AI synes at være overalt i disse dage. Fra skrivning til journalistik til kunst og meget mere, det gør et betydeligt spring fremad inden for flere forskellige områder. Alle, der arbejder med musik, ved selvfølgelig, at det også gør et stort indhug i musikken, især inden for mastering.
AI-mastering kommer med nogle gode fordele som at være hurtigere, mere konsekvent og lettere tilgængelig end at ansætte en menneskelig mastering-ingeniør, hvilket virkelig begynder at ruske op i tingene, hvilket rejser spørgsmålet, hvordan fremtiden for mastering ser ud i en AI-dominerende verden?
I denne artikel ser vi på, hvordan AI ændrer mastering, hvilke udfordringer den står over for, hvad den kan gøre, og hvor den er på vej hen i fremtiden.
Masteringens nuværende tilstand
Mastering er måske et af de mest kritiske trin i musikproduktionsprocessen.
Før din musik kommer ud i verden, rammer den ørerne på den sidste gatekeeper, som justerer og polerer den for at sikre, at den lyder bedst muligt på alle afspilningssystemer.
Mastering, som vi kender det, varetages af dygtige mastering-ingeniører, som bruger en stærk kombination af erfaring, udstyr af høj kvalitet og specialiseret software til at forbedre den overordnede lydkvalitet af mix, sikre konsistens mellem numrene på et album og forberede lyden til distribution.
Denne "traditionelle" metode til mastering opstod i midten af det 20. århundrede og blev mere defineret med LP'ens fremkomst i slutningen af 1940'erne og 1950'erne, hvor teknikerne begyndte at fokusere på at optimere lyden til vinylplader.

Mange anser Sterling Sound for at være det første legitime masteringhus, som blev etableret i 1968 i New York City. På mange måder satte det industristandarder ved at arbejde med mange højt profilerede kunstnere, herunder The Beatles, Led Zeppelin, U2, Queen, Nirvana, Coldplay, Adele og mange flere.
Siden mastering blev introduceret i det 20. århundrede, er der selvfølgelig sket store forandringer.
I løbet af det seneste årti er der sket nogle vigtige udviklinger inden for AI Mastering.
Til at begynde med har musikere nu adgang til flere automatiserede masteringtjenester, hvoraf eMastered er en af de største. Disse platforme tilbyder online AI-masteringstjenester, der giver øjeblikkelige resultater. Som musiker kan du blot uploade dine numre og få masteret versioner i løbet af få minutter.
Det smukke ved AI i mastering er, at næsten alle kan opnå lyd i høj kvalitet uden at have brug for dyr studietid. Men det rejser også spørgsmål om de menneskelige ingeniørers fremtidige rolle og potentialet for AI til virkelig at forstå og gengive de kunstneriske finesser, der følger med den menneskelige berøring.
Før vi går i gang med det, er det vigtigt at forstå, hvordan AI-masteringstjenester udvikler sig.
Den stadigt udviklende brug af AI i mastering
AI-teknologien har gjort store fremskridt i de senere år, og mange virksomheder bruger innovative maskinlæringsalgoritmer, neurale netværk og deep learning til at hjælpe AI med at udføre komplekse lydbehandlingsopgaver med bemærkelsesværdig effektivitet.
Maskinlæringsalgoritmer udmærker sig ved at genkende mønstre i store datasæt.
Ved mastering får disse algoritmer en stor mængde musikdata, som de skal analysere for at forstå, hvad der kendetegner velmastrede spor. Som følge heraf kan de identificere optimale indstillinger for EQ, komprimering og andre lydbehandlingsværktøjer baseret på de mønstre, de har lært.
Disse algoritmer har også evnen til at tilpasse sig forskellige musikgenrer og -stilarter. Hvis du uploader et moderne dubstep-nummer til en AI-masteringsplatform, vil den foretage genrespecifikke justeringer for at sikre, at det mastererede output bevarer den tilsigtede kunstneriske stil.

Vi har også neurale netværk, som er ret effektive til at behandle de komplekse forhold mellem forskellige lydkarakteristika som f.eks. frekvens, amplitude og fase.
Endelig har vi deep learning-modeller, som bruger mere avanceret information, der findes i kunstige neurale netværk.
Her hos eMastered bruger vi deep learning-modeller, der er trænet på et bredt sæt af professionelt masterede spor, til at foretage præcise justeringer af EQ, komprimering og stereobilleder.
Der er flere fordele ved at bruge AI-masteringstjenester som eMastered, bl.a:
- Effektivitet: AI-drevne platforme kan mestre spor på en brøkdel af den tid, det ville tage en menneskelig ingeniør, hvilket gør dem ideelle til hurtige turnarounds.
- Tilgængelighed: Disse platforme giver resultater af høj kvalitet til en lavere pris, hvilket især er en fordel for indiekunstnere.
- Konsistens: Med fuld tillid til indlærte mønstre og data tilbyder AI-masteringsplatforme ensartet kvalitet. I modsætning til en menneskelig ingeniør vil de ikke have "off-dage".
Det er selvfølgelig værd at nævne, at disse fordele har modsvarende udfordringer.
Fremtidige udfordringer for AI-mastering
Der er ingen tvivl om, at mange AI-musikproduktionstjenester fungerer ekstremt godt. Det betyder dog ikke, at de er perfekte, og selv som en virksomhed, der har udviklet en vellykket AI-masteringalgoritme, føler vi, at det er bedst at være åben om disse udfordringer.
Bekymring for, at AI erstatter menneskelige mastering-ingeniører
En af de primære udfordringer ved AI er tanken om, at vi kan miste det menneskelige præg.
Jeg kender mange mastering-teknikere, som har arbejdet og studeret i årevis for at kunne bringe et væld af erfaring, intuition og kunstnerisk fornemmelse til bordet. De er gode til det, de gør, og kan træffe subjektive beslutninger, der afspejler deres personlige stil og kunstnerens vision.
Bemærkningen om "stil" er vigtig, for ligesom producere og beatmagere har deres egne genkendelige karakteristika, har mange mastering engineers det også.
Selv om AI er meget effektiv, mangler den stadig evnen til at forstå de følelsesmæssige og kreative nuancer i musikken. Den ved kun, hvad den bliver undervist i, og kan ikke træffe spontane beslutninger, som ikke er indbygget i dens programmering. Derfor er mange mennesker bekymrede for, at musikken med tiden vil nå en homogen tilstand, hvor alting lyder, ja, ens.
Hvis vi er alt for afhængige af AI, får vi ikke den unikke karakter og sjæl, som en dygtig ingeniør kan give et spor.
Bekymringer om tekniske begrænsninger
AI har oplevet en del tekniske fremskridt i årenes løb, men der er stadig nogle velkendte begrænsninger.
Nogle AI-algoritmer kan f.eks. have problemer med numre, der har utraditionelle strukturer eller meget komplekse lydelementer. Lad os for eksempel tage et mere eksperimenterende rocknummer, der har alle elementerne fra en traditionel rocksang, bortset fra en kværnende synthesizerbas, der skal fungere som et solidt elektronisk fundament for resten af sangen.
AI vil ikke være i stand til at skelne mellem synth-bassen, en almindelig bas eller noget andet low-end instrument for den sags skyld. Den kan måske komme med et godt gæt, og måske rammer den rigtigt, men der er ingen måde at sikre det på.
Hvis man tager højde for, at en AI-masteringalgoritme måske tror, at det er et traditionelt rocknummer, vil den mixe det som ethvert andet rocknummer, komprimere den lave ende og skubbe den tilbage for at give plads til tykkelsen af de lavere mellemtoner og trommernes punch. Men ud fra din kunstneriske vision vil du måske gerne have, at det bliver mastereret mere som et EDM- eller hiphop-nummer.
Selvom du kan komme med overordnede forslag på nogle AI-masteringsplatforme, er det i sidste ende kun menneskelige ingeniører, der kan foretage ultra-subtile justeringer baseret på deres trænede ører og specifikke kunstneriske intentioner.
Vi håber, at AI-systemer i fremtiden kan trænes ud over eksisterende data, så de kan tilpasse sig helt nye genrer eller stilarter, der afviger markant fra normen.
Bekymringer om AI's rolle i den kreative industri
Endelig, og med god grund, giver stigningen i AI inden for mastering anledning til masser af bekymringer om jobfortrængning.
AI kan håndtere flere tekniske opgaver på et øjeblik og til en brøkdel af prisen, hvilket i sidste ende reducerer behovet for menneskelige ingeniører.
Men det kan også skabe nye muligheder. For eksempel kan AI frigøre en mastering-ingeniør til at fokusere mere på kreative aspekter og mindre på gentagne opgaver som normalisering af lydstyrke eller støjreduktion.
Vi skal være de første til at sige, at vi ikke tror, at AI nogensinde helt vil erstatte den menneskelige masteringproces.
Det er en meget mere nuanceret proces, end mange tror. For eksempel vil en AI ikke vide, at en intro, et vers eller et omkvæd kræver forskellig behandling, da den ikke kan skelne mellem de forskellige dele af sporet. Den vil heller ikke være i stand til at gætte, om de klik eller knald i dit endelige mix rent faktisk hører til der, eller om de blev efterladt ved et uheld.
En rigtig mastering-ingeniør ville sandsynligvis ringe til dig og sige: "Hvis du vil have det bedste resultat, skal du bounce mixet igen og tage dig af disse problemer."
Hvordan ser AI-mastering ud i fremtiden?
Efterhånden som AI-masteringværktøjer bliver mere tilgængelige for et bredere publikum, herunder uafhængige kunstnere og små studier, vil de også blive brugt.
Det er svært at argumentere imod den lethed og overkommelige pris, som mange af disse værktøjer tilbyder.
Nogle har ikke råd til professionel mastering, og hvorfor skulle der være en sådan adgangsbarriere for kreativitet? I virkeligheden udjævner AI-mastering spillereglerne for uafhængige musikere.
Vi vil sandsynligvis se flere og flere cloud-baserede løsninger dukke op, som tiden går, men en ting, vi tror, vil være mest fremtrædende, er den hybride tilgang.
Mange mastering-ingeniører er begyndt at kombinere deres egen ekspertise med AI, så AI kan håndtere de første tekniske opgaver, så de kan fokusere på den kreative finpudsning. Mange branchefolk støtter denne model og ser AI som et værktøj til at forbedre, snarere end at erstatte, den menneskelige kreativitet.
Der er også et håb om, at AI-systemer vil udvikle stærkere brugerprofiler, der kan lære og tilpasse sig specifikke ingeniørers og kunstneres præferencer og give meget skræddersyede masteringforslag.
Vil AI erstatte menneskelige mastering-ingeniører?
Som jeg bemærkede i hele artiklen, vil der være tilfælde, hvor brug af kunstig intelligens i masteringprocessen vil være mere passende eller fordelagtig end at ansætte en menneskelig masteringingeniør. Hvis du har et lille budget, skal bruge en master hurtigt eller bare vil teste, hvordan dit mix lyder som færdigt produkt, er det helt sikkert en god idé at bruge en AI-masteringstjeneste som eMastered.
På den anden side, hvis du vil have fleksibilitet til at kunne give eller modtage feedback, eller hvis du vil have en ultraspecifik lyd, som måske kommer fra et bestemt sæt egenskaber eller analogt udstyr, vil det være en bedre løsning at gå til en dygtig mastering engineer.
Selv på længere sigt tror jeg ikke, at AI nogensinde vil erstatte traditionel mastering. I stedet forestiller jeg mig en fremtid, hvor de to arbejder side om side, hvilket giver en mindre barriere for at komme ind i musikbranchen.