ਇੱਕ ਡਿਵੈਲਪਰ ਨੇ Hacker News 'ਤੇ ਇੱਕ 125-ਮਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ ਵਾਲਾ transformer ਪੋਸਟ ਕੀਤਾ ਹੈ ਜੋ ਬਿਨਾਂ ਕਿਸੇ ਕਲਾਉਡ ਕਨੈਕਸ਼ਨ ਦੇ, ਪੂਰੀ ਤਰ੍ਹਾਂ ਲੈਪਟਾਪ ਜਾਂ ਫ਼ੋਨ 'ਤੇ ਪਿਆਨੋ ਦੀਆਂ ਮੈਲੋਡੀਜ਼ ਨੂੰ ਆਟੋਕੰਪਲੀਟ (autocomplete) ਕਰ ਸਕਦਾ ਹੈ। ਸੰਗੀਤਕਾਰਾਂ ਨੂੰ ਹੁਣ ਹਰ ਵਿਚਾਰ ਨੂੰ ਨਿੱਜੀ ਰੱਖਦੇ ਹੋਏ, ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਨੋਟ-ਦਰ-ਨੋਟ ਸੁਝਾਅ ਮਿਲਦੇ ਹਨ।

ਡਿਵਾਈਸ 'ਤੇ ਚੱਲਣ ਵਾਲੀ ਮਿਊਜ਼ਿਕ AI ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਲੇਟੈਂਸੀ (Latency) ਰਚਨਾਤਮਕ ਪ੍ਰਵਾਹ ਨੂੰ ਖ਼ਤਮ ਕਰ ਦਿੰਦੀ ਹੈ। ਇੱਕ ਮਿਲੀਸਕਿੰਡ ਦੀ ਦੇਰੀ ਵੀ ਲੈਅ (groove) ਨੂੰ ਵਿਗਾੜ ਸਕਦੀ ਹੈ। ਮਾਡਲ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾਉਣ ਨਾਲ ਕੁਝ ਮਿਲੀਸਕਿੰਡਾਂ ਵਿੱਚ ਸੁਝਾਅ ਮਿਲ ਜਾਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਕੋਈ ਵੀ ਮਹਿਸੂਸ ਹੋਣ ਵਾਲੀ ਦੇਰੀ ਖ਼ਤਮ ਹੋ ਜਾਂਦੀ ਹੈ।

ਪ੍ਰਾਈਵੇਸੀ ਵੀ ਉਨੀ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਕਿਉਂਕਿ ਮਾਡਲ ਡਿਵਾਈਸ 'ਤੇ ਹੀ ਰਹਿੰਦਾ ਹੈ, ਇਸ ਲਈ ਇੱਕ ਕਲਾਕਾਰ ਦੇ ਸਕੈਚ ਕਦੇ ਵੀ ਉਸਦੇ ਆਪਣੇ ਹਾਰਡਵੇਅਰ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਜਾਂਦੇ।

ਆਫਲਾਈਨ ਸਮਰੱਥਾ ਇਸ ਟੂਲ ਨੂੰ ਕਿਸੇ ਵੀ ਰਿਹਰਸਲ ਸਪੇਸ, ਗਿਗ ਵੈਨਿਊ, ਜਾਂ ਰਿਮੋਟ ਸਟੂਡੀਓ ਵਿੱਚ ਕੰਮ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀ ਹੈ ਜਿੱਥੇ Wi-Fi ਕਮਜ਼ੋਰ ਹੋਵੇ ਜਾਂ ਨਾ ਹੋਵੇ। ਇੱਕ ਛੋਟਾ ਲੈਪਟਾਪ ਜਾਂ ਆਧੁਨਿਕ ਟੈਬਲੇਟ ਇੱਕ ਸਵੈ-ਨਿਰਭਰ ਰਚਨਾਤਮਕ ਸਹਾਇਕ ਬਣ ਜਾਂਦਾ ਹੈ।

ਮਾਡਲ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ

ਇਹ ਸਿਸਟਮ ਪਿਆਨੋ ਦੀ ਪਰਫਾਰਮੈਂਸ ਨੂੰ ਇੱਕ ਭਾਸ਼ਾ ਵਜੋਂ ਮੰਨਦਾ ਹੈ। ਇਹ MIDI ਈਵੈਂਟਸ—note-on, note-off, velocity—ਨੂੰ ਇੱਕ ਟੋਕਨ ਸੀਕੁਇੰਸ (token sequence) ਵਿੱਚ ਬਦਲਦਾ ਹੈ ਅਤੇ ਉਸ ਸੀਕੁਇੰਸ ਨੂੰ ਇੱਕ transformer ਵਿੱਚ ਭੇਜਦਾ ਹੈ। Transformers ਅਗਲੀ ਚੀਜ਼ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਮਾਹਰ ਹੁੰਦੇ ਹਨ, ਜਿਸਦਾ ਸੰਗੀਤ ਵਿੱਚ ਸਿੱਧਾ ਮਤਲਬ ਹੈ "ਅਗਲਾ ਨੋਟ ਕਿਹੜਾ ਆਵੇਗਾ?"

ਡਿਵੈਲਪਰ ਨੇ quantization ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ, ਜਿਸ ਨਾਲ ਹਰੇਕ ਵੇਟ (weight) ਨੂੰ ਘੱਟ-ਪ੍ਰੇਸੀਜ਼ਨ ਫਾਰਮੈਟ ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ ਗਿਆ ਹੈ। ਇਹ ਫਾਈਲ ਦੇ ਆਕਾਰ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਅਤੇ ਲੋੜੀਂਦੀ ਗਣਨਾ (computation) ਨੂੰ ਵੀ ਬਹੁਤ ਘੱਟ ਕਰ ਦਿੰਦਾ ਹੈ।

ਇਹ ਟੂਲ ਅਸਲ ਵਿੱਚ ਕੀ ਕਰ ਸਕਦਾ ਹੈ

  • ਮੈਲੋਡਿਕ ਟੁਕੜਿਆਂ ਲਈ ਅਗਲੇ ਹਿੱਸੇ ਦਾ ਸੁਝਾਅ ਦੇਣਾ, ਇੱਕ ਫਰੇਜ਼ ਨੂੰ ਸੰਗੀਤਕ ਤੌਰ 'ਤੇ ਇਕਸਾਰ ਰੱਖਦੇ ਹੋਏ ਵਧਾਉਣਾ।
  • ਕੀ ਸਿਗਨੇਚਰ (key signatures) ਅਤੇ ਸਕੇਲ ਦੀਆਂ ਸੀਮਾਵਾਂ ਦਾ ਧਿਆਨ ਰੱਖਣਾ, ਤਾਂ ਜੋ ਅਜਿਹੇ ਨੋਟਸ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕੇ ਜੋ ਸੁਣਨ ਵਿੱਚ ਅਜੀਬ ਲੱਗਣ।
  • ਆਲੇ-ਦੁਆਲੇ ਦੀ ਸ਼ੈਲੀ ਦੀ ਨਕਲ ਕਰਨਾ, ਚਾਹੇ ਇਨਪੁਟ ਇੱਕ ਜੈਜ਼ ਲਿਕ (jazz lick) ਹੋਵੇ, ਕਲਾਸੀਕਲ ਅਰਪੇਜੀਓ (classical arpeggio) ਹੋਵੇ, ਜਾਂ ਪੌਪ ਹੁੱਕ (pop hook) ਹੋਵੇ।
  • ਰਚਨਾਤਮਕ ਰੁਕਾਵਟਾਂ ਨੂੰ ਦੂਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨਾ, ਜਦੋਂ ਕੋਈ ਸੰਗੀਤਕਾਰ ਫਸਿਆ ਹੋਇਆ ਮਹਿਸੂਸ ਕਰਦਾ ਹੈ ਤਾਂ ਨਵੇਂ ਵਿਚਾਰ ਪੇਸ਼ ਕਰਨਾ।

ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿਸਟਮ ਨੂੰ ਇੱਕ ਟੈਕਸਟ ਐਡੀਟਰ ਵਿੱਚ ਆਟੋਕੰਪਲੀਟ ਫੀਚਰ ਵਾਂਗ ਕੰਮ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀਆਂ ਹਨ—ਸਿਰਫ਼ ਸੰਗੀਤ ਲਈ। ਇਹ ਇੱਕ ਸਹਾਇਕ ਸਾਥੀ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਮਨੁੱਖੀ ਫੈਸਲੇ ਦਾ ਬਦਲ।

ਮਾਡਲ ਦੀਆਂ ਸੀਮਾਵਾਂ

  • ਇਹ ਮਨੁੱਖੀ ਮਾਰਗਦਰਸ਼ਨ ਤੋਂ ਬਿਨਾਂ 64-ਬਾਰ ਦੇ ਟੁਕੜੇ ਵਰਗੀ ਪੂਰੀ ਲੰਬਾਈ ਦੀ ਰਚਨਾ ਤਿਆਰ ਨਹੀਂ ਕਰ ਸਕਦਾ।
  • ਇਹ ਬਿਲਕੁਲ ਨਵੇਂ ਜੈਨਰ (genres) ਨਹੀਂ ਬਣਾਉਂਦਾ; ਇਸਦਾ ਆਉਟਪੁੱਟ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੀਆਂ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਸੀਮਾਵਾਂ ਦੇ ਅੰਦਰ ਹੀ ਰਹਿੰਦਾ ਹੈ।

ਅਸਲ ਵਿੱਚ, ਸੰਗੀਤਕਾਰ ਅਜੇ ਵੀ ਸੁਝਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ, ਸੰਪਾਦਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਰੂਪ ਦਿੰਦੇ ਹਨ, ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਜਿਵੇਂ ਇੱਕ ਲੇਖਕ ਸਪੈਲ-ਚੈਕਰ