Η δημιουργία μουσικής είναι μια από τις πιο εγγενείς ανθρώπινες δραστηριότητες, που έχει βαθιές ρίζες σε χαρακτηριστικά που συχνά δεν αποδίδουμε στην ΤΝ, όπως το συναίσθημα, η δημιουργικότητα και η προσωπική έκφραση. Ωστόσο, τα τελευταία χρόνια, η Τεχνητή Νοημοσύνη (ΤΝ) έχει έρθει όχι μόνο για να μας βοηθήσει στη διαδικασία παραγωγής μουσικής, αλλά και για να αναλάβει πλήρως ορισμένα καθήκοντα.

Στην πραγματικότητα, οι δυνατότητες της Τεχνητής Νοημοσύνης έχουν εξελιχθεί τόσο πολύ που ακόμη και μεγάλες εταιρείες όπως η Sony και η Warner Music Group αξιοποιούν αυτή την τεχνολογία μέσω πλατφορμών όπως η Endel και η Magenta.

Από τη συγγραφή στίχων μέχρι τη σύνθεση trap beats, η τεχνητή νοημοσύνη έχει εισχωρήσει σχεδόν σε κάθε πτυχή της μουσικής δημιουργίας και τώρα γίνεται αναπόσπαστο μέρος της διαδικασίας mastering για πολλούς καλλιτέχνες και παραγωγούς.

Αυτό εγείρει ένα ενδιαφέρον ερώτημα: θα εξακολουθεί να υπάρχει ανάγκη για ανθρώπινη τεχνογνωσία στο mastering, ή βρισκόμαστε στα πρόθυρα της πλήρους ανάληψης της εξουσίας από την Τεχνητή Νοημοσύνη;

Σε αυτόν τον οδηγό, θα εξερευνήσουμε την ταχεία άνοδο του AI mastering, τον τρέχοντα αντίκτυπό του στον κλάδο και τι μπορεί να επιφυλάσσει το μέλλον για αυτό το τεχνολογικό θαύμα.

Μια σύντομη ιστορία της τεχνητής νοημοσύνης στη μουσική βιομηχανία

Η μουσική βιομηχανία βρίσκεται σε μια συνεχή κατάσταση καινοτομίας και αλλαγής. Εξελίσσεται συνεχώς με νέες τεχνολογίες που αναδιαμορφώνουν τον τρόπο με τον οποίο δημιουργείται, ηχογραφείται και καταναλώνεται η μουσική. Ακόμη και πριν η τεχνητή νοημοσύνη γίνει μόδα, υπήρχαν άλλες τεχνολογικές εξελίξεις που έμοιαζαν εξίσου τρομακτικές ή μπερδεμένες για τους δημιουργούς.

Αν πάμε πίσω στο 1877, όταν ο Τόμας Έντισον εφηύρε τον φωνογράφο, ήταν η πρώτη φορά που μια συσκευή ήταν ικανή να καταγράφει και να αναπαράγει ήχο. Όταν παρουσιάστηκε, προκάλεσε φόβους ότι οι ζωντανές παραστάσεις θα παρωθούσαν και ότι η ηχογραφημένη μουσική θα μπορούσε να υπονομεύσει την καλλιτεχνική αξία των ζωντανών μουσικών.

Στη συνέχεια, τη δεκαετία του 1930, η πανίσχυρη ηλεκτρική κιθάρα έφερε επανάσταση στον ήχο της μουσικής για πάντα. Φυσικά, οι παραδοσιακοί ανησυχούσαν ότι ο ενισχυμένος ήχος της θα διέβρωνε την καθαρότητα των ακουστικών οργάνων και θα μείωνε την ικανότητα που απαιτείται για να παίξει κανείς μουσική.

Οι άνθρωποι φοβήθηκαν την έλευση της πολυκάναλης ηχογράφησης, καθώς οι άνθρωποι θα μπορούσαν να χειρίζονται τεχνητά τη μουσική, τη γέννηση του MIDI τη δεκαετία του 1980, καθώς θα οδηγούσε σε μια μηχανική, λιγότερο ανθρώπινη αίσθηση στη μουσική, και την έκρηξη των ψηφιακών σταθμών εργασίας ήχου τη δεκαετία του 1990, καθώς θα έκαναν την παραγωγή μουσικής υψηλής ποιότητας πολύ προσιτή, πλημμυρίζοντας την αγορά με ερασιτεχνικό περιεχόμενο και απαξιώνοντας τα επαγγελματικά στούντιο.

Το ηθικό δίδαγμα είναι ότι αυτός ο φόβος δεν είναι κάτι καινούργιο.

Η τεχνητή νοημοσύνη άρχισε να αφήνει το στίγμα της στη μουσική στις αρχές του 21ου αιώνα.

Ένα από τα πρώτα παραδείγματα ήταν το Magenta της Google, ένα ερευνητικό πρόγραμμα που διερευνούσε πώς η τεχνητή νοημοσύνη θα μπορούσε να χρησιμοποιηθεί για τη δημιουργία μουσικής και τέχνης. Οι συνθέσεις του Magenta που δημιουργήθηκαν με τεχνητή νοημοσύνη έδειξαν τις δυνατότητες της μηχανικής μάθησης να βοηθήσει τη δημιουργική διαδικασία. Το Watson Beat της IBM έγινε επίσης για να αναλύει τραγούδια και να δημιουργεί νέα μουσική προσπαθώντας να κατανοήσει τη συναισθηματική πρόθεση πίσω από αυτά.

Οι αλγόριθμοι ΤΝ θα αναλάβουν τελικά πιο σύνθετους ρόλους, ένας από τους οποίους έχει γίνει εξαιρετικά δημοφιλής - η διαχείριση ΤΝ.

Ποιος είναι ο στόχος του Mastering;

Η κατανόηση του τρόπου με τον οποίο η τεχνητή νοημοσύνη είχε την άνοδό της ξεκινά από την κατανόηση του λόγου πίσω από το mastering εξ αρχής.

Στην πιο βασική του μορφή, ο γενικός στόχος του mastering είναι να διασφαλιστεί ότι ένα κομμάτι ακούγεται γυαλισμένο, επαγγελματικό και ισορροπημένο, έτοιμο για διανομή σε διάφορες πλατφόρμες και συστήματα αναπαραγωγής.

Σκεφτείτε το σαν την τελική διαδικασία μοντάζ και διαβάθμισης χρωμάτων στον κινηματογράφο. Ακριβώς όπως ένας μοντέρ ταινιών βελτιώνει τα οπτικά στοιχεία και διασφαλίζει τη συνοχή στον τόνο και την ποιότητα, ένας μηχανικός mastering θα πειράξει και θα τελειοποιήσει τον δεδομένο ήχο για να διασφαλίσει τη σαφήνεια, την ισορροπία και τη συνοχή.

Δυστυχώς, το mastering μπορεί επίσης να είναι αρκετά ακριβό λόγω της απαιτούμενης τεχνογνωσίας και του εξοπλισμού υψηλής τεχνολογίας που χρησιμοποιείται.

Πολλές επαγγελματικές υπηρεσίες mastering μπορεί να κυμαίνονται από 50 έως 200 δολάρια ανά κομμάτι, και σε ορισμένες περιπτώσεις, ακόμη περισσότερο για πολύ περιζήτητους μηχανικούς. Ένα ολόκληρο άλμπουμ μπορεί να κοστίσει μερικές χιλιάδες ή και περισσότερο, και αν έχετε ήδη πληρώσει για την ηχογράφηση, την παραγωγή και τη μίξη, μπορεί να προστεθεί αλάτι στην πληγή.

Φυσικά, θα είμαστε οι πρώτοι που θα σημειώσουμε ότι το κόστος είναι απολύτως δικαιολογημένο.

Αντανακλά την πολυετή εμπειρία, τις εξειδικευμένες δεξιότητες και την τεχνολογία αιχμής που εμπλέκεται στη διαδικασία. Για τους παραγωγούς υπνοδωματίων και τους ανεξάρτητους καλλιτέχνες που εργάζονται με περιορισμένο προϋπολογισμό, ωστόσο, αυτά τα έξοδα μπορεί να είναι απαγορευτικά, καθιστώντας τις παραδοσιακές υπηρεσίες mastering λιγότερο βιώσιμες για πολλούς ανερχόμενους μουσικούς.

Η εξέλιξη του AI Mastering τα τελευταία χρόνια

Κατά την τελευταία δεκαετία, έχουν εμφανιστεί επιλογές αυτοματοποιημένου mastering και τεχνητής νοημοσύνης, δίνοντας στους καλλιτέχνες πρόσβαση σε mastering με επαγγελματικό ήχο χωρίς το υψηλό κόστος που συνδέεται με τους ανθρώπους μηχανικούς mastering.

Αυτές οι υπηρεσίες με βάση την τεχνητή νοημοσύνη προσφέρουν μια ελκυστική εναλλακτική λύση για τους μουσικούς που επιθυμούν να οριστικοποιήσουν τα κομμάτια τους γρήγορα και οικονομικά.

Ορισμένες πλατφόρμες mastering με τεχνητή νοημοσύνη χρησιμοποιούν αλυσίδες σήματος που έχουν σχεδιαστεί από έμπειρους ανθρώπινους μηχανικούς κατά τη διάρκεια αρκετών ετών, εφαρμόζοντας δοκιμασμένες τεχνικές για να βελτιώσουν μίξεις που βασίζονται στην τεχνογνωσία που ενσωματώνεται στον προγραμματισμό τους.

Από την άλλη πλευρά, ορισμένες υπηρεσίες χρησιμοποιούν δίκτυα βαθιάς μάθησης που αναλύουν τεράστιες ποσότητες δεδομένων ήχου με την πάροδο του χρόνου. Αυτά τα δίκτυα μαθαίνουν και προσαρμόζονται, βελτιώνοντας συνεχώς τις δυνατότητες mastering με βάση τα δεδομένα που επεξεργάζονται.

Η άνοδος του AI Audio Mastering

Η Landr ήταν μία από τις πρώτες υπηρεσίες AI mastering που εμφανίστηκαν στην αγορά, κάνοντας το ντεμπούτο της το 2014.

Αυτή η πρωτοποριακή πλατφόρμα είχε ως στόχο να παρέχει στους καλλιτέχνες έναν προσιτό και αποτελεσματικό τρόπο για να κατακτούν τα κομμάτια τους χρησιμοποιώντας προηγμένους αλγορίθμους.

Η διαδικασία είναι απλή: ανεβάζετε τη μίξη σας και η τεχνητή νοημοσύνη της Landr αναλύει και επεξεργάζεται τον ήχο, εφαρμόζοντας EQ, συμπίεση και άλλες τεχνικές mastering για να βελτιώσει το κομμάτι. Το αποτέλεσμα είναι ένα γυαλισμένο, επαγγελματικό master έτοιμο για διανομή.

Ωστόσο, οι άνθρωποι γρήγορα συνειδητοποίησαν ότι αν δεν ήταν απόλυτα ικανοποιημένοι με την παραγωγή της Landr, υπήρχε ένας περιορισμός: δεν μπορείτε να ζητήσετε από την AI να προσαρμόσει τον ήχο με τον τρόπο που θα κάνατε με έναν άνθρωπο μηχανικό mastering.

Η τεχνητή νοημοσύνη εφαρμόζει μια τυποποιημένη διαδικασία που μπορεί να μην ανταποκρίνεται στις μοναδικές προτιμήσεις κάθε καλλιτέχνη. Παρόλα αυτά, ο αλγόριθμος της Landr βελτιώνεται συνεχώς με κάθε τραγούδι που ανεβαίνει στην πλατφόρμα, μαθαίνοντας και προσαρμοζόμενος ώστε να παρέχει καλύτερα αποτελέσματα με την πάροδο του χρόνου.

Ο αλγόριθμος AI mastering της eMastered εμφανίστηκε στο κοινό λίγο μετά τη Landr και έγινε γνωστός με μια διαφορετική προσέγγιση στο AI mastering.

Η eMastered, που ιδρύθηκε από τον βραβευμένο με Grammy μηχανικό μίξης και mastering Smith Carlson και τον καλλιτέχνη ηλεκτρονικής μουσικής Collin McLoughlin, συνδυάζει βαθιά εμπειρία στον κλάδο με τεχνολογία αιχμής. Σε αντίθεση με το Landr, το eMastered προσφέρει στους χρήστες μεγαλύτερο έλεγχο του τελικού master, επιτρέποντας προσαρμογές στην ένταση του συμπιεστή, στις ρυθμίσεις EQ, στην ένταση και στο στερεοφωνικό πλάτος.

Οι χρήστες μπορούν ακόμη και να ανεβάσουν ένα κομμάτι αναφοράς για να καθοδηγήσουν τη διαδικασία mastering, διασφαλίζοντας ότι το τελικό προϊόν θα είναι σύμφωνο με το καλλιτεχνικό τους όραμα.

Γιατί οι υπηρεσίες AI Mastering είναι τόσο δημοφιλείς;

Υπάρχουν διάφοροι λόγοι για τους οποίους οι υπηρεσίες AI mastering γίνονται πιο δημοφιλείς από ποτέ, ειδικά καθώς συνεχίζουν να εξελίσσονται σε πιο προηγμένα και προσιτά εργαλεία.

• Δωρεάν προεπισκοπήσεις: Πολλές υπηρεσίες mastering AI σας επιτρέπουν να κάνετε προεπισκόπηση των mastering κομματιών σας χωρίς κόστος, βοηθώντας σας να αποφασίσετε αν η υπηρεσία ανταποκρίνεται στις προσδοκίες σας πριν αναλάβετε οποιαδήποτε οικονομική δέσμευση.
• Φτηνές, ευέλικτες τιμές: Σε σύγκριση με το παραδοσιακό mastering, το AI mastering είναι γενικά πιο προσιτό.
• Βολικό και αποδοτικό: Οι αλγόριθμοι τεχνητής νοημοσύνης μπορούν να επεξεργάζονται κομμάτια μέσα σε λίγα λεπτά, προσφέροντας πολύ πιο γρήγορο χρόνο διεκπεραίωσης από ό,τι οι ανθρώπινοι μηχανικοί mastering. Οι καλλιτέχνες μπορούν να οριστικοποιήσουν τα έργα τους γρήγορα, χωρίς να περιμένουν μέρες ή εβδομάδες για να πάρουν αποτελέσματα.
• Μάστερ υψηλής ποιότητας: Παρά το χαμηλότερο κόστος και την ταχύτερη επεξεργασία, οι σημερινές υπηρεσίες μάστερ της τεχνητής νοημοσύνης παρέχουν υψηλής ποιότητας, γυαλισμένα κομμάτια που πληρούν τα εμπορικά πρότυπα της μουσικής βιομηχανίας, έτοιμα για κυκλοφορία σε οποιαδήποτε πλατφόρμα.
• Δημιουργικός έλεγχος: Οι υπηρεσίες όπως το eMastered προσφέρουν στους χρήστες εκτεταμένο έλεγχο της διαδικασίας mastering, επιτρέποντας προσαρμογές στην ένταση του συμπιεστή, στις ρυθμίσεις του EQ, στην ένταση και στο στερεοφωνικό πλάτος. Παρόλο που μπορεί να μην μπορείτε να κάνετε λεπτομερείς ρυθμίσεις όπως θα μπορούσατε να κάνετε με τους ανθρώπινους μηχανικούς, αυτό το πρόσθετο επίπεδο προσαρμογής διευκολύνει τη διασφάλιση ότι το τελικό mastering ανταποκρίνεται στο όραμά σας.
• Master track αναφοράς: Αρκετά εργαλεία και υπηρεσίες mastering AI σας επιτρέπουν να ανεβάσετε ή να εισαγάγετε ένα track αναφοράς που θα χρησιμεύσει ως οδηγός για τον αλγόριθμο mastering ώστε να επιτύχει έναν ήχο παρόμοιο με αυτόν της αναφοράς.

Φυσικά, ακόμη και με τα πολλά οφέλη των εργαλείων τεχνητής νοημοσύνης στο mastering, η διαδικασία δεν αντικαθιστά έναν εξειδικευμένο μηχανικό mastering, γεγονός που μας οδηγεί στο πιο σημαντικό ερώτημα.

Θα πάρει το AI Mastering τις θέσεις εργασίας των ανθρώπινων μηχανικών Mastering;

Καθώς οι υπηρεσίες AI mastering συνεχίζουν να εξελίσσονται, πολλοί ανησυχούν ότι θα εξαλείψουν την ανάγκη για ανθρώπινους μηχανικούς. Αν και η ανησυχία είναι δικαιολογημένη, δεν είναι κάτι μοναδικό για τη μουσική. Στην πραγματικότητα, απηχεί σε διάφορους κλάδους όπου η τεχνητή νοημοσύνη κάνει σημαντική πρόοδο, σε τομείς όπως η εξυπηρέτηση πελατών, η μεταποίηση, ακόμη και η δημοσιογραφία.

Στη συνέχεια, έχουμε κάποιους μουσικούς που δέχονται την άνοδό του χωρίς μεγάλο βαθμό ανησυχίας.

Ο βρετανός μηχανικός μίξης και mastering Streaky, σημείωσε κάποτε ότι το mastering της AI μπορεί να συγκριθεί με την αγορά ενός κοστούμι από το ράφι σε σχέση με ένα κοστούμι κατά παραγγελία που προσαρμόζεται στις ακριβείς σας διαστάσεις.

Αν και κάποιοι άνθρωποι θα προτιμούν πάντα το πρόσθετο επίπεδο φροντίδας και προσαρμογής που προσφέρει ένας ανθρώπινος μηχανικός mastering, για πολλούς, η φθηνότερη και ταχύτερη επιλογή που προσφέρει το AI mastering έχει περισσότερο νόημα. Προσφέρει μια πρακτική λύση που ανταποκρίνεται στις ανάγκες τους χωρίς να σπάσει την τράπεζα.

Τελικά, ενώ το AI mastering προορίζεται να αποτελέσει ένα πολύτιμο εργαλείο για πολλούς μουσικούς, θα πρέπει να συμπληρώνει και όχι να αντικαθιστά την ανθρώπινη εμπειρία. Το ανθρώπινο άγγιγμα στο mastering - η κατανόηση του οράματος του καλλιτέχνη, η πραγματοποίηση αποχρώσεων και η μοναδική δημιουργική προοπτική - είναι αναντικατάστατο.

Ο Collin McLoughlin της eMastered το είπε καλύτερα:

"Αντί να αντικαταστήσουμε θέσεις εργασίας ή να διαταράξουμε έναν κλάδο, βλέπουμε τους εαυτούς μας ως δημιουργούς μιας νέας αγοράς, επιτρέποντας σε ανθρώπους που σήμερα δεν μπορούν να λάβουν ποιοτικό mastering να έχουν επιτέλους την ευκαιρία να το κάνουν. Για το απόλυτο καλύτερο mastering ωστόσο, ένας παραδοσιακός μηχανικός mastering θα είναι πάντα η απόλυτη επιλογή".

Μια συνεργατική προσπάθεια μεταξύ της ανθρώπινης δημιουργικότητας και της τεχνητής νοημοσύνης

Το μέλλον του mastering θα είναι πιθανότατα μια συνεργατική προσπάθεια μεταξύ ανθρώπων και τεχνητής νοημοσύνης, συνδυάζοντας τις δυνάμεις και των δύο για την επίτευξη των καλύτερων αποτελεσμάτων.

Για παράδειγμα, ένας μηχανικός μπορεί να αφήσει την ΤΝ να χειριστεί τα αρχικά στάδια του mastering, όπως η εφαρμογή βασικών EQ, συμπίεσης και άλλων τυπικών ρυθμίσεων, γεγονός που μπορεί να εξοικονομήσει χρόνο και να εξασφαλίσει συνέπεια.

Από εκεί και πέρα, οι ανθρώπινοι μηχανικοί μπορούν να αναλάβουν, προσθέτοντας τη δική τους μοναδική πινελιά και λαμβάνοντας διαφοροποιημένες αποφάσεις που απαιτούν δημιουργική διαίσθηση και βαθιά κατανόηση του συναισθηματικού πλαισίου της μουσικής.

Με αυτό το είδος διαχωρισμού, οι ρόλοι θα επιτρέψουν μια πιο αποτελεσματική διαδικασία, διατηρώντας παράλληλα το υψηλό επίπεδο καλλιτεχνικότητας και προσαρμογής που επιθυμούν οι καλλιτέχνες από τους ανθρώπινους μηχανικούς.

Το AI mastering μπορεί επίσης να χρησιμεύσει ως πολύτιμο εργαλείο εκμάθησης για τους επίδοξους mastering engineers.

Αναλύοντας τον τρόπο με τον οποίο η ΤΝ επεξεργάζεται και προσαρμόζει τα κομμάτια, οι αρχάριοι μπορούν να αποκτήσουν γνώσεις σχετικά με τις τεχνικές πτυχές του mastering.

Τελικές σκέψεις

Είναι δύσκολο να αρνηθεί κανείς τη σεισμική μετατόπιση της χρήσης της τεχνητής νοημοσύνης στη μουσική, από τη σύνταξη ακολουθιών συγχορδιών στη δημιουργία ολοκληρωμένων τραγουδιών. Το AI mastering είναι μόνο ένα από τα εργαλεία που γίνονται όλο και περισσότερο διαθέσιμα στους δημιουργούς.

Παρέχει προσβασιμότητα, συνέπεια και αποτελεσματικότητα, καθιστώντας δυνατό για όλο και περισσότερους ανθρώπους, οι οποίοι μπορεί να μην είχαν ποτέ ονειρευτεί να στείλουν τα τραγούδια τους σε εξειδικευμένους μηχανικούς mastering ή mastering houses, να κυκλοφορήσουν μουσική έτοιμη για ραδιόφωνο.

Βέβαια, αποτελεί επίσης μια πρόκληση, η οποία είναι ο τρόπος με τον οποίο οι άριστοι μηχανικοί θα προσαρμοστούν και θα συνεργαστούν με την τεχνητή νοημοσύνη και τη μηχανική μάθηση, αντί να την καταπολεμήσουν. Καθώς η τεχνολογία συνεχίζει να εξελίσσεται, το ίδιο θα κάνει και ο τρόπος με τον οποίο φτιάχνουμε και ακούμε μουσική, και μπορούμε μόνο να ελπίζουμε ότι τα νέα επίπεδα καινοτομίας και συνεργασίας θα κάνουν τη βιομηχανία πιο δυναμική από ποτέ.