A Content-Preserving Music Style Transfer Framework for Intelligent Music Teaching Based on Conditional Self-Attention and Hypersphere Contrastive Learning

संगीत हमेशा से दो भागों की एक भाषा रहा है: धुन (melody), जो कहानी को आगे बढ़ाती है, और शैली (style), जो उस कहानी को उसकी आवाज़ देती है। पियानो पर बजाई गई एक साधारण धुन वायलिन पर बजाने पर पूरी तरह से अलग सुनाई देती है, और वही धुन एक उदास बैलेड या एक उत्साहजनक नृत्य के रूप में महसूस हो सकती है, यह इस बात पर निर्भर करता है कि उसे कैसे व्यवस्थित किया गया है। सदियों से, शिक्षक इन परिवर्तनों को समझाने के लिए अपने स्वयं के अनुभव और रिकॉर्डिंग के एक सीमित पुस्तकालय पर भरोसा करते आए हैं। वे शायद एक वाक्यांश को एक शैली में और फिर दूसरी शैली में बजाते हैं, इस उम्मीद में कि छात्र अंतर को सुन सके। लेकिन यह दृष्टिकोण धीमा है, पूरी तरह से शिक्षक के कौशल पर निर्भर है, और उन अंतहीन उदाहरणों की विविधता को आसानी से उत्पन्न नहीं कर सकता जिनकी एक जिज्ञासु मन को आवश्यकता हो सकती है।

हाल के वर्षों में, कंप्यूटरों ने संगीत रचना करना सीख लिया है, लेकिन किसी गाने की शैली को बदले बिना स्वयं उस गाने को बदलना उनके लिए एक कठिन समस्या रही है। शुरुआती प्रयासों के परिणामस्वरूप अक्सर एक अस्पष्ट मिश्रण प्राप्त होता था जहाँ मूल धुन खो जाती थी, या नई शैली नकली और असंबद्ध लगती थी। मुख्य कठिनाई संगीत के "क्या" (what) को उसके "कैसे" (how) से अलग करने में निहित है। यदि कोई कंप्यूटर एक रॉक गीत को जैज़ गीत में बदलने की कोशिश करता है, तो उसे नोट्स और लय को बिल्कुल समान रखना होगा जबकि बनावट (texture), स्वर (tone) और अहसास को पूरी तरह से फिर से लिखना होगा। अब तक, अधिकांश डिजिटल उपकरण इसे स्पष्ट रूप से करने में संघर्ष करते रहे हैं, या तो मूल सामग्री को विकृत कर देते हैं या लक्षित शैली के वास्तविक सार को पकड़ने में विफल रहते हैं।

नानजिंग विश्वविद्यालय के एक शोधकर्ता, लुन लू ने इस समस्या को हल करने के लिए एक नया तरीका प्रस्तावित किया है, जिसे विशेष रूप से संगीत कक्षाओं में मदद करने के लिए डिज़ाइन किया गया है। यह कार्य एक ऐसी प्रणाली पेश करता है जो एक संगीत रचना को ले सकती है और उसे पूरी तरह से अलग शैली में फिर से लिख सकती है, जबकि मूल धुन और संरचना को पूरी तरह से बरकरार रखा जा सकता है। लक्ष्य केवल नई कला बनाना नहीं है, बल्कि शिक्षा के लिए एक उपकरण प्रदान करना है, जिससे छात्र यह समझ सकें कि शैली अर्थ को कैसे आकार देती है, इसके लिए एक ही संगीत विचार को दर्जनों अलग तरीकों से सुनकर।

यह प्रणाली पहले कंप्यूटर को एक गाने की सामग्री और उसकी शैली के बीच के अंतर को समझने के लिए प्रशिक्षित करती है। इसे करने के लिए, शोधकर्ताओं ने 'हाइपरस्फीयर कॉन्ट्रास्टिव लर्निंग' (hypersphere contrastive learning) नामक एक विधि का उपयोग किया। एक गोले की कल्पना करें जहाँ सतह पर प्रत्येक बिंदु एक अलग संगीत शैली का प्रतिनिधित्व करता है। कंप्यूटर को समान शैलियों वाले गीतों को इस गोले पर एक-दूसरे के करीब लाने और अलग शैलियों वाले गीतों को एक-दूसरे से दूर धकेलने के लिए प्रशिक्षित किया जाता है। यह एक स्पष्ट मानचित्र बनाता है जहाँ कंप्यूटर जानता है कि दो शैलियाँ एक-दूसरे से कितनी दूर हैं, यह सुनिश्चित करता है कि जब वह एक गाना बदलने की कोशिश करे, तो वह गलती से सामग्री को शैली के साथ न मिला दे। यह अलगाव महत्वपूर्ण है; इसके बिना, कंप्यूटर शैली बदलने के प्रयास में धुन बदल सकता है, या धुन से भ्रमित होने के कारण शैली बदलने में विफल हो सकता है।

एक बार जब कंप्यूटर शैलियों को समझ लेता है, तो उसे एक विशिष्ट गीत पर उन्हें लागू करने का एक तरीका चाहिए होता है। शोधकर्ताओं ने प्रणाली का दूसरा भाग बनाया जो एक गतिशील फिल्टर (dynamic filter) की तरह कार्य करता है। जैसे ही कंप्यूटर गाने का नया संस्करण तैयार करता है, वह लगातार लक्षित शैली की जाँच करता है और प्रत्येक चरण में उन विशेषताओं को सम्मिलित करता है। यह 'कंडीशनल सेल्फ-अटेंशन' (conditional self-attention) नामक तंत्र के माध्यम से किया जाता है, जो सिस्टम को लक्षित शैली को देखने और प्रक्रिया के दौरान ही नोट्स को समायोजित करने की अनुमति देता है। शैली को अंत में पेंट की एक एकल परत के रूप में लागू करने के बजाय, यह प्रणाली संगीत के निर्माण के दौरान ही शैली को उसके ताने-बाने में बुन देती है। यह सुनिश्चित करता है कि अंतिम परिणाम स्वाभाविक और सुसंगत लगे, न कि विभिन्न ध्वनियों का एक पैचवर्क।

यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण वास्तव में काम करता है, शोधकर्ताओं ने MTG-Jamendo डेटासेट से 55,000 से अधिक संगीत ट्रैक के एक बड़े संग्रह पर इस प्रणाली को प्रशिक्षित किया, जो लाइसेंस के तहत जारी किया गया संगीत का एक सार्वजनिक पुस्तकालय है। उन्होंने सिस्टम को एक गाना लेने और उसे एक अलग शैली में बदलने के लिए कहा, फिर उन्होंने पारंपरिक डिजिटल उपकरणों और अन्य उन्नत कंप्यूटर मॉडलों दोनों के विरुद्ध परिणामों की तुलना की। परीक्षणों ने यह मापा कि नया संगीत लक्षित शैली के कितने करीब था और उसने मूल गीत की पहचान को कितनी अच्छी तरह बनाए रखा। परिणामों ने दिखाया कि यह नई प्रणाली अन्यों से बेहतर प्रदर्शन करती है। इसने ऐसा संगीत बनाया जो मानव श्रोताओं के लिए अधिक स्वाभाविक था और इसने प्रतिस्पर्धी तरीकों की तुलना में मूल धुन को बेहतर ढंग से संरक्षित किया।

मूल्यांकन में कंप्यूटर माप और मानव श्रवण परीक्षण दोनों शामिल थे। श्रवण परीक्षणों में, बीस स्वयंसेवकों ने संगीत को शैली के हस्तांतरण की प्रभावशीलता और संगीत की गुणवत्ता के आधार पर रेट किया। नए सिस्टम को उच्चतम अंक मिले, श्रोताओं ने शैली परिवर्तन को विश्वसनीय और संगीत को सुनने में सुखद पाया। कंप्यूटर माप ने भी इसकी पुष्टि की, जिससे पता चला कि नए सिस्टम ने पुराने तरीकों की तुलना में कम विरूपण (distortion) पैदा किया और लक्षित शैली के साथ अधिक निकटता से मेल खाया। शोधकर्ताओं ने दृश्य रूप से ध्वनि तरंगों (sound waves) की भी जांच की, मूल गीत, लक्षित शैली और नए संस्करण के आवृत्ति पैटर्न (frequency patterns) की तुलना की। चित्रों ने दिखाया कि सिस्टम ने मूल गीत के निम्न-आवृत्ति (low-frequency) वाले हिस्सों को सफलतापूर्वक बनाए रखा जबकि नई शैली की उच्च-आवृत्ति (high-frequency) विशेषताओं को अपनाया, एक ऐसा संतुलन जिसे अन्य तरीके हासिल करने में विफल रहे।

यह कार्य सुझाव देता है कि संगीत शिक्षा का भविष्य ऐसे उपकरणों में हो सकता है जो किसी भी पाठ के लिए तत्काल, उच्च-गुणवत्ता वाले उदाहरण उत्पन्न कर सकें। एक शिक्षक एक एकल धुन ले सकता है और छात्रों को तुरंत दिखा सकता है कि यह शास्त्रीय, जैज़ या इलेक्ट्रॉनिक शैली में कैसी सुनाई देगी, जिससे उन्हें लय और स्वर के उन सूक्ष्म अंतरों को सुनने में मदद मिलेगी जो प्रत्येक शैली को परिभाषित करते हैं। अध्ययन यह दावा नहीं करता है कि उसने संगीत निर्माण की हर समस्या को हल कर लिया है, लेकिन यह प्रदर्शित करता है कि सामग्री को शैली से सावधानीपूर्वक अलग करके और फिर उन्हें सटीकता के साथ पुनर्संयोजित करके, कंप्यूटर संगीत सिखाने में शक्तिशाली साथी बन सकते हैं। ये निष्कर्ष एक ऐसे भविष्य की ओर संकेत करते हैं जहाँ तकनीक केवल संगीत ही नहीं बनाती, बल्कि लोगों को उस संगीत की गहरी संरचना को समझने में मदद करती है जिससे वे प्रेम करते हैं।