0
雷锋网 AI 科技评论按：OpenAI 前几日突然在 Twitch 展开直播。此前，OpenAI 的每次 DOTA2 直播都是在这里进行的，但这次的内容不再是电子游戏了，而是直播 AI 创作的曲子。OpenAI CTO Greg Brockman 都调侃说：「六个月前我也想不到我们会把直播频道的分类从 DOTA2 换成音乐和表演」。
直播的主角是 OpenAI 新创造的作曲 AI「MuseNet」，它可以创作不同风格的、时长达 4 分钟的乐曲，风格可以根据不同的作曲者变化（巴赫、贝多芬、Oscar Peterson、Frank Sinatra、Bon Jovi）、不同的风格变化（Jazz、Albeniz、电影配乐、乡村、印度宝莱坞、迪士尼），而且乐曲中可以使用 10 种不同的乐器。「MuseNet」使用的是和前段时间 OpenAI 的文本生成模型 GPT-2 类似的大规模 Transformer 模型，而且为了增强它的长序列建模能力，「MuseNet」也使用了雷锋网 AI 科技评论刚刚介绍过的稀疏注意力技术。继上次用 GPT-2 生成接近人类水准的短文之后，OpenAI 俨然已经成为了长序列建模的小能手。
学习音乐毕竟是一件有难度的任务，不同的乐器有不同的音色，不同的曲风也有各自的微结构。所以 OpenAI 的做法是让模型学习并预测 MIDI （音符、控制参数等组成的数字音频信号，可以用 MIDI 播放器播放），而不是学习原始音频波形；同时 OpenAI 也为模型设计了对应作曲者和乐器的 token，简化数据参数。
在稀疏 Transformer 的重新计算以及优化过的核心帮助下，MuseNet 被设计为一个 72 层、具有 24 个注意力头的网络，它可以在 4096 个元素长度的内容上进行完整的注意力操作。正因为它能够处理的序列足够长，所以它可以记住曲子中的长段结构，完成段落的重复以及变化。
为了让模型更好地控制乐曲主体内容的结构，OpenAI 为模型设计了多种不同的嵌入。除了正常的位置嵌入之外，他们额外让模型学习一个嵌入，用它来追踪每个样本中已经经过的时间。这样，所有同时响起的音符都会具有同样的时间嵌入。他们还为和弦中的每个音符增加了一个嵌入（这种做法类似于相对注意力，当模型需要生成第四个音符的时候它会提供第三个音符作为参考，也就让模型更容易学习）。最后，他们还增加了两种不同的结构嵌入，它们的共同作用是告诉模型某一段音乐在更大的曲目范围内的位置；其中，第一个嵌入会把大段音乐分为128个部分，第二个嵌入会从127到0倒数，表示距离结尾还有多远。
模型的效果是惊人的，不仅当天的 Twitch 直播中演示的不同风格的曲目辨识度高、旋律自然，而且 OpenAI 在介绍博客中展示的混搭生成结果（从某首知名乐曲中取一个小节作为开头，然后让模型以其他的风格续写，模型会给出四种结果），以及好奇的网友们利用 OpenAI 提供的试验工具生成的乐曲都让大家无比钦佩。我们推荐大家到 MuseNet 的官方介绍页面亲自尝试混搭续写工具以及听听已有的生成乐曲。
OpenAI 还根据嵌入的学习结果制作了不同作曲者之间的相似度关系图，也和我们日常的认知非常相符。
在 OpenAI 的研究人员们看来，音乐生成任务的难度介于文本和图像之间，它具有和文本类似的灵活的序列结构（比如图像中可以固定地参照前 N 个元素，而文本和音乐中的这个数字大小是不固定的）。他们收集了训练数据集并尝试了不同的训练技巧。
这项研究实在是生动有趣，OpenAI 也希望大家多多参与活动，多多讨论和反馈，也帮助他们选定这项研究的下一步目标。公开参与的时间一直持续到 5 月 12 日，大家快到 openai.com/blog/musenet/ 玩玩听听看吧！
via openai.com，雷锋网 AI 科技评论编译
相关文章：
除了生成文本，还可以补全图像、生成音频序列的稀疏 Transformers
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
