AI 重聚知名已故歌手,发布四首原创歌曲

AI对战五子棋——深度学习策略网络 在本篇博文中,我们完成了:✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。 阅读详情

Amy Winehouse, 英国殿堂级爵士歌手,24 岁独揽 5 项格莱美大奖,猝死于 2011年,27 岁;

Kristen Pfaff,美国著名摇滚乐队 Hole 主唱,天才女贝斯手,死于 1994 年,27 岁;

Kurt Cobain,涅槃乐队主唱,摇滚神级偶像,自杀于 1994 年,27 岁;

Jim Morrison,大门乐队主唱,死于 1971 年,27 岁;

Brian Jones,滚石乐队创始人,死于 1969 年,27 岁…

他们少年成名登顶乐坛,但都巧合地在 27 岁离世,成为「27 岁俱乐部」成员

冥冥之中仿佛是有什么神秘的力量,让很多杰出的音乐人在 27 岁前后,因故突然去世。所以在音乐圈有着著名的「27岁俱乐部」,来纪念这些 Live happy,Die young 的杰出音乐人。

天才总是孤独的。

为了提醒大家关注音乐人的心理健康,总部位于加拿大的非营利组织 Over the Bridge,发起了一项新的项目:基于 AI 模仿这些英年早逝的音乐人,以他们的创作、演唱风格,重新创作歌曲。

经过一年的算法优化,和半年的录音、制作,Over The Bridge 发布了四首单曲,并收录在专辑《 Lost Tapes of the 27 Club》中出版。

这张专辑目前已经正式发布至 YouTube、Spotify ,并被全球多家知名音乐媒体报道和传播。

学习+创作,AI 输出了「高仿」歌曲

Over the Bridge 董事会成员 Sean O’Connor 介绍说,该项目主要基于 Google 的 AI 作曲工具 Magenta。

他们从每位音乐人的 20 到 30 首歌曲中,提取了 MIDI 文件(MIDI 是编曲界最广泛的音乐标准格式,它用音符的数字控制信号来记录音乐,可以说是「计算机能理解的乐谱」),并将它们分解为钩子(hook),独奏(solo),人声旋律或节奏吉他,然后分别交给 AI 进行训练。
在这里插入图片描述
词曲都由 AI 创作生成,可以在项目官网收听

训练模型主要基于 RNN(循环神经网络)进行。掌握这些歌曲的曲风之后,AI 会生成时长大约 5 分钟的 riff (即兴重复段),肖恩说:「其实仔细听的话,AI 创作的音乐片段绝大部分都很差劲,所以要仔细从中选出比较有意思的片段,再制作成歌曲。」

然后,对 AI 生成的乐曲,需要人工对人声部分和开头、结尾进行加工处理,才能得到一首完整的歌曲。

对于歌词,肖恩补充道,也是用了类似的方法,先将歌手此前作品的歌词文本交给 AI 进行训练,让算法学习其写作风格,然后输出自己创作的歌词。

下面这首就是 AI 创作的新歌,《Drowned in the Sun》,是模仿 Niravana 乐队(涅槃乐队)的风格而来,听听看里面是否有 Niravana 的灵魂。

Lost tapes of the 27 club

涅槃乐队现主唱 Eric Hogan 给其中加入了一些咆哮的元素,使整个歌曲更加生动

肖恩认为,《Drowned in the Sun》中,AI 生成的歌词已经非常接近科本的风格了,比如这句:「I don’t care, I feel as one, drowned in the sun.」

还有另外三首分别模仿 Jimi Hendrix、The Doors 乐队主唱 Jim Morrison 和 Amy Winehouse 的歌曲:《You’re Gonna Kill Me》、《 The Roads Are Alive》以及《Man,I know》,都收录在《 Lost Tapes of the 27 Club》专辑中,在 YouTube 播放量达到数十万次。

注:谷歌的 Magenta 项目已在 GitHub 开源,感兴趣的同学可戳链接了解。

天才已逝,需更关注音乐人心理健康

暂且不讨论以上 AI 模仿所作的歌曲是否动听、是否还原、接近歌手本人的风格,即便 AI 创作的歌曲完美模仿了他们,但世界上还是永远都不会再有第二个 Kurt Cobain、Jimi Hendrix……

而 Over the Bridge 发起这个项目的初衷,也并不是为了让 AI 代替歌手,或者证明 AI 可以创作出同样的歌曲,而是为了借此唤起人们对音乐人心理健康的关注,加强音乐行业从业者对心理健康重要性的意识。
在这里插入图片描述
大门乐队主唱 Jim Morrison 被誉为最酷的摇滚偶像,27 岁时因吸毒而死,但真正死因至今仍有争议

有数据显示,71% 的音乐人表示他们经历过焦虑和恐慌的影响,68% 的音乐经历过抑郁,相比其他行业,从事音乐相关工作的人,企图自杀的概率是其他行业的两倍。

就如「27 岁俱乐部」的成员,一个个都才华斐然、少年成名,或因自杀他杀、吸毒酗酒过量而骤然离世。

他们灵魂里天才和疯子的两面性相互碰撞,产生无限创意,也碰撞出危险的火花。他们敏感、忧愁,对外界刺激会产生更夸张的反应,也更容易产生压力、抑郁、抵触等负面情绪。

Over The Bridge 通过这个项目不仅仅是纪念 27 岁俱乐部的天才音乐家们,也希望全社会共同关注音乐人的心理健康,让这个俱乐部的规模别再扩大了。
在这里插入图片描述

Linux 常用命令大全(2025 最新版) 掌握这些命令,你已能应对80% 的 Linux 日常操作!更多高级技巧(如crontab定时任务、iptables防火墙配置)可参考手册(man 命令名)或官方文档。实践是学习命令的最佳方式,建议在虚拟机或云服务器中多动手操作! 阅读详情

相关推荐

一文详解SSL/TLS协议

SSL/TLS协议是保障网络通信安全的核心技术,其在应用层和传输层之间建立加密通道,文章系统梳理了TLS协议的发展历程、工作原理及最新进展

m0_50146396的博客 1万+

AI 让已故歌手重聚,再发4首原创新歌

来源 |HyperAI超神经作者 | 神经小兮头图 | 付费下载于视觉中国内容提要 非营利组织 Over The Bridge 让 AI 学习知名摇滚歌手的歌曲,并生成类似风格的新歌曲...

优快云人工智能头条 400

如何读懂CiteSpace图谱?科研小白必看的节点颜色/年轮/聚类解读手册

本文详细解析CiteSpace图谱的核心视觉元素,包括节点颜色、年轮和聚类标识,帮助科研人员准确解读数据分析结果。通过生物医学案例展示如何从图谱中识别关键文献和研究趋势,提供五步系统解读法和常见错误规避策略,助力科研小白快速掌握文献计量分析技巧。

weixin_29179311的博客 319

老照片修复转视频彻底火了,通过AI绘画+视频技术,只需三步超简单出片

最近网上突然爆火的老照片转成视频不知道大家有没有刷到。 这些都是通过AI绘画技术+AI视频图生视频技术完成的,先来看一下网上的成片吧 这一内容为什么会突然火起来呢?大概率是抓住了大家心里的一份情怀吧。 大家可以将家里面以前的黑白老照片,或者已故亲人的照片找出来制作成视频,重温一下与家人重聚的效果。

A13531922962的博客 2320

2024年下半年软考系统架构设计师案例分析题

摘要: 本文包含两个软件系统设计案例。案例一讨论了大语言模型智能系统的质量属性需求分析,识别了功能性、性能、可靠性等需求,并对比了ping/echo和心跳两种故障检测策略。案例二探讨了购物网站的缓存设计,包括Cache-Aside策略的数据读取/更新流程,以及解决缓存一致性的多种方案(消息队列、数据库插件、锁机制等)。此外还涉及Elasticsearch分词器的特点比较和RESTful架构实现前后端分离的原理。这些案例展示了软件架构设计中的质量属性权衡、缓存策略选择及系统解耦等关键技术考量。<|end

卿着飞翔 1052

dy创作者平台上传并发布视频

整体上来说不是很难,就是过程有点复杂。因为这个是别人给的单子,所以这里不放源码了。细致一点就可以搞定。如果要Signature算法,可私信,不免费。

记录一些web逆向的过程 1519

老照片修复转视频彻底火了,通过AI绘画+视频技术,只需三步超简单出片!AI绘画副业赚钱项目必看

最近网上突然爆火的老照片转成视频不知道大家有没有刷到。 这些都是通过AI绘画技术+AI视频图生视频技术完成的,先来看一下网上的成片吧。 这一内容为什么会突然火起来呢?大概率是抓住了大家心里的一份情怀吧。 大家可以将家里面以前的黑白老照片,或者已故亲人的照片找出来制作成视频,重温一下与家人重聚的效果。

A13531922962的博客 1380

YOLOv8中的可变形卷积改进 | 从DCNv1到DCNv3的多位置替换可变形卷积保姆级实操

可变形卷积(Deformable Convolution)最早由Dai等人在2017年提出,其核心思想是在标准卷积操作的基础上,引入可学习的偏移量(offsets),使卷积核能够自适应调整其采样位置,从而增强模型对目标变形的感知能力。return x本文通过深入探讨可变形卷积在YOLOv8中的应用,详细介绍了DCNv1、DCNv2和DCNv3的原理和实现,并通过实验验证了其在目标检测任务中的有效性。未来,我们将继续探索更多优化策略和技术,提升YOLOv8模型的性能,以应对更复杂的目标检测任务。

一键难忘的博客 4052

RNNoise-SpeexDSP-WebRTC使用说明

本文介绍RNNoise、SpeexDSP与WebRTC音频处理库的下载、调用及参数配置方法,适用于Android语音工程集成。RNNoise基于深度学习,适合非稳态噪声降噪,需48kHz输入;SpeexDSP支持多采样率与回声消除,适用于全双工场景;WebRTC提供轻量级窄带处理。三者可串联使用:麦克风信号先经前级降噪(RNNoise或SpeexDSP),再进入WebRTC媒体引擎进行编码。重点说明各库的典型应用场景、接口调用方式、关键参数调节策略及采样率转换注意事项,帮助开发者高效集成与优化语音处理链路。

知识共享,你我皆是知识的搬运工 239

RK3399平台开发系列讲解(内核入门篇)1.2、如何高效的阅读Linux内核设备驱动

内核开发在很大程度上并不是重新造“轮子”的过程,而是深入理解并尽量复用现有的内核设计框架,然后参照相似的功能模块去添加或改写某项需要的功能。在对内核整体框架以及某些子系统融会贯通以后,我们才有可能站在巨人的肩膀上去改进框架本身,实现自主创新。如果过分强调不必要的“自主创新”,可能会让内核的可维护性变差,最终结果反而得不偿失。 那么此次就分享就围绕如何高效的阅读内核驱动代码:

内核笔记 7342

【2025最新版】间接平差——以水准网平差为例 (python详细过程版)

水准网间接平差的python代码实现。博客长期更新,本文最新更新时间为:2025年5月20日。

点云侠的博客 1702

基于深度学习的商品评论情感分析系统-毕业设计

面向商品评论的中文情感分析系统,支持单条预测、批量分析、情感分布与关键词、报告导出。TextCNN、BiLSTM、Transformer 在同一词表、同一数据切分、同一种子与超参下公平对比,测试集 F1 分别为 0.9101、0.9089、0.9075。结论是这一规模下模型复杂度未带来收益,但误差结构不同。附技术栈、截图、文档预览与演示视频。

csbysj2020 158

【Qt开发】管理OpenGL上下文QOpenGLContext类及应用实践示例代码

QOpenGLContext 提供了一个简单、高效的接口来管理 OpenGL 上下文。本文详细介绍了 QOpenGLContext 的基本功能、常用方法、信号槽机制、高级应用技巧及常见问题的解决方法。通过这些介绍,读者可以更好地掌握和利用 QOpenGLContext 进行 OpenGL 渲染和管理实验。对于有特殊需求的开发者,也可以通过探索更多高级设置和优化策略,以满足具体的应用场景。

科技改变人类,技术成就未来 1875

Transformer 为什么能取代 RNN?从自注意力讲起

2017 年谷歌在《Attention Is All You Need》中提出 Transformer,核心是。它如今是 GPT、BERT、ChatGPT 的共同底座。

anew___的博客 979

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统(RT-DETR-L 模型)

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统,采用Django+Vue前后端架构,实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测,具备参数可调、数据可视化与统计分析功能,有效解决小目标漏检、误检及管理难问题,助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 232

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

图解循环神经网络(RNN)

RNN(循环神经网络)就是“带记忆的网络”:让网络拥有一块“记忆”,在处理当前数据时,能同时参考之前看过的内容;它不一次性看完全部输入,而是像人读书一样,一个字一个字地读,每读一个字就更新一次脑子里的记忆,然后用这份记忆去理解当前这个字。但便签一直在被改写,新信息不断挤占旧信息,传到第 40 步时,“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候,网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里(那个 1.5)。这三个困难的共同点:答案不在当前这一个字里,而在“前面那串东西”里。

技术管理两手抓,两手都要硬. 424

神经网络入门指南:从 CNN、RNN 到 Attention

神经网络的学习,本质是“预测—比较—纠错”的循环;CNN 通过局部连接与权重共享理解图像;RNN 通过隐藏状态传递上下文;LSTM 和 GRU 用门控机制管理记忆;Encoder–Decoder 把理解与生成拆成两个阶段;Attention 则让模型在每一步都能主动寻找最相关的信息。到这里,我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer,看看它如何摆脱 RNN 的顺序计算,又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 396

AI 学习第 15 课:变长序列不 pack 直接喂 RNN,隐状态全被 0 污染

NLP 的 batch 里句子长短不一,短句垫 0 补齐后直接喂 RNN,看似能跑,实际上每个 0 垫步都在更新隐状态——短序列的最后一步输出根本不是它真实句子的结果。这一课用 torch 2.15(

aifannihao的博客 160

CNN 卷积神经网络深度解析:卷积、池化与特征提取的底层原理

卷积核(Kernel),也叫滤波器(Filter),本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征:水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中,滤波器通常由人工设计。而在 CNN 中,卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 294

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似,从而直接估计出“谷底在哪”,而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”,LBFGS 还会看“最近几步坡度怎么变”,像用局部地形图来规划路线。训练 Transformer 时,有些层梯度大,有些层梯度小。如果用 Adam + L2,梯度大的参数反而可能被“少衰减”,正则效果不稳定;:你要下山,但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍,算出“绝对最陡”的方向才走一步。:还是下山,但这次你只问身边一个路人“哪边最陡”,然后就走。

技术管理两手抓,两手都要硬. 219

【无标题】无人机视角道路坑洞坑洼目标检测数据集深度学习 目标检测 无人机航拍 道路坑洞 路面病害 YOLO格式 数据集发布9032期

(一)类别构成该数据集聚焦单一类别——坑洞(类别 ID 为 0),任务指向明确,围绕无人机俯视视角下的道路坑洞目标开展检测标注。类别体系精简,与公路路面病害巡检的实际需求高度契合,图像中的坑洞样本可直接作为路面破损识别的核心正样本,便于对接道路养护排查流程。(二)数据数量数据集规模为 3285 张无人机俯视航拍图像,采用标准 YOLO txt 标注格式,标注框总计 4457 个,其中带有效标注的图片 2007 张,全部图片均带有有效标注。

qq_2529413168的博客 187

基于深度学习的猫图像目标检测方法研究:YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框,按固定比例划分并冻结清单;训练前在多个候选族中短训海选,确定YOLOv8s为主模型,经学习率搜索与显存标定后完成150轮训练,验证集mAP50达到0.92,并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统,提供图片、视频、摄像头三种识别方式,配套识别记录管理与统计大屏,形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 220

第 05/24 期:计算图与自动微分:深度学习如何计算梯度

本文系统阐述了神经网络训练中梯度计算的本质:损失对参数的敏感性。通过构建计算图,将复杂函数分解为基本运算,利用链式法则实现反向传播。核心在于反向模式自动微分——以一次前向计算为基础,通过传播输出对中间变量的敏感性,高效求得所有参数梯度。相比前向模式,反向模式在参数多、目标为标量的场景下更高效。计算图不仅适用于神经网络,也广泛适用于任意可微程序。关键思想是:梯度是局部导数与上游敏感性的乘积,分支路径的贡献需累加,从而保证导数计算的正确性与效率。

weixin_47502228的博客 331
上一篇: 「AI 质检员」在富士通工厂上岗,检测效率比人工提升 25%
下一篇: 考驾照选择 AI 教练,心态稳定不会骂人
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值