本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

聽(tīng)一遍曲子，就能知道樂(lè)譜，還能馬上演奏，而且還掌握“十八般樂(lè)器”，鋼琴、小提琴、吉他等都不在話下。

這就不是人類音樂(lè)大師，而是谷歌推出的“多任務(wù)多音軌”音樂(lè)轉(zhuǎn)音符模型MT3。

首先需要解釋一下什么是多任務(wù)多音軌。

通常一首曲子是有多種樂(lè)器合奏而來(lái)，每個(gè)樂(lè)曲就是一個(gè)音軌，而多任務(wù)就是同時(shí)將不同音軌的樂(lè)譜同時(shí)還原出來(lái)。

谷歌已將該論文投給ICLR 2022。

還原多音軌樂(lè)譜

相比于自動(dòng)語(yǔ)音識(shí)別 (ASR) ，自動(dòng)音樂(lè)轉(zhuǎn)錄 (AMT) 的難度要大得多，因?yàn)楹笳呒纫瑫r(shí)轉(zhuǎn)錄多個(gè)樂(lè)器，還要保留精細(xì)的音高和時(shí)間信息。

多音軌的自動(dòng)音樂(lè)轉(zhuǎn)錄數(shù)據(jù)集更是“低資源”的。現(xiàn)有的開源音樂(lè)轉(zhuǎn)錄數(shù)據(jù)集一般只包含一到幾百小時(shí)的音頻，相比語(yǔ)音數(shù)據(jù)集動(dòng)輒幾千上萬(wàn)小時(shí)的市場(chǎng)，算是很少了。

先前的音樂(lè)轉(zhuǎn)錄主要集中在特定于任務(wù)的架構(gòu)上，針對(duì)每個(gè)任務(wù)的各種樂(lè)器量身定制。

因此，作者受到低資源NLP任務(wù)遷移學(xué)習(xí)的啟發(fā)，證明了通用Transformer模型可以執(zhí)行多任務(wù) AMT，并顯著提高了低資源樂(lè)器的性能。

作者使用單一的通用Transformer架構(gòu)T5，而且是T5“小”模型，其中包含大約6000萬(wàn)個(gè)參數(shù)。

該模型在編碼器和解碼器中使用了一系列標(biāo)準(zhǔn)的Transformer自注意力“塊”。為了產(chǎn)生輸出標(biāo)記序列，該模型使用貪婪自回歸解碼：輸入一個(gè)輸入序列，將預(yù)測(cè)出下一個(gè)出現(xiàn)概率最高的輸出標(biāo)記附加到該序列中，并重復(fù)該過(guò)程直到結(jié)束 。

MT3使用梅爾頻譜圖作為輸入。對(duì)于輸出，作者構(gòu)建了一個(gè)受MIDI規(guī)范啟發(fā)的token詞匯，稱為“類MIDI”。

生成的樂(lè)譜通過(guò)開源軟件FluidSynth渲染成音頻。

此外，還要解決不同樂(lè)曲數(shù)據(jù)集不平衡和架構(gòu)不同問(wèn)題。

作者定義的通用輸出token還允許模型同時(shí)在多個(gè)數(shù)據(jù)集的混合上進(jìn)行訓(xùn)練，類似于用多語(yǔ)言翻譯模型同時(shí)訓(xùn)練幾種語(yǔ)言。

這種方法不僅簡(jiǎn)化了模型設(shè)計(jì)和訓(xùn)練，而且增加了模型可用訓(xùn)練數(shù)據(jù)的數(shù)量和多樣性。

實(shí)際效果

在所有指標(biāo)和所有數(shù)據(jù)集上，MT3始終優(yōu)于基線。

訓(xùn)練期間的數(shù)據(jù)集混合，相比單個(gè)數(shù)據(jù)集訓(xùn)練有很大的性能提升，特別是對(duì)于 GuitarSet、MusicNet 和 URMP 等“低資源”數(shù)據(jù)集。

最近，谷歌團(tuán)隊(duì)也放出了MT3的源代碼，并在Hugging Face上放出了試玩Demo。

不過(guò)由于轉(zhuǎn)換音頻需要GPU資源，在Hugging Face上，建議各位將在Colab上運(yùn)行Jupyter Notebook。

論文地址：
https://arxiv.org/abs/2111.03017

源代碼：
https://github.com/magenta/mt3

Demo地址：
https://huggingface.co/spaces/akhaliq/MT3