How Much AI Is in This Track? Quantifying the Proportion of AI-Generated Stems in Hybrid Music Mixtures
यह शोध पत्र हाइब्रिड संगीत मिश्रणों में एआई-जनित स्टेम्स (stems) के अनुपात को मापने के लिए एक रिग्रेशन-आधारित दृष्टिकोण प्रस्तावित करता है, जो यह प्रदर्शित करता है कि जबकि मानक बाइनरी डिटेक्टर मिश्रित सामग्री के लिए गलत कैलिब्रेटेड होते हैं, एक विशेष मॉडल सटीक रूप से एआई ऊर्जा अनुपात का अनुमान लगा सकता है और यह प्रकट करता है कि डिटेक्शन संवेदनशीलता विभिन्न प्रकार के वाद्य यंत्रों में काफी भिन्न होती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल, शोरगुल वाले रसोईघर में हैं जहाँ हर कोई खाना बना रहा है। वर्षों से, यह बताने का एकमात्र तरीका कि कोई व्यंजन "असली" था (किसी मानव शेफ द्वारा पकाया गया) या "नकली" (एक रोबोट द्वारा तैयार किया गया) था, यह था कि उसका एक निवाला लिया जाए और चिल्लाकर कहा जाए, "यह एक रोबोट है!" या "यह मानव है!" लेकिन अब, चीजें बदल गई हैं। शेफ प्याज काटने या सॉस मिलाने के लिए रोबोटिक सहायकों का उपयोग करने लगे हैं, जबकि वे अभी भी अपना स्टेक खुद तलते हैं और सूप को मसालेदार बनाते हैं। परिणाम एक "हाइब्रिड" व्यंजन है: आंशिक रूप से मानव, आंशिक रूप से मशीन। पुराने "सब-या-कुछ-नहीं" वाले डिटेक्टर भ्रमित हैं क्योंकि उन्हें केवल पूरी तरह से रोबोट द्वारा बनाए गए व्यंजन को पहचानने के लिए प्रशिक्षित किया गया था। वे आपको यह नहीं बता सकते कि भोजन का कितना हिस्सा मशीन से आया है। संगीत तकनीक की दुनिया में यही नया पहेली है: जैसे-जैसे संगीत में आर्टिफिशियल इंटेलिजेंस (AI) एक सामान्य उपकरण बनता जा रहा है, हमें न केवल यह जानने की आवश्यकता है कि संगीत में AI मौजूद है, बल्कि यह भी कि संगीत का कितना हिस्सा AI-जनित है।
यह शोध पत्र ठीक इसी समस्या पर काम करता है। शोधकर्ताओं, फर्नांडो गार्सिया डी ला क्रूज़ और उनकी टीम ने महसूस किया कि वर्तमान AI संगीत डिटेक्टर बाइनरी लाइट स्विच की तरह हैं: वे या तो चालू (AI) हैं या बंद (मानव)। लेकिन संगीत उत्पादन की वास्तविक दुनिया में, स्विच वास्तव में एक डिमर (dimmer) की तरह है, जो 0% से 100% तक सुचारू रूप से चलता है। टीम चाहती थी कि यह देखा जाए कि क्या वे एक ऐसा डिटेक्टर बना सकते हैं जो केवल ऑन/ऑफ बटन के बजाय डिमर स्विच को पढ़ सके।
इसकी जांच करने के लिए, उन्होंने केवल अनुमान नहीं लगाया; उन्होंने एक प्रयोगशाला रसोईघर बनाया। उन्होंने वास्तविक, मानव-रिकॉर्ड किए गए गाने लिए और एक विशेष AI टूल (जिसे न्यूरल ऑडियो कोडक कहा जाता है) का उपयोग करके संगीत के व्यक्तिगत हिस्सों, या "स्टेम्स" (stems) को "पुनर्निर्मित" किया। एक गाने को एक लेयर्ड केक की तरह समझें: ड्रम नीचे की परत हैं, बास बीच की परत है, और वोकल्स फ्रॉस्टिंग हैं। शोधकर्ताओं ने इन परतों को लिया, उन्हें AI मशीन के माध्यम से चलाया, और बदले में एक ऐसा संस्करण प्राप्त किया जो लगभग समान सुनाई देता था लेकिन जिसमें मशीन के गियरों द्वारा छोड़ा गया एक सूक्ष्म, अदृश्य "फिंगरप्रिंट" था। फिर उन्होंने इन परतों को मिलाया और आपस में बदला, जिससे हजारों नए गाने बने जिनमें वे जानते थे कि AI की सटीक प्रतिशत मात्रा कितनी है। कुछ गाने 100% मानव थे, कुछ 100% AI थे, और अधिकांश दोनों का एक अव्यवस्थित, वास्तविक मिश्रण थे।
जब उन्होंने इन मिश्रित गानों को एक मानक "बाइनरी" डिटेक्टर (पुराने ऑन/ऑफ स्विच वाले प्रकार के) में डाला, तो मशीन केवल विफल नहीं हुई; इसने एक अजीब, धुंधला उत्तर दिया। इसने यह नहीं कहा कि "मुझे नहीं पता।" इसके बजाय, जैसे-जैसे गाने में AI की मात्रा बढ़ती गई, डिटेक्टर का स्कोर भी धीरे-धीरे बढ़ता गया। यह एक ऐसे थर्मामीटर की तरह था जो डिग्री दिखाने के लिए कैलिब्रेट नहीं किया गया था, बल्कि जैसे-जैसे आग बढ़ती थी, वह बस गर्म होता जाता था। शोधकर्ताओं ने पाया कि वह पुराना डिटेक्टर वास्तव में एक "शोरपूर्ण और गलत कैलिब्रेट किया गया" अनुमान लगाने वाला था। वह AI को महसूस कर सकता था, लेकिन वह आपको सटीक मात्रा नहीं बता सकता था।
असली सफलता तब आई जब उन्होंने विशेष रूप से एक "डिमर स्विच" बनने के लिए एक नया मॉडल प्रशिक्षित किया। "क्या यह AI है?" पूछने के बजाय, उन्होंने पूछा, "इसका कितना प्रतिशत AI है?" उन्होंने कंप्यूटर को मिश्रण को देखने और 0 और 1 के बीच एक संख्या की भविष्यवाणी करने के लिए सिखाया। परिणाम उत्साहजनक थे। उन गानों पर जिन्हें कंप्यूटर ने पहले कभी नहीं देखा था, यह नया मॉडल औसत त्रुटि केवल 0.076 के साथ AI प्रतिशत का अनुमान लगा सका (अर्थात यदि गाना 50% AI था, तो इसने ज्यादातर मामलों में 42% और 58% के बीच अनुमान लगाया)। यह सुझाव देता है कि जबकि पुराने डिटेक्टर अतीत में अटके हुए हैं, एक नया दृष्टिकोण वास्तव में गाने के "AI-पन" को माप सकता है।
हालाँकि, कहानी हर वाद्य यंत्र के लिए पूरी तरह से सहज नहीं है। शोधकर्ताओं ने पाया कि AI का "फिंगरप्रिंट" इस बात पर निर्भर करता है कि कौन सा वाद्य यंत्र बजाया जा रहा है। ड्रम और गिटार नियॉन संकेतों की तरह थे; AI का सिग्नेचर स्पष्ट और पकड़ने में आसान था। लेकिन वोकल्स और बास भूतों की तरह थे; AI का फिंगरप्रिंट इतना धुंधला था कि सबसे स्मार्ट डिटेक्टर भी उन्हें खोजने के लिए संघर्ष कर रहे थे। यह पता चला कि AI मशीन उच्च-पिच वाले, लयबद्ध ध्वनियों की तुलना में गहरे, सुरीले ध्वनियों पर एक कमजोर निशान छोड़ती है।
तो, इसका क्या अर्थ है? यह शोध पत्र सुझाव देता है कि हम एक ऐसी दुनिया से दूर जा रहे हैं जहाँ हम सिर्फ यह पूछते हैं कि "क्या यह नकली है?" एक ऐसी दुनिया की ओर बढ़ रहे हैं जहाँ हम पूछ सकते हैं कि "इसका कितना हिस्सा नकली है?" यह पारदर्शिता के लिए एक महत्वपूर्ण कदम है, जो श्रोताओं और कलाकारों को उनके पसंदीदा संगीत में मानव और मशीन के वास्तविक मिश्रण को समझने में मदद करता है। हालांकि यह अध्ययन एक नियंत्रित वातावरण में विशिष्ट उपकरणों का उपयोग करके किया गया था, यह भविष्य के डिटेक्टरों के लिए मार्ग प्रशत करता है जो आधुनिक संगीत उत्पादन की जटिल, हाइब्रिड वास्तविकता को संभाल सकते हैं। पुराना बाइनरी स्विच बुझ रहा है; डिमर स्विच अभी चमकना शुरू कर रहा है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।