La máquina de aprendizaje profundo resuelve el problema del cóctel

El efecto cóctel es la capacidad de concentrarse en una voz humana específica mientras se filtran otras voces o el ruido de fondo. La facilidad con la que los humanos realizan este truco desmiente el desafío al que se han enfrentado los científicos e ingenieros para reproducirlo sintéticamente. En general, los humanos superan fácilmente a los mejores métodos automatizados para identificar voces.

Un problema particularmente desafiante en los cócteles se encuentra en el campo de la música, donde los humanos pueden concentrarse fácilmente en una voz cantante superpuesta a un fondo musical que incluye una amplia gama de instrumentos. En comparación, las máquinas son pobres en esta tarea.

Hoy, eso parece estar cambiando gracias al trabajo de Andrew Simpson y sus amigos de la Universidad de Surrey en el Reino Unido. Estos muchachos han utilizado algunos de los avances más recientes asociados con las redes neuronales profundas para separar las voces humanas del fondo en una amplia gama. de canciones

Su enfoque muestra los grandes avances que se han logrado en los últimos años en el aprendizaje automático y las redes neuronales. Y allana el camino para una solución más general al famoso problema de los cócteles que debería permitir, entre otras cosas, separar fácilmente las voces de la música que acompañan.

El método que utilizan estos tipos es relativamente sencillo. Comienzan con una base de datos de 63 canciones que están disponibles como un conjunto de pistas individuales, cada una de las cuales contiene un instrumento o voz diferente, así como la versión completamente mezclada de la canción.

Simpson y compañía dividen cada pista en segmentos de 20 segundos y crean un espectrograma para cada uno que muestra cómo varían las frecuencias del sonido con el tiempo. El resultado es una especie de huella dactilar única que identifica el instrumento o la voz.

También crean un espectrograma de la versión completamente mezclada de la canción. Esto es esencialmente todos los espectrogramas de componentes sumados.

La tarea de seleccionar una voz de esta mezcla es esencialmente la tarea de separar el espectrograma único de la voz de los otros espectrogramas que están presentes.

Simpson y compañía entrenaron su red neuronal convolucional profunda para hacer exactamente eso. Usaron 50 de estas canciones para entrenar la red y mantuvieron las 13 restantes para probarla. En total, generó más de 20.000 espectrogramas con fines de capacitación.

La tarea de la red neuronal era simple. Como entrada, le dieron el espectrograma completamente mezclado y esperaban que produjera, esencialmente, el espectrograma vocal como salida.

La tarea en este tipo de aprendizaje automático es la optimización de parámetros. Su red neuronal profunda tiene mil millones de parámetros que deben ajustarse de una manera que produzca el resultado deseado.

Este proceso de optimización, o aprendizaje, ocurre por iteración. Entonces, la red comienza con estos parámetros establecidos al azar y luego mejora gradualmente la configuración cada vez que escanea a través de la base de datos, lo que hizo más de cien iteraciones.

Habiendo encontrado una buena configuración para la red, Simpson y compañía le dieron las 13 canciones que no había visto antes para probar qué tan bien podía separar las voces de la mezcla.

Los resultados resultaron ser impresionantes. Estos resultados demuestran que un enfoque de red neuronal profunda convolucional es capaz de generalizar la separación de voces, aprendida en un contexto musical, a nuevos contextos musicales, dice el equipo.

Simpson y compañía incluso compararon sus resultados con los de un algoritmo de cóctel convencional aplicado a los mismos datos. La principal ventaja de la red neuronal profunda parece estar en su aprendizaje general de lo que son los sonidos 'vocales', dicen.

En otras palabras, habiendo aprendido cómo suena una voz, una red neuronal profunda puede usar esta información para seleccionar otras voces de una mezcla. Pero qué tan bueno es este enfoque en comparación con el desempeño humano, no lo dicen.

Una aplicación inmediata es la producción de pistas de música sin voces para máquinas de karaoke. Ese es claramente un... errr... objetivo importante, pero también hay implicaciones más amplias.

Las redes neuronales profundas están revolucionando el aprendizaje automático en una amplia gama de áreas. Hasta hace poco, los humanos tenían un claro dominio en las tareas de reconocimiento de patrones, como el reconocimiento facial y el reconocimiento de objetos. Esa ventaja se ha reducido considerablemente y, en algunos casos, se ha perdido por completo.

Ahora las máquinas están jugando a ponerse al día en el área de los problemas de los cócteles y solo un tonto apostaría en contra de que triunfarán en un futuro no muy lejano.

Ref: arxiv.org/abs/1504.04658 : Deep Karaoke: extracción de voces de mezclas musicales mediante una red neuronal profunda convolucional

esconder