إن MusiChat هو نظام ذكاء اصطناعي حواري يتيح إنشاءً موسيقياً تعاونياً وتكرارياً من خلال استخدام إطار عمل هرمي قابل للتحكم لتنقيح وتحويل البنى الموسيقية تدريجياً بناءً على مطالبات باللغة الطبيعية، متجاوزاً بذلك قيود نماذج "المطالبة وإعادة التوليد" التقليدية.
المؤلفون الأصليون:Callie C. Liao, Duoduo Liao, Ellie L. Zhang
تخيل أنك في غرفة مع أوركسترا سحرية غير مرئية. في الماضي، إذا أردت سماع أغنية، كان عليك وصفها بدقة من المرة الأولى: "اعزفوا مقطوعة جاز حزينة عن يوم ثلاثاء ممطر". وإذا عزفت الأوركسترا شيئاً لم يعجبك، لم يكن بإمكانك مجرد طلب إصلاح عزف الساكسفون؛ بل كان عليك إيقاف الموسيقى، ووصف أغنية جديدة تماماً، والأمل في أن تكون النسخة الجديدة أفضل. هكذا تعمل معظم أدوات الموسيقى الحالية بالذكاء الاصطناعي: إنها تشبه كاميرا تلتقط صورة بضغطة واحدة، ثم يتعين عليك البدء من جديد إذا لم تعجبك الإضاءة. ولكن ماذا لو استطعت التحدث إلى الأوركسترا مثل قائد أوركسترا بشري؟ ماذا لو قلت: "حافظ على المزاج الحزين والمطر، لكن اجعل صوت الساكسفون يبدو كهمس بدلاً من صرخة"، فتتغير تلك الجزئية فقط من الموسيقى فوراً؟ هذا هو عالم "تأليف الأجواء" (vibe composing)، وهو طريقة جديدة للتفكير في كيفية إنشاء البشر والحواسيب للفن معاً. فبدلاً من التعامل مع الموسيقى كصندوق أسود غامض يخرج أصواتاً، يعامل هذا النهج الموسيقى كأنها محادثة حيث يمكنك ضبط وتعديل وتطوير الأغنية خطوة بخطوة، تماماً كما تعدل قصة أو رسماً.
تقدم الورقة البحثية نظام "MusiChat"، وهو نظام جديد يعمل كقائد أوركسترا محاور. وجد الباحثون أنه من خلال الفصل بين "هيكل" الأغنية (الكلمات، والإيقاع الأساسي، وبنية اللحن) وبين "جلدها" (الآلات الموسيقية المحددة، والأسلوب، والتفاصيل المزخرفة)، استطاعوا السماح للمستخدمين بالدردشة مع الذكاء الاصطناعي لإجراء تغييرات دقيقة دون كسر الأغنية بأكملها. فكر في الأمر كبناء منزل: معظم أدوات الذكاء الاصطناعي ستهدم المنزل بأكمله وتعيد بناءه من الصفر إذا أردت تغيير لون الباب الأمامي. أما MusiChat، فهو يسمح لك بالذهاب مباشرة إلى الباب وطلاء لونه الجديد بينما يظل باقي المنزل كما هو تماماً. يستخدم النظام "دماغاً هجيناً": نموذج لغة ذكي لفهم كلماتك، ومحرك صارم قائم على القواعد لكتابة النوتات الموسيقية الفعلية. هذا المزيج يسمح للذكاء الاصطناعي بفهم "جو" أو "vibe" ما تطلبه، مع ضمان بقاء الموسيقى صحيحة رياضياً ومتسقة.
في تجاربهم، اختبر الفريق مدى قدرة MusiChat على إدارة هذه المحادثات. ووجدوا أنه عندما طلب المستخدمون تغييرات بسيطة لمرة واحدة، نجح النظام في ذلك بنسبة 95.31% من المرات. والأمر الأكثر إثارة للإعجاب هو أنه عندما طلب المستخدمون سلسلة من التغييرات عبر عدة جولات من المحادثة — مثل "اجعلها أسرع"، ثم "غير المقام الموسيقي"، ثم "أضف إيقاع طبول" — حقق النظام دقة بنسبة 100%، مما يعني أنه لم يفقد المسار الخاص بالتعليمات السابقة أو يفسد بنية الأغنية. وعندما استمع أشخاص حقيقيون إلى الموسيقى، أحبوها بشكل ملحوظ أكثر مما كرهوها؛ فبالنسبة لمدى "طبيعية" اللحن، كانت نسبة الإعجاب إلى عدم الإعجاب 2:1، وبالنسبة للجودة الموسيقية العامة، كانت 3:1. وتشير الدراسة إلى أن طريقة "تأليف الأجواء" هذه تعمل بشكل أفضل من الطريقة القديمة المتمثلة في إعادة توليد الأغنية بأكملها، لأنها تحافظ على الأجزاء التي تحبها في الموسيك بينما تسمح لك بإصلاح الأجزاء التي لا تعجبك.
كما أظهر الباحثون أن MusiChat يمكنه تحويل صورة أو وصف نصي إلى أغنية، لكن السحر الحقيقي يكمن في التعديل. إذا كان لديك أغنية وأردت تغيير اللازمة (القرار) فقط أو استبدال الجيتار بالبيانو، يمكنك فعل ذلك دون فقدان روح الأغنية الأصلية. يحتفظ النظام بـ "ذاكرة" لمحادثتك وحالة الأغنية الحالية، لذا فإن كل طلب جديد يبني على ما قبله. هذا يعني أنك لا تحتاج لتكون خبيراً موسيقياً لإنشاء أغانٍ معقدة؛ فأنت تحتاج فقط لمعرفة كيفية التحدث عما تريد سماعه. وتخلص الورقة إلى أن هذا النهج يجعل صناعة الموسيقى أكثر سهولة وتعاوناً، حيث يحول العملية التقنية المخيفة لصناعة الموسيقى إلى دردشة ممتعة ومتبادلة مع شريك إبداعي.
ملخص تقني: MusiChat – تأليف "الأجواء" (Vibe Composing) لإنشاء الموسيقى
بيان المشكلة
تعمل أنظمة توليد الموسيقى الحالية المعتمدة على الذكاء الاصطناعي، مثل Suno وLyria وMusicGen، بشكل أساسي وفق نموذج "التلقين وإعادة التوليد" (prompt-and-regenerate). وبينما يمكن لهذه النماذج توليد قطع موسيقية كاملة من اللغة الطبيعية، إلا أنها تعاني في عملية التحسين التكراري (iterative refinement). فعندما يطلب المستخدمون تعديلات على عناصر محددة (مثل خط لحني واحد، أو جزء آلي معين، أو مقطع شعري محدد) مع الحفاظ على بقية التكوين، تفشل الأنظمة الحالية غالبًا. فبدلاً من إجراء تعديلات مستهدفة، تميل هذه الأنظمة إلى إعادة توليد القطعة بأكملها، مما يؤدي إلى تغييرات جذرية تكسر الاستمرارية الموسيقية وتفقد المستخدم قصده الأصلي. هذا القصور يجبر المستخدمين إما على إجراء محاولات إعادة توليد متعددة الدورات للوصول إلى نتيجة تقريبية، أو التعديل يدويًا باستخدام برامج خارجية تتطلب خبرة إنتاجية كبيرة. علاوة على ذلك، فإن الطبيعة الغامضة والكاملة (end-to-end) للعديد من نماذج التعلم العميق تحد من قابلية التفسير والتحكم الدقيق.
المنهجية
يعالج MusiChat هذه القيود من خلال نظام تأليف أجواء حواري يدمج التفاعل باللغة الطبيعية مع إطار عمل لتوليد الموسيقى القابل للتحكم الهرمي. تم تصميم النظام ليعامل إنشاء الموسيقى كعملية استدلال تفاعلية وليس كمهمة توليد ذات خطوة واحدة.
بنية النظام
يعمل النظام عبر واجهة ويب مكونة من لوحتين: لوحة يسرى لتصور التكوين (النوتة الموسيقية، مشغل MIDI، لوحة البيانو/Piano Roll) ولوحة يمنى للإدخال الحواري. تتكون البنية الخلفية من ثلاثة مكونات رئيسية:
توجيه النوايا الهجين (Hybrid Intent Routing):
يستخدم النظام آلية توجيه هجينة لتفسير طلبات المستخدم.
الكواشف الحتمية (Deterministic Detectors): تتعامل التعبيرات النمطية (Regular Expressions) خفيفة الوزن ومطابقة الكلمات المفتاحية مع التعديلات الدقيقة وغير الغامضة (مثل "غير إلى دو كبير"، "اجعلها أسرع") دون استدعاء النماذج اللغوية الكبيرة (LLMs)، مما يقلل زمن الاستجابة والتكلفة.
الموجه القائم على النماذج اللغوية الكبيرة (LLM-Based Router): بالنسبة للطلبات المفتوحة أو الغامضة، يقوم النموذج اللغوي الكبير بتصنيف النية وتفويض المهام إلى وكلاء محددين (مثل توليد الكلمات، أو تحويل الأسلوب، أو التحليل الهيكلي).
توليد الكلمات متعدد الوسائط والحالة المستمرة:
يمكن للمستخدمين بدء التكوين عبر النص أو الصور. إذا تم تقديم صورة، يقوم نموذج متعدد الوسائط بتفسير المحتوى البصري لتوليد كلمات مستوحاة من الصورة.
تعمل هذه الكلمات كـ تمثيل وسيط مستمر. وخلافًا للمتجهات الكامنة الغامضة، توفر الكلمات أساسًا دلاليًا وعروضيًا يتوافق مع البنية الموسيقية.
يحافظ النظام على حالة تكوين قصيرة المدى عبر الدورات الحوارية، مما يسمح للتعديلات بالعمل على "الأثر" الحالي بدلاً من إطلاق عملية إعادة توليد كاملة من الصفر.
محرك الموسيقى الرمزي الهجين (Hybrid Symbolic Music Engine):
توليد الهيكل الموسيقي المعتمد على الكلمات: يقوم المحرك بتحليل أنماط الضغط اللغوي لاستنتاج الأوزان الموسيقية وتقسيم الكلمات هرميًا. ويقوم بتعيين النوتات اللحنية للمقاطع الصوتية باستخدام مسار خطوي مقيد بذاكرة مؤقتة لضمان الاستمرارية اللحنية. وهذا يخلق "هيكلًا موسيقيًا" مستقرًا (اللحن، الإيقاع، بنية الجملة، ومحاذاة الكلمات).
التحقيق السطحي (Surface Realization): يقوم نظام فرعي قابل للفصل بتحويل الهيكل المحايد إلى تجسيدات خاصة بالأسلوب. وهو يدعم ثمانية أنواع موسيقية (كلاسيكي، بوب، جاز، روك، فالس، لو-فاي، سينمائي، آر أند بي) ويوفر ثلاثة محققين قابلين للتبادل:
المحقق الحتمي (Deterministic Realizer): يطبق تحويلات قائمة على القواعد.
المحقق المستبدل للأسلوب المدفوع بالنماذج اللغوية الكبيرة (LLM-Driven Style-Replacement Realizer): يولد الأسلوب السطحي عبر النموذج اللغوي.
والأهم من ذلك، أن جميع المحققين يحافظون على الهيكل اللحني وبدايات النوتات مع تعديل السمات السطحية (التناغم، الديناميكية، التعبير).
التقييم الشامل:
تم تقييم MusiChat من خلال تحليل موضوعي ودراسات بشرية شملت 35 مشاركًا بمستويات متفاوتة من الخبرة الموسيقية.
دقة تحرير الميزات:
التفاعلات أحادية الدور: حققت دقة بنسبة 95.31% في تطبيق التعديلات المطلوبة بشكل صحيح (مثل تغيير المقام، السرعة، أو طبقة الصوت) دون آثار جانبية غير مقصودة.
التفاعلات متعددة الدورات: حققت دقة بنسبة 100%، مما يثبت أن التحرير التكراري لا يؤدي إلى تراكم الأخطاء وأن النظام يظل مستقرًا عبر الطلبات المتتالية.
الدقة الإجمالية: 97% عبر جميع السيناريوهات المختبرة.
التقييم البشري (الجودة الإدراكية):
الطبيعية: كانت نسبة "الإعجاب" إلى "عدم الإعجاب" لتقييم طبيعية اللحن 2:1.
الجودة الموسيقية: كانت نسبة "الإعجاب" إلى "عدم الإعجاب" للجودة الإجمالية 3:1.
متوسط درجات الرأي (MOS): حصلت جميع المحققات الثلاثة (الحتمي، المنقح بالنماذج اللغوية، والمستبدل بالنماذج اللغوية) على درجات MOS تتراوح بين 3.38 و3.63 (على مقياس من 1 إلى 5). وأظهر التحليل الإحصائي عدم وجود فرق معنوي بين المحققات، رغم أن المحقق الحتمي أظهر بعض الفروق الثنائية الطفيفة في بعض المقارنات.
الحفاظ (Preservation): في التقييمات الحوارية، أظهر MusiChat قدرة أعلى بكثير على الحفاظ على اللحن (بنسبة 2-3 مرات أفضل) ومحاذاة الكلمات مقارنة بطريقة إعادة التوليد المرجعية، والتي تميل إلى تراكم الأخطاء وتغيير اللحن بمرور الوقت.
الأهمية والادعاءات
يزعم البحث أن MusiChat يثبت جدوى التأليف الموسيقي المتماسك متعدد الدورات من خلال واجهة حوارية. ومن خلال الانتقال من التوليد الغامض والمتكامل إلى نهج رمزي هجين مرتكز على الاستدلال اللغوي، يتيح النظام:
التحسين التكراري: يمكن للمستخدمين تطوير الأفكار الموسيقية مباشرة بدلاً من إعادة إنشائها من الصصف.
الحفاظ على البنية: يحافظ النظام على "هيكل الأغنية" (اللحن، الإيقاع، البنية) مع السماح بالتغييرات السطحية، وهي قدرة تفتقر إليها النماذج التوليدية الحديثة.
سهولة الوصول: يقلل سير عمل "تأليف الأجواء" من حواجز الدخول، مما يسمح للمستخدمين الذين يمتلكون خبرة ضئيلة أو معدومة في الموسيقى بإنشاء وتطوير هياكل موسيقية معقدة باستخدام اللغة الطبيعية.
يضع المؤلفون هذا العمل كخطوة نحو ذكاء اصطناعي إبداعي قابل للتفسير والتعاون، حيث يعيد صياغة توليد الموسيقى كعملية استدلال مركزة على اللغة تسمح بالإشراف البشري والفحص، وهو أمر يصعب تحقيقه في الأنظمة العصبية الصرفة التي تعمل كصندوق أسود.