基于这个开源小项目，做哪些受欢迎的 ChatGPT 插件模型？

[829939]

本人研二，专业深度学习音频领域研发，去年在校做了一个开源小项目，是关于音频特征提取和分析的，可以针对音频领域的各种业务做原型开发，目前规划的音频领域的研究任务方向：

1. 智能调音器， 针对吉他弦乐乐器的调音，识别音高和拨动的哪一根琴弦，
2. 旋律提取，从音乐音频中识别旋律音高轮廓，主要针对人声唱歌主旋律声音的基频提取，
3. 音轨分离，从音乐音频中分离出人声，钢琴、吉他、鼓、贝斯等多个乐器声音
4. 和弦估算，识别音乐音频中和弦，和弦类型有大小三、挂 2/4 、属七、属九和弦以及各个类型的转位，包括起始和持续时间
5. 钢琴转录，针对钢琴乐器音频的复音识别，确定复音的端点、音高组合、持续时间，转录为 midi 或曲谱
6. .....

如果做成 ChatGPT 插件模型哪些会更受欢迎？这些方向应用场景和需求怎么样？
欢迎大家参与论讨或给出新的方向建议！！！ 后续按大家讨论建议汇总， 确认几个研究方向后按优先级逐步开发实现并开源贡献。

项目地址： https://github.com/libAudioFlux/audioFlux

[chatWell1]

和弦估算吧，我觉得这个应用价值广泛，和 chat 结合后，传音频就能出来和弦进行数据吗？

[829939]

@chatWell1 是的，目前我这个小项目是可以实现这个功能的。chat 这边我还需要看下文档。

[CMLab]

给 chat 一个 mp3 , 使用你的插件模型 音轨分离 --->旋律提取（人声）+和弦估算（伴奏）---->钢琴转率（不一定钢琴乐器），这些走通，估计 chat 上会飘起来

[dark009]

我感觉目前的音轨分离方案在处理复杂音乐时效果还不够理想，希望能够有更加准确的算法和模型来解决这个问题

[xbcslzy]

目测新一波炼丹需求要来了

[829939]

@dark009 音轨分离一般常用的做法是频域掩码，最简单的就是二值化掩码，有很多这块定向算法的研究，典型的如 NMF 算法相关的有很多种，很多也取得不错的效果，但效果好的还是使用深度学习训练频域掩码，也是这些年音频领域研究的热点之一。

[829939]

@CMLab 大佬提的这一套能实现下来确实能方便很多音乐学生？

[chatWell1]

@xbcslzy 音频音乐领域的盛宴估计要开始了

[chatWell1]

@CMLab 厉害，这个能走通，目测能火

[dark009]

@CMLab 这个想法非常棒啊

[ManxCat]

音轨分离和和弦估算最受欢迎吧 但是成年人不做选择,我全要

[CMLab]

@829939 我觉得音乐生成这个业务和方向，是个热点，楼主可以考虑下这个点的研发

[CMLab]

@ManxCat 成年人，爱音乐的话， 我觉得可能调音器最重要😃

[chatWell1]

@829939 @CMLab 加上音频指纹这个模型，估计更好玩

[collinmehle]

@CMLab 调音器只针对了部分乐器领域 不够通用

[Aloento]

玩音乐的表示你这个出来了记得踢我，简直不要太棒

[829939]

@chatWell1 音频指纹确实是不错的想法。这个库可以帮助你实现。两种方式：1 、基于时频分析的方式，2 、基于深度学习的方式。 都可以用到库里提供的方法提取一些音频特征。

[CMLab]

@collinmehle 音轨分离这些可能对老师或 B 端这样的用户有用，调音器单说吉他这一块，做出智能的模型和 chat 相结合，全球吉他用户估计都会碾压式测试，和音轨分离目标用户不是量级

[chatWell1]

@829939 大佬，这个方向我投你深度学习的模型做出来开源，会在这个 github 地址上开源吗

[fanjk]

@829939 我一直想做一个关于音乐情绪分类的模型，不知道如何下手。大佬可否给个思路？

[829939]

@fanjk 这需要对大量音频数据进行特征提取，对数据进行标注，打上情感标签。然后建立机器学习模型，对标注好的数据进行训练。然后就可以针对你的音频进行情感预测。

[zhhanging]

现在手机上的调音器 app 就可以有 1 的效果了呀，而且调音功能是免费的，我用的是 guitartuna

[829939]

@zhhanging 你说的没错。市面上确实有一些还不错的调音器 APP 。 但是并没有发现能识别你弹奏的是哪一根弦的，而是根据识别到的音高频率 简单的归到临近频率的弦上。 这对吉他新手 或者“新琴”很不友好，识别错弦的话 很容易让人把弦条断。
这里就可以根据每根弦的声乐特征进行训练，可以识别出用户弹奏的是哪一根弦，进而提示该调高还是调低。
另外这个做出来也将是开源的。guitartuna 好像还有些付费限制。

[james0517]

我想训练模型，可是我的垃圾显卡不太想，40 系显卡太贵了 - - 还有什么推荐吗

[chatWell1]

@zhhanging "识别音高和拨动的哪一根琴弦"，大佬想表达应该不止音高，还有确认是哪一根弦发出的，目前市面上 app 大多估计都是基于纯粹的频率音高做的，对新手可能不太友好，某些情况下弦可能调断或越调越低

[CMLab]

@james0517 goole 免费的 Colab 可以白嫖，就是有时候可能不太稳定

[james0517]

@CMLab Colab 我看过，感觉有点麻烦。 我本地大量数据集还要上传到 google ，费流量。
还是想在本地跑。 有没有显卡推荐

[fanjk]

@james0517 4070 快出了，我想买，但是看 amd 的性价比更好，就是不知道对于训练来说兼容性如何？

[xbcslzy]

@fanjk 3080 3090 性价比高一些

[fanjk]

@xbcslzy 30 系都是矿吧

[CMLab]

@james0517 找二手 A100 试试

[s0nnse]

1 无用，很多调音设备已经具备这个功能了，并不复杂。推荐自动扒歌、音画分录的音轨自动对齐，根据视频里的手势自动识别和弦、自动生成简谱，根据录屏自动教学、纠错。

[diggerdu]

分离转谱这些技术都相对成熟了

[chatWell1]

@diggerdu @829939 分离相对成熟一些，一般最多人声，钢琴、bass 、鼓、其它，如果加上吉他等其它乐器延展一下就更好了；转谱这块成熟的不多，这里面涉及到一个 multi-pitch 以及多声部端点侦测的问题，目前这块没有太好的，大佬可以尝试这方面的研究，这也是一直是 MIR 领域比较难啃的一个点

[insmoin]

钢琴转录 midi 好几年前就有了 你可以优化下 字节开源的 https://github.com/bytedance/piano_transcription

[findex]

@CMLab 我现在用的 mac 上某免费软件，可以体验所有功能。

[829939]

@insmoin 感谢推荐。我试试效果

[CMLab]

@insmoin 这个早起有关注过，网络结构上采用常用的 CRNN+联合损失函数，给的 demo 也不错，之前录了一把小星星实测一把，效果不理想，比 demo 差远了，我怀疑是不是某种过拟合了，还是真实录制的钢琴（ the one ）就是有问题，大佬有实测使用过感受效果吗？

[CMLab]

@829939 @insmoin 转录这块，我发现台湾某一个大学出的一个 omnizart 项目还算能出一些效果，和弦识别这块貌似只有大小三和弦，转录这块要成熟应用还有不少差距（实测节奏、音高这些都或多或少有问题），本项目是基于现有音轨分离、chord 识别一些开源项目基础上二次训练而成的，大佬研究这块可以借鉴一下

[xbcslzy]

@fanjk 高端的矿少一些 特别是 12G 版本的, 而且 30 系是最后一代 sli 了 后边扩 2 卡 4 卡不知道 40 系能不能搞

[james0517]

@fanjk AMD 做机器学习还是算了：工具链匮乏、库资源匮乏、开发和迭代兼容性的代价较大。
4070 可以看看

[stonepy]

@829939 好的，谢谢大佬

[CMLab]

@findex 可以分享一下这款软件，我看之前是否有体验过

[chatWell1]

@829939 音频指纹深度学习方式如何做，大佬可否给个思路建议？

[zw1234]

能否用 chatgpt 生成歌词和旋律，然后合成歌曲，ai 写歌...

[829939]

@chatWell1 音频指纹上面有提到两种方式：1 、基于时频分析的方式，2 、基于深度学习的方式。 都可以用到库里提供的方法提取一些音频特征。

[829939]

@zw1234 chatGPT 目前应该可以生成歌词和旋律，接着还可以给旋律配乐，目前输出只能是文本形式，更成熟的生产力可能需要更专业的 prompt 和后续 audio 输出的支持。

[xbcslzy]

看评论区这些如果实现了又要释放一波生产力了, 不过最近 B 站多位博主暂时停更了 要开始反对 AI 了

[clemente0620]

能做乐器迁移吗? 比如 吉他换成钢琴

[chatWell1]

@clemente0620 google Magenta 这个项目有你所说的类似功能

[olderwang]

好奇，是否可以做声音的音色模拟啥的，通过输入目标音频，提取对应的音色，然后赋值给新的视频中对应的音频，感觉这个功能可以做些热门视频本地方言化，在地方论坛或者抖音地方中获取不错的流量

[ppxiale]

@olderwang 我觉得你这个可以有，小时候我们那边什么士兵突击方言版、各种热门电影的方言版片段都挺火的，不过我觉得这块可能还有个问题不好解决，就是方言对应的语料库这些，类似于语言翻译这块，不仅仅是声音音色识别，口音只是方言的一个特色，很多语义其实也需要解决

[olderwang]

@ppxiale 嗯，是这样，音频领域和文字领域很多都是相辅相成的，入口出口都有很大价值，能操作的点还是很多的，期待大佬们的作品

[insmoin]

@CMLab GUI 版 https://github.com/azuwis/pianotrans/ 还原度能达到 90%以上吧, b 站搜 AI 扒谱能搜到很多, 只能是钢琴的

[insmoin]

@CMLab "给 chat 一个 mp3 , 使用你的插件模型 音轨分离 --->旋律提取（人声）+和弦估算（伴奏）---->钢琴转率（不一定钢琴乐器），这些走通，估计 chat 上会飘起来"

今天看到个 HuggingGPT 通过特定的 prompt 来分解用户需求成不同任务, 调用多种绘画 AI 来实现类似多模态的功能 思路挺不错的 我觉得这个思路可以拿来实现你说的这个
https://www.bilibili.com/video/BV1mT411s7Qr