Cách máy tính nhận diện thể loại của một bản nhạc

Máy tính thực ra "điếc" đặc, nó chẳng biết cảm thụ giai điệu là gì đâu. Thứ nó nhìn thấy không phải nốt nhạc, mà là một rừng dữ liệu hỗn loạn được gọi là phổ âm thanh.

Hãy tưởng tượng mỗi thể loại nhạc có một "dấu vân tay" riêng. Nhạc Rock hiện lên với những đường răng cưa sắc nhọn của guitar điện, còn Jazz lại là những dải màu loang lổ, nhảy nhót đầy ngẫu hứng.

AI chỉ việc băm nhỏ bản nhạc, đo đạc tần số và nhịp độ rồi đối chiếu với kho dữ liệu khổng lồ. Nó phân loại nhạc bằng toán học thuần túy, nhanh và chuẩn đến mức khiến các chuyên gia âm nhạc cũng phải dè chừng.

Ủa, vậy AI thực sự "nhìn" bản nhạc như một bức ảnh sao?

Chính xác! Thay vì nghe, AI biến âm thanh thành một tấm bản đồ nhiệt. Trục ngang là thời gian, trục dọc là cao độ, còn màu sắc đậm nhạt đại diện cho độ to nhỏ của âm thanh đó.

Với AI, một bài hát EDM sẽ trông giống như một tòa nhà chọc trời với các khối màu đặc khít, trong khi nhạc không lời lại thanh thoát như những sợi tơ mảnh.

Nó dùng chung một bộ não "nhận diện hình ảnh" để soi các họa tiết này. Nếu thấy các đường kẻ song song đều đặn, nó biết ngay đó là tiếng trống đang giữ nhịp.

Thế lúc cả dàn nhạc cùng đánh thì cái "bản đồ" đó trông như một đống rác à?

Không hề nha, nó giống như việc bạn nhìn vào một bức ảnh chụp ngã tư đường phố giờ cao điểm vậy. Dù xe cộ đông đúc, bạn vẫn dễ dàng phân biệt được đâu là xe buýt, đâu là người đi bộ dựa vào hình dáng và cách họ di chuyển.

Mỗi nhạc cụ đều để lại một "vân sóng" đặc trưng. Tiếng đàn bầu sẽ có những đường uốn lượn mềm mại, trong khi tiếng trống lại là những vệt thẳng đứng dứt khoát. AI sẽ bóc tách các lớp này ra như cách bạn gỡ từng lớp của một chiếc bánh sandwich vậy.

Nhờ toán học, nó lọc được các tần số chồng lấn lên nhau. Thay vì thấy một đống rác, AI thấy một bản thiết kế đa tầng, nơi mỗi nhạc cụ là một lớp dữ liệu riêng biệt được xếp chồng lên nhau một cách cực kỳ logic.

Nhưng nếu hai cây đàn giống hệt nhau cùng đánh một nốt thì sao?

Đó là lúc "vân tay" âm thanh phát huy tác dụng cực hạn. Dù cùng một nốt, nhưng cây đàn này có thể cũ hơn, dây đàn hơi rỉ, hoặc người chơi nhấn tay mạnh hơn một chút. Những chi tiết siêu nhỏ đó tạo ra các họa tiết sóng khác nhau.

Giống như việc bạn phân biệt hai người sinh đôi bằng nốt ruồi hay giọng nói vậy. AI không chỉ nhìn vào tần số chính, mà nó soi cả hàng nghìn họa âm – những gợn sóng phụ li ti đi kèm. Hiếm khi có hai âm thanh nào trùng khớp hoàn toàn đến từng pixel dữ liệu.

Vậy AI có 'đọc' được sự khác biệt giữa người thật và máy tính không?

Dễ ợt, vì máy tính thường... quá hoàn hảo. Một nốt nhạc do phần mềm tạo ra là một hàm toán học chuẩn đét, sạch bóng và không có nhiễu. Nó giống như một bức ảnh đã được cà mặt quá đà, trông rất "giả trân" dưới con mắt của thuật toán.

Trong khi đó, tay người luôn có những rung động sinh học không đồng nhất. AI chỉ cần quét tìm những sai số li ti trong cường độ và thời gian là biết ngay đó là hơi thở của con người. Với dữ liệu, sự hoàn hảo tuyệt đối chính là bằng chứng tố cáo máy móc.