Development and pilot validation of an AI-assisted self-practice system for erhu performance assessment and score-aligned feedback
यह शोध पत्र एरु (erhu) के लिए एक एआई-सहायता प्राप्त स्व-अभ्यास प्रणाली के विकास और पायलट सत्यापन को प्रस्तुत करता है जो स्कोर-संरेखित फीडबैक प्रदान करने के लिए ऑप्टिकल म्यूजिक रिकग्निशन, पिच ट्रैकिंग और डायनेमिक टाइम वार्पिंग को एकीकृत करता है, जो विशेषज्ञ रेटिंग के साथ मजबूत सहसंबंध और कंजर्वेटरी छात्रों के बीच उच्च उपयोगिता प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (https://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
संगीत सीखना लंबे समय से मानव कान पर निर्भर रहा है। एक छात्र एक स्वर बजाता है, और एक शिक्षक सुनता है, यह तय करता है कि पिच (स्वर की आवृत्ति) सही है या नहीं या लय स्थिर बनी हुई है या नहीं। गिटार जैसे फ्रेट्स वाले वाद्य यंत्रों के लिए, गर्दन पर बने भौतिक निशान सही पिच के लिए एक दृश्य मार्गदर्शक प्रदान करते हैं। लेकिन एरू (erhu) के लिए, जो एक पारंपरिक चीनी दो-तार वाला वाद्य यंत्र है, इसकी गर्दन चिकनी और बिना किसी निशान वाली होती है। खिलाड़ी को सही जगह खोजने के लिए पूरी तरह से अपनी मांसपेशियों की स्मृति (मसल मेमोरी) और अपनी उंगलियों की संवेदनशीलता पर निर्भर रहना पड़ता है। बिना शिक्षक की उपस्थिति के, अकेले अभ्यास करने वाले छात्र के पास यह जानने का कोई तरीका नहीं होता कि उसकी उंगलियां स्वर से थोड़ी भटक रही हैं या नहीं। ये छोटी गलतियाँ आदतें बन सकती हैं, जो ऐसी मसल मेमोरी में बदल सकती हैं जिसे बाद में सुधारना कठिन होता है। जबकि आर्टिफिशियल इंटेलिजेंस ने पश्चिमी वाद्य यंत्रों को बजाने वाले संगीतकारों की मदद करना शुरू कर दिया है, एरू की अनूठी स्लाइडिंग और कंपन (वाइब्रेशन) तकनीकें कंप्यूटर सिस्टम के लिए एक 'ब्लाइंड स्पॉट' बनी हुई हैं, जो अक्सर कलात्मक अभिव्यक्ति को गलती समझ लेते हैं।
शोधकर्ताओं ने अब इस अंतर को पाटने के लिए एक प्रणाली विकसित की है, जो एक एरू वादक को सुनने, प्रदर्शन की तुलना मुद्रित स्कोर से करने और विशिष्ट, कार्रवाई योग्य सलाह देने में सक्षम एक एआई (AI) सहायक बनाती है। टीम ने एक डिजिटल पाइपलाइन विकसित की है जो शीट संगीत की एक मानक पीडीएफ (PDF) स्वीकार करती है, उसे ऐसे प्रारूप में परिवर्तित करती है जिसे कंप्यूटर समझ सके, और फिर छात्र के साथ बजाने की रिकॉर्डिंग का विश्लेषण करती है। यह प्रणाली केवल सही स्वरों को ही नहीं सुनती; इसे विशेष रूप से इस बात के लिए प्रशिक्षित किया गया है कि एरू को कैसे बजाया जाता है। यह एक नोट से दूसरे नोट तक जानबूझकर की गई सुंदर स्लाइड और पिच में आकस्मिक चूक के बीच अंतर करती है। यह एकल वाद्य यंत्र की ध्वनि को किसी भी बैकग्राउंड संगत (अकंपनीमेंट) से भी अलग करती है, जो होम रिकॉर्डिंग में एक आम चुनौती है। एक बार विश्लेषण पूरा हो जाने के बाद, सिस्टम परिणामों को सीधे शीट संगीत की छवि पर प्रोजेक्ट करता है, जिससे ठीक से हाइलाइट किया जाता है कि कौन से स्वर बहुत तीखे (शार्प), बहुत कम (फ्लैट) या बहुत तेज़ बजाए गए थे, और आगे अभ्यास करने के लिए एक सारांश भी प्रदान करता है।
यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण काम करता है, शोधकर्ताओं ने चीन के एक कंजर्वेटरी के अठारह उन्नत छात्रों की रिकॉर्डिंग एकत्र कीं। प्रत्येक छात्र ने "ताओहुआवू" (Taohuawu) नामक रचना के अंश बजाए, और उनके प्रदर्शन का मूल्यांकन दो विशेषज्ञ शिक्षकों द्वारा गुप्त रूप से किया गया, जो यह जानकर अनभिज्ञ थे कि कंप्यूटर ने क्या निर्णय लिया है। परिणामों ने मानव विशेषज्ञों और मशीन के बीच एक मजबूत सहमति दिखाई। जब विशेषज्ञों ने छात्रों की इंटोनेशन (intonation), या पिच सटीकता को रेट किया, तो कंप्यूटर के स्कोर उनके निर्णयों के साथ 0.93 के सहसंबंध (correlation) के साथ मेल खा गए। लय (रिदम) के लिए, मिलान थोड़ा कम था लेकिन फिर भी 0.83 पर मजबूत था। सिस्टम विशिष्ट समस्या वाले नोट्स को उच्च स्तर की विश्वसनीयता के साथ पहचानने में भी सक्षम था, जिसने उन अधिकांश त्रुटियों की सही पहचान की जो शिक्षकों ने सुनी थीं। एक अलग परीक्षण में, सिस्टम ने अधिकांश रिकॉर्डिंग में एरू की धुन को संगत संगीत से सफलतापूर्वक अलग किया, जिससे यह सिद्ध हुआ कि वह भीड़भाड़ वाले मिश्रण में भी वाद्य यंत्र की आवाज़ को अलग कर सकता है।
अध्ययन ने यह भी देखा कि सिस्टम ने एरू की सिग्नेचर तकनीकों, जैसे कि वाइब्रेटो (vibrato - पिच का तेजी से, हल्का लहराना) और पोर्टामेंटो (portamento - नोट्स के बीच एक सहज फिसलन) को कैसे संभाला। पुराने कंप्यूटर मॉडल अक्सर इन कलात्मक विकल्पों को त्रुटि के रूप में चिह्नित करते थे, लेकिन इस नए सिस्टम को उन्हें सहन करने के लिए डिज़ाइन किया गया था। प्रत्येक नोट के स्थिर मध्य भाग पर ध्यान केंद्रित करके और बो (bow) के शुरू होने या रुकने के क्षणों को अनदेखा करके, एआई ने गलत चेतावनियों (फॉल्स अलार्म) से परहेज किया। इसने सीखा कि यदि कोई स्लाइड पिच जल्दी होती है, तो वह जानबूझकर की गई है, और एक कंपन (वोबल्स) एक विशेषता है, न कि कोई त्रुटि। जब शोधकर्ताओं ने इन विशिष्ट समायोजनों के बिना सिस्टम का परीक्षण किया, तो इसकी सटीकता काफी गिर गई, जिससे पुष्टि हुई कि इन कस्टम नियमों के लिए ये विशेष बदलाव आवश्यक थे।
तकनीकी आंकड़ों से परे, शोधकर्ताओं ने छात्रों से पूछा कि वे इस उपकरण के बारे में कैसा महसूस करते हैं। फीडबैक अत्यधिक सकारात्मक था। छात्रों ने बताया कि इस सिस्टम ने उन्हें अपनी रिकॉर्डिंग को बार-बार सुनने के बजाय अपनी गलतियों को ढूंढना आसान बना दिया। उन्होंने शीट संगीत पर त्रुटियों को हाइलाइट होते देखना पसंद किया, जिससे यह अनुमान लगाने का भ्रम दूर हो गया कि वे कहाँ गलत हुए थे। हालांकि यह अध्ययन एक एकल संगीत रचना और छात्रों के एक विशिष्ट समूह के लिए एक पायलट टेस्ट था, परिणाम बताते हैं कि आर्टिफिशियल इंटेलिजेंस को गैर-पश्चिमी संगीत की बारीकियों के अनुकूल बनाया जा सकता है। यह सिस्टम शिक्षार्थियों को एक डिजिटल कान के मार्गदर्शन के साथ स्वतंत्र रूप से अभ्यास करने का मार्ग प्रदान करता है जो एरू की अनूठी भाषा को समझता है, जिससे एक एकाकी अभ्यास सत्र को एक अधिक सूचित और प्रभावी सीखने के अनुभव में बदल दिया जाता 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।