ഒരു ഡെവലപ്പർ Hacker News-ൽ 125 മില്യൺ പാരാമീറ്ററുകളുള്ള ഒരു ട്രാൻസ്ഫോർമർ (transformer) പോസ്റ്റ് ചെയ്തു. ഇത് ക്ലൗഡ് കണക്ഷൻ ഇല്ലാതെ തന്നെ ഒരു ലാപ്ടോപ്പിലോ ഫോണിലോ പിയാനോ മെലഡികൾ ഓട്ടോകംപ്ലീറ്റ് ചെയ്യാൻ സഹായിക്കുന്നു. സംഗീതജ്ഞർക്ക് അവരുടെ ആശയങ്ങൾ സ്വകാര്യമായി സൂക്ഷിച്ചുകൊണ്ട് തന്നെ തത്സമയം ഓരോ നോട്ടിന്റെയും നിർദ്ദേശങ്ങൾ ലഭിക്കുന്നു.

എന്തുകൊണ്ടാണ് ഓൺ-ഡിവൈസ് മ്യൂസിക് AI പ്രധാനമാകുന്നത്

ലേറ്റൻസി (Latency) സർഗ്ഗാത്മകമായ ഒഴുക്കിനെ തടസ്സപ്പെടുത്തുന്നു. ഒരു മില്ലിസെക്കൻഡ് വൈകിയാൽ പോലും സംഗീതത്തിന്റെ താളം നഷ്ടപ്പെടാം. മോഡൽ ലോക്കലായി പ്രവർത്തിപ്പിക്കുന്നത് വഴി ഏതാനും മില്ലിസെക്കൻഡുകൾക്കുള്ളിൽ നിർദ്ദേശങ്ങൾ ലഭിക്കുന്നു, ഇത് ഏത് ചെറിയ വൈകലിനെയും ഇല്ലാതാക്കുന്നു.

സ്വകാര്യതയും ഒരുപോലെ പ്രധാനമാണ്. മോഡൽ ഉപകരണത്തിൽ തന്നെ പ്രവർത്തിക്കുന്നതിനാൽ, ഒരു കലാകാരന്റെ സംഗീത രൂപരേഖകൾ (sketches) അവർ ഉപയോഗിക്കുന്ന ഹാർഡ്‌വെയറിൽ നിന്ന് പുറത്തേക്ക് പോകുന്നില്ല.

വൈഫൈ സൗകര്യമില്ലാത്തതോ കുറഞ്ഞതോ ആയ റിഹേഴ്സൽ സ്പേസുകൾ, കൺസേർട്ട് വേദികൾ, അല്ലെങ്കിൽ റിമോട്ട് സ്റ്റുഡിയോകൾ എന്നിവിടങ്ങളിൽ ഈ ടൂൾ ഉപയോഗിക്കാൻ ഓഫ്‌ലൈൻ കപ്പാസിറ്റി സഹായിക്കുന്നു. ഒരു ചെറിയ ലാപ്ടോപ്പോ ആധുനിക ടാബ്‌ലെറ്റോ സ്വയംപര്യാപ്തമായ ഒരു സർഗ്ഗാത്മക സഹായിയായി മാറുന്നു.

മോഡൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു

ഈ സിസ്റ്റം ഒരു പിയാനോ പെർഫോമൻസിനെ ഒരു ഭാഷയായി പരിഗണിക്കുന്നു. ഇത് MIDI ഇവന്റുകളെ—note-on, note-off, velocity—ഒരു ടോക്കൺ സീക്വൻസായി (token sequence) മാറ്റുകയും ആ സീക്വൻസ് ഒരു ട്രാൻസ്ഫോർമറിലേക്ക് നൽകുകയും ചെയ്യുന്നു. അടുത്ത ഇനം പ്രവചിക്കുന്നതിൽ ട്രാൻസ്ഫോർമറുകൾ മികച്ചവയാണ്, ഇത് സംഗീതത്തിൽ "അടുത്ത നോട്ട് ഏതാണ്?" എന്ന ചോദ്യത്തിന് നേരിട്ട് ഉത്തരം നൽകുന്നു.

ഡെവലപ്പർ ക്വാണ്ടൈസേഷൻ (quantization) ഉപയോഗിച്ച് ഓരോ വെയ്റ്റും (weight) കുറഞ്ഞ പ്രിസിഷൻ ഫോർമാറ്റിലേക്ക് മാറ്റി. ഇത് ഫയൽ സൈസ് കുറയ്ക്കാനും ആവശ്യമായ കമ്പ്യൂട്ടേഷൻ ഗണ്യമായി കുറയ്ക്കാനും സഹായിക്കുന്നു.

ഈ ടൂളിന് യഥാർത്ഥത്തിൽ എന്ത് ചെയ്യാൻ കഴിയും

  • തുടർച്ചകൾ നിർദ്ദേശിക്കുന്നു: ചെറിയ മെലഡി ഭാഗങ്ങൾക്ക് സംഗീതപരമായ ഒഴുക്ക് നിലനിർത്തിക്കൊണ്ട് തന്നെ അവയുടെ തുടർച്ചകൾ നിർദ്ദേശിക്കുന്നു.
  • കീ സിഗ്നേച്ചറുകളും (key signatures) സ്കെയിൽ നിയന്ത്രണങ്ങളും പാലിക്കുന്നു: സംഗീതത്തിന് ചേരാത്ത നോട്ടുകൾ ഒഴിവാക്കി കൃത്യമായ സ്കെയിലിൽ നിലനിർത്തുന്നു.
  • ശൈലികൾ അനുകരിക്കുന്നു: ഇൻപുട്ട് ഒരു ജാസ് ലിക്ക് (jazz lick), ക്ലാസിക്കൽ അർപെജിയോ (classical arpeggio), അല്ലെങ്കിൽ ഒരു പോപ്പ് ഹുക്ക് (pop hook) ആകട്ടെ, അതിന്റെ ശൈലി തന്നെ പിന്തുടരുന്നു.
  • സർഗ്ഗാത്മകമായ തടസ്സങ്ങൾ മാറ്റാൻ സഹായിക്കുന്നു: ഒരു സംഗീത സംവിധായകൻ ആശയരഹിതനാകുമ്പോൾ പുതിയ ആശയങ്ങൾ നൽകി സഹായിക്കുന്നു.

ഈ ഫീച്ചറുകൾ ഒരു ടെക്സ്റ്റ് എഡിറ്ററിലെ ഓട്ടോകംപ്ലീറ്റ് ഫീച്ചർ പോലെ സംഗീതത്തിനായി പ്രവർത്തിക്കുന്നു. ഇത് മനുഷ്യന്റെ തീരുമാനങ്ങൾക്ക് പകരക്കാരനായല്ല, മറിച്ച് ഒരു സഹായിയായിട്ടാണ് പ്രവർത്തിക്കുന്നത്.

മോഡലിന്റെ പരിമിതികൾ

  • മനുഷ്യന്റെ സഹായമില്ലാതെ 64-ബാർ നീളമുള്ള ഒരു പൂർണ്ണ സംഗീത സൃഷ്ടി നിർമ്മിക്കാൻ ഇതിന് കഴിയില്ല.
  • ഇത് തികച്ചും പുതിയ സംഗീത ശൈലികൾ (genres) സൃഷ്ടിക്കുന്നില്ല; ഇതിന്റെ ഔട്ട്പുട്ട് ട്രെയിനിംഗ് ഡാറ്റയുടെ സ്ഥിതിവിവരക്കണക്കുകളുടെ പരിധിക്കുള്ളിൽ മാത്രമായിരിക്കും.

പ്രായോഗികമായി, ഒരു എഴുത്തുകാരൻ സ്പെൽ-ചെക്കറിലെ വാചകങ്ങൾ തിരുത്തുന്നതുപോലെ, സംഗീതജ്ഞർ ഇപ്പോഴും നിർദ്ദേശങ്ങൾ വിലയിരുത്തുകയും തിരുത്തുകയും രൂപപ്പെടുത്തുകയും ചെയ്യുന്നു.

ഇതിന്റെ വിശാലമായ പ്രത്യാഘാതങ്ങൾ

സർഗ്ഗാത്മകമായ ജോലികൾക്കായി ഉപയോഗപ്രദമായ AI-ക്ക് ഇനി വലിയ ക്ലൗഡ് മോഡലുകളെ ആശ്രയിക്കേണ്ടതില്ലെന്ന് ഈ പ്രോജക്റ്റ് കാണിച്ചുതരുന്നു. മിതമായ വലിപ്പമുള്ള ഒരു ട്രാൻസ്ഫോർമറിന് സാധാരണ ഹാർഡ്‌വെയറിലും തത്സമയ സഹായം നൽകാൻ കഴിയും.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • കമ്മ്യൂണിറ്റി എക്സ്റ്റൻഷനുകൾ: ഡെവലപ്പർമാർക്ക് തങ്ങളുടെ പരിഷ്കരണങ്ങൾ പങ്കിടാൻ കഴിയുന്ന ഒരു ലേണിംഗ് കമ്മ്യൂണിറ്റിയുമായി ഒറിജിനൽ പോസ്റ്റ് ബന്ധപ്പെട്ടിരിക്കുന്നു.

ഇതിലെ പ്രധാന കാര്യം ലളിതമാണ്: മിതമായ വലിപ്പമുള്ള ഒരു ട്രാൻസ്ഫോർമറിന് പിയാനിസ്റ്റുകൾക്ക് ഉപയോഗപ്രദവും തൽക്ഷണവും സ്വകാര്യവുമായ സഹായം നൽകാൻ ഇതിനകം തന്നെ സാധിക്കുന്നുണ്ട്. നിങ്ങളുടെ ലാപ്ടോപ്പ് വിട്ടുപോകാതെ തന്നെ അടുത്ത നോട്ട് പറഞ്ഞുതരുന്ന ഒരു "കോ-പൈലറ്റിനെ" (co-pilot) നിങ്ങൾ ആഗ്രഹിച്ചിട്ടുണ്ടെങ്കിൽ, ആ ഭാവി ഇപ്പോൾ ഇവിടെ എത്തിക്കഴിഞ്ഞു.