Wie bringt man eine Maschine dazu, wie ein Mensch zu klingen?
Ein großer Fortschritt in der Technologie der künstlichen Intelligenz wurde durch die Modellierung menschlicher Systeme erzielt.
Obwohl künstliche neuronale Netze mathematische Modelle sind, die nur grob simulieren können, wie menschliche Neuronen tatsächlich funktionieren, ist ihre Anwendung zur Lösung komplexer und mehrdeutiger realer Probleme weitreichend. Darüber hinaus eröffnet die Modellierung der strukturellen Tiefe des menschlichen Gehirns in einem neuronalen Netzwerk eine Vielzahl von Möglichkeiten, um eine sinnvollere Bedeutung hinter den Daten zu erfahren.
Bei der Bilderkennung und -verarbeitung hat die Inspiration durch die komplexen und räumlich invarianten Neuronen in den Convolutional Neural Networks (CNNs) des visuellen Systems ebenfalls zu wesentlichen Verbesserungen unserer Technik geführt. Wenn Sie daran interessiert sind, Bilderkennungstechniken auf Audiospektrogramme anzuwenden, lesen Sie meinen Artikel “Was ist falsch an Convolutional Neural Networks (CNN) und Spektrogrammen für die Audioverarbeitung?”
Solange die menschliche Wahrnehmung die von Maschinen übertrifft, können wir lernen, vom Verständnis der Prinzipien menschlicher Systeme zu profitieren. Menschen sind sehr geschickt bei Wahrnehmungsaufgaben, und im Bereich des maschinellen Hörens ist der Kontrast zwischen menschlichem Verständnis und aktuellen KI-Technologien besonders stark. In Anbetracht der Vorteile, sich von menschlichen Systemen im Bereich der Bildverarbeitung inspirieren zu lassen, schlage ich vor, dass wir neuronale Netze auf ähnliche Prozesse im Bereich des Sehens anwenden können, und es wird Vorteile im Bereich des maschinellen Hörens geben.
Wie man eine Maschine dazu bringt, wie ein Mensch zuzuhören
Der Prozessrahmen dieses Artikels
In dieser Artikelserie werde ich ein Framework für die Audiosignalverarbeitung in Echtzeit mit KI beschreiben, das in Zusammenarbeit zwischen der Universität Aarhus und dem Hersteller von intelligenten Lautsprechern, Dynaudio A/S, entwickelt wurde. Es stützt sich stark auf die Kognitionswissenschaft, die versucht, Perspektiven aus Biologie, Neurowissenschaften, Psychologie und Philosophie zu kombinieren, um unsere kognitiven Fähigkeiten besser zu verstehen.
Kognitive Eigenschaften des Klangs.
Die vielleicht abstrakteste Art, über Klang nachzudenken, ist, wie wir Menschen ihn verstehen. Während Lösungen für Signalverarbeitungsprobleme innerhalb der Grenzen von Eigenschaftsparametern auf niedriger Ebene wie Intensität, Spektrum und Zeit funktionieren müssen, ist das Endziel oft erkennbar: das Signal auf eine bestimmte Weise umzuwandeln, die für uns kognitiv bedeutsam ist Bedeutung, die in The Sound enthalten ist.
Wenn man beispielsweise das Geschlecht des Sprechers eines Diskurses programmatisch ändern möchte, muss das Problem sinnvoller beschrieben werden, bevor seine untergeordneten Merkmale definiert werden. Das Geschlecht eines Sprechers kann als ein kognitives Attribut angesehen werden, das aus vielen Faktoren besteht: dem Ton und der Klangfarbe der Sprache, Unterschieden in der Aussprache, Unterschieden in der Wort- und Sprachwahl und dem Verständnis, wie diese Attribute miteinander in Beziehung stehen.
Diese Parameter können durch Merkmale auf niedrigerer Ebene wie Intensität, spektrale und zeitliche Eigenschaften beschrieben werden, aber nur in komplexeren Kombinationen können sie Bedeutungsdarstellungen auf höherer Ebene bilden. Dies bildet eine Hierarchie von Audiomerkmalen, aus denen auf die “Bedeutung” des Tons geschlossen werden kann. Die kognitiven Eigenschaften menschlicher Stimmen können als durch die kombinierten Zeitreihenmuster von Intensität, Spektrum und statistischen Schalleigenschaften repräsentiert betrachtet werden.
