“題目要一個個處理,目前要緊的還是處理機器學習中的難點。”邱偉濤說。
肖萌說,“我以為目前Violin-β相稱於一個練習了三四年、有很好天賦的琴童。吹奏根本很好,但感情表達不敷到位,很多末節的措置都不敷細緻,顯得有些生硬。”
“……嗯,我有點明白了。”
“小提琴的吹奏不是簡樸的一個個音節湊起來的,音節和音節之間的起承轉合更加反應吹奏者的技能,Violin-β吹奏時,我本身較著感覺顫音和波音有些少了,貧乏裝潢音,另有些硬。”
路之航道:“用於機器學習的數據不敷,評價體係也不敷完美。”
“但冇有精通小提琴吹奏的人插手團隊還是不可的吧?那你們有冇有考慮過找教員?”
肖萌固然是重生,但也是天下最好的計算機專業的學子――在兩位大神師兄的提示下,她很快明白這此中的難點。
路之航道:“和我們找來的小提琴家的說法一樣,新手程度。”
和恍惚的機器學習分歧,用數學來闡發音樂就是切確的定量闡發。小提琴是絃樂的一種,其音色、頻次、振幅等要素都能夠變成一套數學法例,比如兩個音樂節拍的頻次比是2:3的時候就是要比33:23更動聽一些。
肖萌咀嚼著大神的話,終究從路之航帶來的震驚中緩過勁來,“我記得有位數學家說過,音樂是數學在靈魂中無認識的運算。”
所謂的機器學習是建立在統計的數據的根本上,依托於電子設備的停頓和大量的數據計算才氣,你曉得這麼做能夠成果會不錯,但是至於為甚麼不錯,機器學習就冇有體例奉告你。
路之航說:“萊布尼茨。”
邱偉濤指了指他身邊的那台電腦:“除了機器設備外,整套吹奏體係由四部分構成,一個是吹奏數據彙集,一個是數據闡發體係,一個是數據複原體係,最後一部分則是評價體係。實際上,當這四個係統共同默契時,Violin-β便能夠完美的吹奏一首小提琴曲,還能夠讓其吹奏揭示分歧流派的氣勢。”
要滿足這個要求,需求海量的數據,然後團隊再從已有的數據裡總結出規律,再推行到每一首小提琴樂曲中。
“以是我們在機器學習的根本上,引入了評價體係。”
邱偉濤說:“是的,這就是路之航的設法。他向來也不同意用僅僅用機器學習的體例來研討小提琴吹奏,他以為,埋冇在樂曲後的數學應當是研討的核心之一。”
“這確切是一個好體例。”邱偉濤眼睛發亮,“我們之前隻想著找些馳名譽的小提琴家,看來是走錯路了。”
很多人哪怕學琴四五年時候也很難找準小提琴的音階――肖萌肖薇姐妹就是如許兩個失利的案例――是以,對Violin-β超出人類的處所更是深有感到。
小提琴吹奏的一大難點就是找音準。
團隊之前聯絡過國度交響樂團的一些成名的小提琴吹奏家,請他們共同停止研討,但古典音樂圈裡的稍有程度的藝術家們脾氣都冇有值得稱道的處所,他們感覺,古典音樂是一門高雅的藝術,小提琴吹奏更是藝術中的精華,聽聞有研討團隊要讓機器手臂能實現機器拉小提琴,不能說是對音樂的輕瀆,但藝術家們的表情總歸不是太好,藝術的事情如何能被機器仿照了去,要他們支撐計算機係的嘗試,總歸是動力不敷,能推就推,能免則免。