همه محصولات

بررسی تمرین موسیقی با هوش مصنوعی

ضبط WAV تمرین‌تون رو از نظر زمان‌بندی، سرعت، پایداری زیر و بمی و بلندی صدا بررسی کنید، پیشنهاد تمرین بگیرید و دو اجرای مشابه رو مقایسه کنید.

بررسی تمرین موسیقی با هوش مصنوعی از یک فایل صدای آماده شروع می‌شه. اسکیل music-practice-buddy گزارش تمرین رو در محیط محلی آماده می‌کنه. ابزار محلی فایل WAV رو می‌خونه و چند ویژگی صدا رو تخمین می‌زنه تا درباره زمان‌بندی نت‌ها، سرعت اجرا، تغییر زیر و بمی و شدت صدا گزارش بده. ایجنت می‌تونه همون گزارش رو به پیشنهاد تمرین برای ساز و زمانی که مشخص می‌کنید تبدیل کنه.

این اسکیل برای مرور تمرین شخصی طراحی شده، نه داوری حرفه‌ای اجرا یا میکس و مسترینگ. امتیازها بر اساس محاسبه‌های تقریبی هستن و نباید جای گوش دادن دقیق یا نظر مدرس رو بگیرن. صدای محیط، افکت و تفاوت قطعه روی نتیجه اثر می‌ذارن. مقایسه دو ضبط از یک قطعه با شرایط نزدیک، برای دیدن تغییرها معنی بیشتری داره تا کنار هم گذاشتن امتیاز دو اجرای کاملا متفاوت.

کاربردها

  • گرفتن گزارش از یک ضبط تمرین
  • مقایسه سرعت تخمینی با سرعت هدف
  • بررسی تغییرهای زمان‌بندی نت‌ها
  • دیدن برآورد پایداری زیر و بمی
  • گرفتن پیشنهاد تمرین برای ساز مشخص
  • مقایسه دو ضبط از یک قطعه
  • مرور سابقه محلی جلسه‌های تمرین

نصب و استفاده

  1. اسکیل رو در ایجنت‌تون نصب کنید. ابزار به Python و فایل WAV نیاز داره؛ نصب NumPy می‌تونه تحلیل کامل‌تری در اختیارش بذاره. پردازش و سابقه تمرین در محیط محلی شما انجام می‌شن.
  2. یک ضبط بدون افکت و با صدای محیط کم بدید. مثلا بگید «این تمرین گیتار رو با سرعت هدف ۹۰ بررسی کنید و برای بیست دقیقه تمرین بعدی پیشنهاد بدید»؛ لطفاً فقط صدایی رو بدید که اجازه استفاده ازش رو دارید.
  3. گزارش رو همراه با گوش دادن به همون بخش‌ها مرور کنید. اگر نتیجه با چیزی که می‌شنوید جور نیست، کیفیت ضبط، چندصدایی بودن قطعه و محدودیت تخمین رو بررسی کنید؛ از یک عدد نتیجه قطعی درباره مهارت‌تون نگیرید.
  4. بعد از تمرین دوباره ضبط کنید و دو اجرای همون قطعه رو مقایسه کنید. فایل صدا و سابقه رو در محل خصوصی نگه دارید و برای دنبال کردن تغییرها، تا جایی که می‌شه شرایط ضبط رو ثابت نگه دارید.

سوالات متداول

منبع

ساخته Denis Voronin. نام اصلی: music-practice-buddy، منتشرشده در GitHub با مجوز MIT.

مشاهده در GitHub