهيكل العالمي والمحتوى الموسيقي المجرد.
صقل التفاصيل (النطاق المستعاد): يتم توسيع التمثيل المتسارع المولد مرة أخرى إلى الطول الزمني الأصلي. يقوم نموذج انتشار ثانٍ (أو مرحلة صقل) بإضافة التفاصيل عالية التردد والبنية الزمنية دقيقة التفاصيل لاستعادة الصوت إلى سرعته الأصلية.

ج. التنفيذ التقني

التمثيل: تعتمد الطريقة على مخططات ميل الطيفية (Mel-spectrograms).
خط أنابيب الاستعادة:
- التوسع في المقياس الزمني: يتم رفع عينة مخطط ميل الطيف المتسارع إلى الطول الزمني الأصلي.
- التدريب على مرحلتين:
  1. توليد الأولو (Prior Generation): يتنبأ شبكة عصبية تلافيفية (CNN) خفيفة الوزن بتمثيل أولي خشن عند الدقة الأصلية.
  2. الصقل (Refinement): يقوم محول الانتشار (DiT) بصقل هذا الأولو الخشن إلى مخطط ميل طيفي عالي الدقة باستخدام عملية الانتشار.
التوافق مع المشفّر الصوتي (Vocoder): من النتائج الرئيسية أن مخططات ميل الطيفية المستعادة من الصوت المتسارع تظل متوافقة مع المشفرات الصوتية الجاهزة (مثل BigVGAN) دون الحاجة لإعادة التدريب، رغم أن ضبط المشفر الصوتي (fine-tuning) على البيانات المستعادة يحسن الجودة بشكل أكبر.

3. المساهمات الرئيسية

إطار عمل SqueezeComposer: نهج عام ومستقل عن النموذج يستفيد من التسريع الزمني لتقليل طول التسلسل والتكلفة الحسابية مع الحفاظ على التماسك الموسيقي.
نموذج التوليد الهرمي: استراتيجية مبتكرة حيث يعمل النطاق المتسارع كتمثيل مجرد للهيكل العالمي، بينما تقوم مرحلة الاستعادة بصقلها إلى صوت عالي الدقة وتفصيلي.
التحقق التجريبي: تحقق المؤلفون من صحة النهج في مهمتين مختلفتين:
- توليد الموسيقى طويلة المدى: بما في ذلك الاستكمال، والإتمام، والتوليد من الصفر.
- مرافقة الغناء للأغنية الكاملة: توليد مسارات موسيقية تتوافق مع الألحان الصوتية لأغانٍ كاملة.

4. النتائج التجريبية

قيم المؤلفون SqueezeComposer باستخدام مجموعات بيانات تشمل Pure Music، وLakh MIDI، وSong Data (400 ألف أغنية).

جودة الاستعادة:
- حتى مع المشفرات الصوتية المدربة مسبقاً، حافظ التسريع بمعدل $4\times$ على صوت متسق إدراكياً مع تراجع طفيف فقط في المقاييس.
- ضبط (Fine-tuning) المشفر الصوتي على مخططات ميل الطيف المستعادة سد فجوة الجودة بفعالية، محققاً أداءً مقارباً لـ BigVGAN الأصلي.
- أظهر التسريع بمعدل $8\times$ نتائج معقولة، وإن كانت مع خطأ موضوعي أعلى، مما يثبت قابلية النهج للتوسع.
توليد الموسيقى طويلة المدى:
- الكفاءة: حقق SqueezeComposer عوامل زمن حقيقي (RTF) أقل بكثير مقارنة بالنماذج المرجعية مثل PyramidCodec وMusicGen. على سبيل المثال، قام بتوليد مقاطع مدتها 4 دقائق في حوالي 0.08 ثانية (RTF)، بينما كانت النماذج المرجعية أبطأ بكثير أو محدودة بمقاطع قصيرة.
- المدة: نجح النموذج في توليد موسيقى تصل إلى 10 دقائق (مع تسريع $8\times$ )، في حين كانت النماذج المرجعية مثل MusicGen محدودة بـ 15 إلى 60 ثانية.
- الجودة: حقق النموذج درجات أقل في مسافة الصوت الفريشيه (FAD) ودرجات جمالية تنافسية (متعة المحتوى، جودة الإنتاج) مقارنة بالنماذج الرائدة.
مرافقة الغناء:
- نجح النموذج في توليد مرافقة كاملة للأغنية (240 ثانية) بهيكل إيقاعي وهارموني متسق، وهي مهمة كانت فيها الأساليب السابقة (مثل SingSong وFastSAG) محدودة بمقاطع قصة مدتها 10 ثوانٍ.
- أظهرت دراسات الاستبعاد (Ablation studies) أن التركيز على المسارات الآلية فقط أعطى نتائج أكثر نقاءً، وأن المشفرات الدلالية المختلفة (MERT مقابل muQ) قدمت أداءً متقارباً.

5. الأهمية

القابلية للتوسع: يقدم SqueezeComposer حلاً فعالاً حسابياً لمشكلة "السياق الطويل" في توليد الصوت دون الحاجة إلى تغييرات معمارية معقدة أو أكواد برمجية متخصصة.
البساطة: حيلة "التسريع الزمني" هي خطوة معالجة مسبقة بسيطة يمكن تطبيقها على نماذج الانتشار أو النماذج ذات التوليد الذاتي الموجودة، مما يجعلها سهلة الوصول للغاية.
المحاذاة الهرمية: يتماشى النهج طبيعياً مع مبدأ التوليد الهرمي (من المجرد إلى التفصيلي)، محاكياً الطريقة التي يتصور بها البشر الهيكل الموسيقي قبل ملء التفاصيل.
التطبيق العملي: يتيح توليد أغانٍ كاملة ومرافقة متعددة المسارات معقدة، مما يسد الفجوة بين مقاطع الذكاء الاصطوتي القصيرة والإنتاج الموسيقي الاحترافي طويل المدى.

ختاماً، يثبت SqueezeComposer أنه من خلال نقل عملية التوليد إلى نطاق متسارع زمنياً، يمكن لنماذج الذكاء الاصطناعي التغلب على حواجز الذاكرة والتماسك، مما يتيح تأليف موسيقى طويلة المدى بكفاءة وجودة عالية.