Deep Learning Machine risolve il problema del cocktail party

L'effetto cocktail party è la capacità di concentrarsi su una specifica voce umana mentre si filtrano altre voci o rumori di sottofondo. La facilità con cui gli esseri umani eseguono questo trucco smentisce la sfida che scienziati e ingegneri hanno dovuto affrontare nel riprodurlo sinteticamente. In generale, gli esseri umani superano facilmente i migliori metodi automatizzati per individuare le voci.

Un problema di cocktail party particolarmente impegnativo è nel campo della musica, dove gli esseri umani possono facilmente concentrarsi su una voce che canta sovrapposta a un sottofondo musicale che include un'ampia gamma di strumenti. In confronto, le macchine sono scarse in questo compito.

Oggi, le cose stanno cambiando grazie al lavoro di Andrew Simpson e dei suoi amici dell'Università del Surrey nel Regno Unito. Questi ragazzi hanno utilizzato alcuni dei più recenti progressi associati alle reti neurali profonde per separare le voci umane dallo sfondo in un'ampia gamma di canzoni.

Il loro approccio mostra gli enormi progressi compiuti negli ultimi anni nell'apprendimento automatico e nelle reti neurali. E apre la strada a una soluzione più generale al famoso problema del cocktail party che dovrebbe consentire, tra l'altro, di separare facilmente le voci dalla musica che accompagnano.

Il metodo che usano questi ragazzi è relativamente semplice. Iniziano con un database di 63 canzoni che sono disponibili come un insieme di singole tracce che contengono ciascuna uno strumento o una voce diversi, così come la versione completamente mixata della canzone.

Simpson e compagni dividono ogni traccia in segmenti di 20 secondi e creano uno spettrogramma per ciascuno che mostra come le frequenze del suono variano nel tempo. Il risultato è una sorta di impronta digitale univoca che identifica lo strumento o la voce.

Creano anche uno spettrogramma della versione completamente mixata della canzone. Questo è essenzialmente tutti gli spettrogrammi dei componenti sommati.

Il compito di individuare una voce da questa miscela è essenzialmente il compito di separare lo spettrogramma unico della voce dagli altri spettrogrammi presenti.

Simpson e compagni hanno addestrato la loro profonda rete neurale convoluzionale a fare esattamente questo. Hanno usato 50 di queste canzoni per addestrare la rete, mantenendo le restanti 13 per testarla. In totale ciò ha generato più di 20.000 spettrogrammi a scopo di addestramento.

Il compito per la rete neurale era semplice. Come input, gli hanno fornito lo spettrogramma completamente misto e si aspettavano che producesse, essenzialmente, lo spettrogramma vocale come output.

Il compito in questo tipo di apprendimento automatico è l'ottimizzazione dei parametri. La loro rete neurale profonda ha un miliardo di parametri che devono essere regolati in modo da produrre l'output desiderato.

Questo processo di ottimizzazione, o apprendimento, avviene per iterazione. Quindi la rete inizia con questi parametri impostati in modo casuale e quindi migliora gradualmente le impostazioni ogni volta che esegue la scansione del database, cosa che ha eseguito in oltre cento iterazioni.

Avendo trovato una buona configurazione per la rete, Simpson e compagni gli hanno dato le 13 canzoni che non avevano mai visto prima per testare quanto bene potesse separare la voce dal mix.

Le uscite si sono rivelate impressionanti. Questi risultati dimostrano che un approccio convoluzionale di rete neurale profonda è in grado di generalizzare la separazione della voce, appresa in un contesto musicale, a nuovi contesti musicali, afferma il team.

Simpson e compagni hanno persino confrontato i loro risultati con quelli di un algoritmo di cocktail party convenzionale applicato agli stessi dati. Il principale vantaggio della rete neurale profonda sembra essere nel suo apprendimento generale di cosa siano i suoni 'vocali', dicono.

In altre parole, dopo aver appreso come suona una voce, una rete neurale profonda può utilizzare queste informazioni per selezionare altre voci da un mix. Ma quanto sia buono questo approccio rispetto alle prestazioni umane, non lo dicono.

Un'applicazione immediata è la produzione di brani musicali meno voci per macchine karaoke. Questo è chiaramente un... err... un obiettivo importante, ma ci sono anche implicazioni più ampie.

Le reti neurali profonde stanno rivoluzionando l'apprendimento automatico in un'ampia gamma di aree. Fino a poco tempo, gli esseri umani avevano un chiaro predominio nelle attività di riconoscimento di schemi come il riconoscimento facciale e il riconoscimento di oggetti. Tale vantaggio è stato considerevolmente ridotto e in alcuni casi perso del tutto.

Ora le macchine stanno recuperando terreno nell'area dei problemi dei cocktail party e solo un pazzo scommetterebbe contro il loro trionfo in un futuro non troppo lontano.

Rif: arxiv.org/abs/1504.04658 : Deep Karaoke: estrazione di voci da miscele musicali utilizzando una rete neurale profonda convoluzionale

nascondere