“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。