用 TensorFlow 讓機器人唱首歌給你聽

今天想來看看 AI 是怎樣作曲的。

本文會用 TensorFlow 來寫一個音樂生成器。

當你對一個機器人說：我想要一種能夠表達出希望和奇蹟的歌曲時，發生了什麼呢？

計算機會首先把你的語音轉化成文字，並且提取出關鍵字，轉化成詞向量。

然後會用一些打過標籤的音樂的數據，這些標籤就是人類的各種情感。接著通過在這些數據上面訓練一個模型，模型訓練好後就可以生成符合要求關鍵詞的音樂。

程序最終的輸出結果就是一些和弦，他會選擇最貼近主人所要求的情感關鍵詞的一些和弦來輸出。

當然你不只是可以聽，也可以作為創作的參考，這樣就可以很容易地創作音樂，即使你還沒有做到刻意練習 1 萬小時。

機器學習其實是為了擴展我們的大腦，擴展我們的能力。

DeepMind 發表了一篇論文，叫做 , 這篇論文介紹了音樂生成和文字轉語音的藝術。

通常來講，語音生成模型是串聯。這意味著如果我們想從一些文字的樣本中來生成語音的話，是需要非常大量的語音片段的 資料庫，通過截取它們的一部分，並且再重新組裝到一起，來組成一個完整的句子。

生成音樂也是同樣的道理，但是它有一個很大的難點：就是當你把一些靜止的組件組合到一起的時候，生成聲音需要很自然，並且還要有情感，這一點是非常難的。

一種理想的方式是，我們可以把所有生成音樂所需要的信息存到模型的參數裡面。也就是那篇論文里講的事情。

我們並不需要把輸出結果傳給信號處理演算法來得到語音信號，而是直接處理語音信號的波。

他們用的模型是 CNN。這個模型的每一個隱藏層中，每個擴張因子，可以互聯，並呈指數型的增長。每一步生成的樣本，都會被重新投入網路中，並且用於產生下一步。

我們可以來看一下這個模型的圖。輸入的數據，是一個單獨的節點，它作為粗糙的音波，首先需要進行一下預處理，以便於進行下面的操作。

接著我們對它進行編碼，來產生一個 Tensor，這個 Tensor 有一些 sample 和 channel。

然後把它投入到 CNN 網路的第一層中。這一層會產生 channel 的數量，為了進行更簡單地處理。

然後把所有輸出的結果組合在一起，並且增加它的維度。再把維度增加到原來的 channel 的數量。

把這個結果投入到損失函數中，來衡量我們的模型訓練的如何。

最後，這個結果會被再次投入到網路中，來生成下一個時間點所需要的音波數據。

重複這個過程就可以生成更多的語音。

這個網路很大，在他們的 GPU 集群上需要花費九十分鐘，並且僅僅只能生成一秒的音頻。

接下來我們會用一個更簡單的模型在 TensorFlow 上來實現一個音頻生成器。

1.引入 packages:

數據科學包 Numpy ，數據分析包 Pandas，tqdm 可以生成一個進度條，顯示訓練時的進度。

我們會用到一種神經網路的模型 RBM－Restricted Boltzmann Machine 作為生成模型。

它是一個兩層網路：第一層是可見的，第二層是隱藏層。同一層的節點之間沒有聯繫，不同層之間的節點相互連接。每一個節點都要決定它是否需要將已經接收到的數據發送到下一層，而這個決定是隨機的。

2.定義超參數：

先定義需要模型生成的 note 的 range

接著需要定義 timestep ，可見層和隱藏層的大小。

訓練次數，批量處理的大小，還有學習率。

3.定義變數：

x 是投入網路的數據

w 用來存儲權重矩陣，或者叫做兩層之間的關係

此外還需要兩種 bias，一個是隱藏層的 bh，一個是可見層的 bv

接著，用輔助方法 gibbs_sample 從輸入數據 x 中建立樣本，以及隱藏層的樣本：

gibbs_sample 是一種可以從多重概率分布中提取樣本的演算法。

它可以生成一個統計模型，其中，每一個狀態都依賴於前一個狀態，並且隨機地生成符合分布的樣本。

4.更新變數：

5.接下來，運行 Graph 演算法圖：1.先初始化變數

首先需要 reshape 每首歌，以便於相應的向量表示可以更好地被用於訓練模型。

2.接下來就來訓練 RBM 模型，一次訓練一個樣本

模型完全訓練好後，就可以用來生成 music 了。

3.需要訓練 Gibbs chain

其中的 visible nodes 先初始化為 0，來生成一些樣本。

然後把向量 reshape 成更好的格式來 playback。

4.最後，列印出生成的和弦

綜上，就是用 CNN 來參數化地生成音波，

用 RBM 可以很容易地根據訓練數據生成音頻樣本，

Gibbs 演算法可以基於概率分布幫我們得到訓練樣本。

題圖：pexels，CC0 授權。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！