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

聽一遍曲子，就能知道樂譜，還能馬上演奏，而且還掌握“十八般樂器”，鋼琴、小提琴、吉他等都不在話下。

這就不是人類音樂大師，而是谷歌推出的“多任務(wù)多音軌”音樂轉(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器合奏而來，每個樂曲就是一個音軌，而多任務(wù)就是同時將不同音軌的樂譜同時還原出來。

谷歌已將該論文投給ICLR 2022。

還原多音軌樂譜

相比于自動語音識別 (ASR) ，自動音樂轉(zhuǎn)錄 (AMT) 的難度要大得多，因?yàn)楹笳呒纫瑫r轉(zhuǎn)錄多個樂器，還要保留精細(xì)的音高和時間信息。

多音軌的自動音樂轉(zhuǎn)錄數(shù)據(jù)集更是“低資源”的?，F(xiàn)有的開源音樂轉(zhuǎn)錄數(shù)據(jù)集一般只包含一到幾百小時的音頻，相比語音數(shù)據(jù)集動輒幾千上萬小時的市場，算是很少了。

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

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6000萬個參數(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：輸入一個輸入序列，將預(yù)測出下一個出現(xiàn)概率最高的輸出標(biāo)記附加到該序列中，并重復(fù)該過程直到結(jié)束 。

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

生成的樂譜通過開源軟件FluidSynth渲染成音頻。

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

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

這種方法不僅簡化了模型設(shè)計和訓(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，相比單個數(shù)據(jù)集訓(xùn)練有很大的性能提升，特別是對于 GuitarSet、MusicNet 和 URMP 等“低資源”數(shù)據(jù)集。

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

不過由于轉(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