ChatGPT ne explică bijuteriile muzicale create de AI

O voce răgușită, parcă afumată de nopți lungi și necazuri vechi, intră peste o chitară care miroase a lemn, praf și cârciumă. Ritmul se naște alene, cu eleganța puțin șchioapă a bluesului adevărat.

Titlul face deja jumătate din spectacol:

„I Ain’t Drunk, I’m Just Old” – „Nu sunt beat, sunt doar bătrân”.

Numai că bătrânul nu există.

N-a cântat în nicio tavernă din Mississippi, n-a îmbătrânit, n-a băut și n-a suferit.

A fost imaginat de inteligența artificială.

Un succes cu solist imaginar

YouTube marchează înregistrarea publicată de canalul Mississippi Willie drept conținut creat cu AI. Nu precizează însă ce aplicație a produs muzica.

Ar putea fi Suno, Udio sau un alt sistem performant. Cert este că nu mai ascultăm un experiment tehnologic stângaci, ci o producție capabilă să păcălească urechea și să convingă emoțional.

Mai întâi apare povestea

„I Ain’t Drunk, I’m Just Old” este mai mult decât un titlu inspirat.

În numai șase cuvinte apar un personaj, o scuză, o glumă și o tragedie discretă.

Acesta este, probabil, punctul de plecare al creatorului: o idee suficient de puternică pentru a susține un cântec.

Inteligența artificială poate inventa și titlul, și versurile, dar rezultatele memorabile apar atunci când cineva știe ce poveste caută și recunoaște o replică bună atunci când o întâlnește.

Cum arată comanda dată mașinii

Creatorul descrie universul sonor dorit:

blues arhaic din Delta Mississippi, club întunecos, ritm lent, chitară slide, muzicuță, contrabas, voce masculină uzată, interpretare imperfectă și o înregistrare care să pară scoasă dintr-o arhivă.

O comandă (prompt) ar putea suna astfel:

Blues brut din Delta Mississippi, anii ’30, cârciumă afumată, ritm lent și legănat, chitară slide, muzicuță, contrabas, voce masculină îmbătrânită, versuri melancolice și autoironice, interpretare live imperfectă, sunet prăfuit de disc vechi.

Ghidurile Udio recomandă exact această combinație: subiect, gen, atmosferă, tempo, instrumente și tip de voce. Cu cât indicațiile sunt mai coerente, cu atât modelul înțelege mai bine lumea în care trebuie să ne transporte.

Nu fură o chitară de aici și o voce de dincolo

AI nu funcționează ca un DJ care taie fragmente din sute de melodii și le lipește între ele.

În timpul ”antrenamentului”, modelul analizează cantități uriașe de muzică și descoperă relații statistice:

cum răspunde chitara vocii,

cum se rezolvă o frază melodică,

ce ritm aparține unui anumit gen

și ce combinații sonore produc tensiune, tristețe ori exuberanță.

El nu memorează doar cântece. Învață gramatica lor.

Muzica, transformată în vocabular

Sunetul este convertit într-o reprezentare numerică alcătuită din fragmente foarte mici – un fel de vocabular muzical.

Modelul anticipează apoi ce trebuie să urmeze, ținând cont de comandă, de versuri și de ceea ce a compus deja.

MusicGen, sistemul descris public de cercetătorii Meta, utilizează asemenea reprezentări muzicale comprimate, numite „tokeni”.

Principiul seamănă cu modul în care un model lingvistic construiește o propoziție cuvânt după cuvânt, numai că aici vocabularul conține ritm, armonie, timbru și textură sonoră.

Orchestra se naște odată cu melodia

Modelele comerciale actuale pot produce simultan compoziția, instrumentele, vocea, interpretarea și o mare parte din mixaj.

Nu se mai scrie întâi partitura pentru ca apoi alte programe să adauge chitara, tobele și solistul.

Sistemul poate genera întregul eveniment sonor dintr-o singură mișcare.

Lyria 3, dezvoltat de Google DeepMind, poate interpreta instrucțiuni despre ritm, aranjament, structură, atmosferă și tipul interpretării.

Solistul care nu s-a născut niciodată

Cel mai tulburător element rămâne vocea.

AI nu generează doar o melodie peste care așază un timbru sintetic.

Poate inventa un interpret întreg: culoarea vocii, respirațiile, răgușeala, ezitările, accentul, micile alunecări dintre note și întârzierile aproape insesizabile față de ritm.

Vocea aceea pare să ascundă o viață.

În realitate, ascunde un calcul extraordinar de bun.

Imperfecțiunea este efectul special

O voce perfectă ar suna artificial.

Una puțin obosită, cu margini aspre și respirații așezate în locurile potrivite, începe să sugereze o biografie.

Același lucru se întâmplă cu instrumentele.

Chitara nu trebuie să intre matematic în fiecare măsură. (vezi Eric Clapton)

Muzicuța poate întârzia puțin. (vezi… orice cântecel de blues clasic bine interpretat)

Ritmul se poate legăna. (așa cum reușea să sugereze, mereu, Charlie Watts de la ”Rolling Stones”)

O coardă poate părea atinsă prea tare.

Inteligența artificială a învățat că, pentru a părea umană, trebuie să simuleze inclusiv ezitarea omului.

Capodopera nu iese din prima apăsare

Imaginea romantică potrivit căreia cineva scrie o propoziție, apasă un buton și primește cântecul perfect este incompletă.

Platformele generează mai multe variante.

Udio, de exemplu, oferă două rezultate la fiecare comandă, după care utilizatorul poate modifica descrierea, versurile și structura. Udio – crearea unei melodii

Creatorul ascultă, respinge și reia procesul.

Poate genera douăzeci de voci până o găsește pe aceea care are viață.

Uneori schimbă un singur cuvânt; alteori aruncă totul și pornește din nou.

Omul devine producător și judecător

După alegerea variantei bune, începe montajul.

Creatorul poate păstra refrenul, înlocui o strofă, prelungi solo-ul de chitară, cere o introducere mai scurtă sau un final mai reținut.

Udio permite extinderea succesivă a unei compoziții, iar editorul Suno poate modifica versuri și înlocui anumite secțiuni.

(Udio – Extend Your Song, Suno – Song Editor)

AI produce posibilitățile.

Omul decide care dintre ele merită să supraviețuiască. Omul.

Cum ajunge cântecul la o oră și 41 de minute

Înregistrarea „I Ain’t Drunk, I’m Just Old” durează o oră și 41 de minute.

Este foarte puțin probabil ca întregul program să fi fost generat dintr-o singură comandă.

Cel mai probabil, avem o selecție de cântece și variații construite separat, apoi ordonate, prelungite și uniformizate pentru a crea impresia unui concert sau a unui album continuu.

Este montaj muzical, nu miracol instantaneu.

Un Mississippi care n-a existat niciodată

Muzica nu reconstituie cu adevărat sunetul anilor ’30.

Înregistrările autentice ale epocii erau mai sărace tehnic, mai înguste și mai ”accidentate”.

AI produce, mai curând, amintirea noastră cinematografică despre acel timp:

suficient praf, zgomot și uzură pentru autenticitate, dar și suficient bas, claritate și spațiu pentru urechea modernă.

Este un trecut îmbunătățit, lustruit exact cât să nu-și piardă rugina.

De ce ne prinde atât de repede

Modelul combină familiaritatea unui gen vechi cu noutatea unei melodii pe care n-am mai auzit-o.

Recunoaștem bluesul, cârciuma, omul obosit și umorul amar.

Dar nu putem spune că am mai ascultat exact acel cântec. Primim astfel satisfacția recunoașterii fără plictiseala repetiției.

Iar refrenul este construit pentru a se lipi imediat de memorie: simplu, inteligibil, repetabil și încărcat cu o poveste.

Emoția nu se află în mașină

Inteligența artificială nu știe ce înseamnă bătrânețea, alcoolul, singurătatea sau o noapte petrecută într-o tavernă.

Nu are amintiri și nu ascunde în voce nicio rană.

Dar a învățat extraordinar de bine cum se exprimă muzical toate acestea.

Cunoaște semnele exterioare ale emoției și le poate combina cu o precizie care provoacă emoție adevărată în ascultător.

Aici se află paradoxul: sentimentul nu există în interpret, pentru că interpretul nu există. Sentimentul se naște în noi.

Muzicianul care ar fi trebuit să existe

Creatorul uman aduce ideea, gustul și puterea de selecție.

Mașina aduce orchestra, solistul, studioul și mii de posibilități.

Fără om, AI poate produce kilometri de muzică impecabilă și uitabilă.

Fără AI, omul care nu cântă la niciun instrument și nu dispune de un studio nu și-ar putea auzi ideea interpretată astfel.

Dar când povestea este bună, instrucțiunile sunt inteligente, iar selecția se face cu ureche, rezultatul nu mai seamănă cu o demonstrație tehnologică.

Seamănă cu un muzician care ar fi trebuit să existe.