Süni İntellekt Musiqisi üçün Açıq Mənbəli Adaptiv Mastering Aləti Hazırladım

Mastering adətən musiqiyə edilən son toxunuş kimi izah olunur.

Bu doğrudur.

Amma belə deyəndə iş əslində olduğundan daha sadə görünür.

Səsi bir az qaldır. EQ əlavə et. Bir az compression et. Axıra limiter qoy. Hazırdır.

Tam olaraq belə deyil. 😄

Yaxşı bir mastering zəncirinin əvvəlcə daha vacib bir suala cavab verməsi lazımdır:

Bu trekin əslində nəyə ehtiyacı var?

Adaptive Master-ı hazırlamağımın əsas səbəbi də məhz bu sual oldu.

Adaptive Master Python ilə yazdığım, tamamilə lokal işləyən və açıq mənbəli mastering mühərrikidir. İlk olaraq süni intellektlə hazırlanmış musiqilərdə, xüsusilə Suno export-larında tez-tez eşitdiyim problemlər üzərində işləmək üçün yaratdım. Amma sistem adi stereo mix-lərlə də işləyir.

Layihə GitHub-da MIT lisenziyası ilə açıq mənbə kimi yayımlanır. Yəni istifadə edə, kodu araşdıra, dəyişdirə, poza, inkişaf etdirə və ya onun üzərində tamamilə başqa bir sistem qura bilərsiniz.

GitHub: github.com/alesmcgregor/Mastering

Əsas fikir: əvvəl ölç, sonra işlət

Hər mahnıya kor-koranə eyni EQ əyrisini və eyni limiter parametrlərini tətbiq edən başqa bir mastering script-i hazırlamaq istəmirdim.

Piano balladası ilə sıx elektron trek eyni siqnal deyil.

Ona görə Adaptive Master əvvəlcə analiz edir.

Sistem bunlara baxır:

Spektral analizdə tez-tez edilən bir stereo analiz səhvindən də xüsusilə qaçdım:

Sol və sağ kanalı birbaşa toplamaq.

Əvəzində hər kanalın gücü ayrıca ölçülür, sonra orta dəyər alınır.

Beləliklə fazadan çıxmış stereo siqnal analiz zamanı sanki mövcud deyilmiş kimi yoxa çıxmır.

Kiçik detal kimi görünür, amma əslində vacibdir.

Mastering axını

Mühərrik kifayət qədər sadə məntiqlə işləyir:

1. Orijinal treki analiz et.

2. Ölçmələrə əsasən processing plan qur.

3. Yalnız həqiqətən lazım olan prosesləri işə sal.

4. Final WAV faylını yenidən ölç və texniki limitlərin hələ də qorunduğunu yoxla.

Yəni mastering zənciri tam sabit deyil.

Low-mid sahəsi normaldırsa, niyə ora toxunaq?

Stereo görüntü artıq sağlamdırsa, niyə genişləndirək?

Trek artıq sıx və yüksəkdirsə, limiter-a daha da çox basmaq onu niyə yaxşı etsin?

Bəzən ən ağıllı DSP qərarı:

demək olar ki, heç nə etməməkdir.

Suno Adaptive

Süni intellektlə yaradılan materiallarda ən çox istifadə etdiyim profilin adı Suno Adaptive-dir.

Burada loudness hədəfi sabit deyil.

Mühərrik mənbə trekin dinamikasına görə təxminən -14 ilə -12 LUFS arasında bir hədəf seçir.

True Peak tavanı isə -1 dBTP olaraq saxlanılır.

Limiter təzyiqi də bilərəkdən məhdudlaşdırılıb. Yəni sistem nəyin bahasına olursa olsun hədəf LUFS dəyərinə çatmağa çalışmır.

Bu vacibdir.

Əgər həmin hədəfə çatmaq dinamikanı öldürəcəksə, sistem daha aşağı səs səviyyəsində qala bilər.

Çünki LUFS bir ölçüdür.

Yüksək bal deyil.

Arxa planda baş verən bəzi şeylər

Mastering zəncirinin daxilində bir neçə kiçik düzəldici alət var. Amma onlar yalnız analiz həqiqətən lazım olduğunu göstərdikdə işə düşür.

Qısa clipping bölgələrinin bərpası

Mühərrik ardıcıl olaraq full-scale səviyyəsinə çox yaxın sample-lar taparsa, çox qısa clipping hissələrini bərpa etməyə çalışa bilir.

Bərpa təxminən 3 millisaniyə ilə məhdudlaşdırılıb və slope-aware cubic interpolation istifadə edir.

Bu, möcüzəvi bərpa sistemi deyil.

Clipping məlumatı həqiqətən məhv edibsə, heç bir alqoritm orijinal waveform-un necə göründüyünü bilə bilməz.

Bu daha çox böyük bir rəsmi sıfırdan çəkmək yox, zədələnmiş kiçik bir kənarı yumşaltmaq kimidir.

Dinamik mud nəzarəti

Əgər 120–400 Hz sahəsi həddindən artıq sıxlaşırsa, mühərrik həmin zonanı daimi EQ cut ilə kəsmək əvəzinə dinamik şəkildə azalda bilər.

Kanallar linked işləyir. Beləliklə stereo balans ayrı-ayrılıqda çəkilib pozulmur.

Maksimum azalma da bilərəkdən kiçik saxlanılıb:

təxminən 1.2 dB.

Bu layihədə tez-tez təkrarlanan bir prinsip var:

kiçik düzəlişlər > dramatik müdaxilələr

Sərtlik nəzarəti

Suno Adaptive təxminən 2.5–8 kHz aralığındakı aqressiv peak-ləri də izləyə bilir.

Bu da statik treble cut deyil.

Problem varsa müdaxilə edir.

Problem yoxdursa toxunmur.

Düzəliş təxminən 1.4 dB ilə məhdudlaşdırılıb.

Trekin xarakterini yastılamaqdansa bir az qüsurun qalmasını üstün tuturam.

Stereo formalaşdırma

Stereo widening məsələsində də ehtiyatlı yanaşmaq istədim.

Mühərrik əvvəlcə stereo correlation və Side/Mid enerji balansına baxır.

Yalnız həqiqətən dar olan və faza baxımından təhlükəsiz görünən treklər genişləndirməyə namizəd olur.

Orada da dəyişiklik böyük deyil:

yuxarı Side məlumatına təxminən 5–8% genişlik əlavə olunur.

Təxminən 90 Hz-dən aşağı low-end isə mərkəzdə saxlanılır.

Çünki hər şeyi “super wide” etmək, bir şeyi on saniyə təsirli göstərib sonra hər yerdə qəribə səsləndirməyin ən sürətli yollarından biridir.

Reference mastering — amma nəzarətlə

Referans treklər faydalıdır.

Songmastr kimi servislər daha çox referans əsaslı yanaşmadan istifadə edir. Songmastr Matchering üzərində qurulub və frequency response, RMS, peak level və stereo width kimi parametrləri verilən referansa yaxınlaşdırmağa çalışır.

Adaptive Master da referans dəstəkləyir.

Amma burada daha konservativ yanaşma seçdim.

Referans track verdikdə mühərrik geniş tonal sahələri müqayisə edir və fərqin yalnız təxminən 35%-ni, sərt gain limitləri daxilində tətbiq edir.

Referansdan çıxarılan loudness hədəfi də təhlükəsiz aralıqda saxlanılır.

Niyə?

Çünki istədiyim bu deyil:

“Mənim trekimi bu trekə çevir.”

Mən daha çox bunu istəyirəm:

“Mənim trekim bu referansdan harada ciddi şəkildə fərqlənir? Onu göstər və məni ehtiyatla həmin istiqamətə yaxınlaşdır.”

Referans fotokopi maşını deyil, kompasdır.

Və təbii ki, referans seçimi çox önəmlidir.

Minimal instrumental treki vokal ağırlıqlı kommersiya pop master ilə müqayisə etsəniz, tamamilə yanlış nəticələr ala bilərsiniz.

Songmastr da öz referans tövsiyələrində eyni praktik məqama diqqət çəkir.

Profillər

İstəsəniz sistemi sadə istifadə edə, istəsəniz fərqli profillərlə təcrübə edə bilərsiniz.

Kommersiya servislərindən ilhamlanan bu profillər onların proprietary alqoritmlərinin kopyası deyil.

Həmin platformaların real DSP parametrləri açıq deyil.

Buradakı profillər ictimai şəkildə təsvir edilən davranışlardan və mənim öz kalibrasiyamdan çıxan müstəqil profillərdir.

Sonda nə baş verir?

EQ, optional dinamik processing və gain staging bitəndən sonra siqnal true-peak brickwall limiter-a gedir.

Amma proses burada dayanmır.

Render olunan nəticə 4× oversampling ilə ayrıca yenidən ölçülür.

Əgər reconstructed true peak hələ də nəzərdə tutulan limiti keçirsə, export edilməzdən əvvəl çıxış səviyyəsi yenidən düzəldilir.

Sonra master belə yazılır:

24-bit WAV + TPDF dither

Audio fayl ilə yanaşı Adaptive Master JSON report da yaradır.

Orada bunlar görünür:

• prosesdən əvvəlki ölçmələr

• verilən mastering qərarları

• render məlumatları

• final ölçmələr

• xəbərdarlıqlar

Yəni:

“AI mastering etdi.”

demək əvəzinə, həqiqətən nə etdiyini görə bilərsiniz.

Mən bunu daha çox sevirəm.

Quraşdırma

Hazırda layihənin ən rahat setup təcrübəsi Windows-dadır.

Kompüterinizdə Git və Python olmalıdır.

Terminal açıb repository-ni clone edin:

git clone https://github.com/alesmcgregor/Mastering.git
cd Mastering

Windows-da sonra:

setup.bat

işə salın.

Setup script lokal Python virtual environment yaradır və requirements.txt daxilindəki sabitlənmiş dependency-ləri quraşdırır.

Layihə hazırda bunlardan istifadə edir:

NumPy · Spotify Pedalboard · pyloudnorm · SciPy · Flask · Waitress

Quraşdırma bitəndən sonra web interfeysini açmaq üçün:

web.bat

işə sala bilərsiniz.

Brauzerdə bu ünvan açılmalıdır:

http://127.0.0.1:8765

Server yalnız localhost üzərində işləyir.

Yəni mastering interfeysi default olaraq internetə açıq deyil.

Yüklədiyiniz audio fayllar da xarici mastering API-sinə göndərilmir. Hamısı lokal project workspace daxilində qalır.

Bu mənim üçün vacib idi.

Bitməmiş musiqiniz öz kompüterinizdə qalsın.

Command line ilə istifadə

Brauzer interfeysi daha rahatdır.

Amma avtomatlaşdırma üçün CLI olduqca faydalıdır.

Sadə mastering:

master.bat "C:\Music\track.wav"

Suno Adaptive ilə:

master.bat "C:\Music\track.wav" --profile suno-adaptive

Referans ilə:

master.bat "C:\Music\track.wav" --profile suno-adaptive --reference "C:\Music\reference.wav"

Master yaratmadan sadəcə analiz də edə bilərsiniz:

.venv\Scripts\python.exe master.py "C:\Music\track.wav" --analyze-only

Bu zaman sistem ölçmələri və mühərrikin seçəcəyi mastering planını göstərən report hazırlayır.

Məncə bu eyni zamanda mastering öyrənmək üçün yaxşı üsuldur.

Rəqəmləri görürsünüz.

Treki dinləyirsiniz.

Fikir yürüdürsünüz.

Processing edirsiniz.

Sonra nəticəni müqayisə edirsiniz.

Web interfeysi

Lokal web app eyni mastering mühərrikini daha rahat workflow ilə təqdim edir.

Treki drag-and-drop edə bilərsiniz.

İstəsəniz referans əlavə edə bilərsiniz.

Profil seçə bilərsiniz.

Intensity və tonal direction dəyərlərini dəyişə bilərsiniz.

Nə etdiyinizi dəqiq bilirsinizsə LUFS və true-peak target-ləri manual override etmək də mümkündür.

Proses bitdikdə interfeys sizə:

• before ölçmələri,

• after ölçmələri,

• Original / Mastered A/B müqayisəsini

göstərir.

Tətbiq eyni anda yalnız bir mastering job işləyir, amma lokal job queue sayəsində interfeys responsive qalır.

Cloud hesabı yoxdur.

İnternetdə haradasa upload queue gözləmirsiniz.

Sadəcə localhost və sizin CPU.

Laptop'um arada bundan şikayət edir, amma heç olmasa niyə şikayət etdiyini bilir. 🙂

Bir vacib məhdudiyyət

Mastering hər şeyi düzəldə bilməz.

Stereo WAV faylında artıq ayrıca:

• vokal stem-i,

• kick stem-i,

• gitar stem-i,

• synth kanalları

yoxdur.

Əgər vokal mix-də 6 dB aşağıdırsa, mastering birdən mixer-a giriş əldə etmir.

Clipping məlumatı məhv edibsə, həmin məlumat hardasa gizlənib bərpa olunmağı gözləmir.

Həmçinin bir alqoritm tək bir stereo fayldan hər janrın bədii niyyətini mükəmməl başa düşə bilməz.

Məhz buna görə Adaptive Master həddindən artıq cərrahi qərarlardan bilərəkdən uzaq durur.

Ölçə bildiyini ölçür.

Limitli və təhlükəsiz qərarlar verir.

Sonra isə yenə qulaqlarınızı istifadə edirsiniz.

Bu son addım hələ də məğlub edilməyib.

Açıq mənbə olması o deməkdir ki, bu layihə hələ bitməyib

Adaptive Master MIT lisenziyası ilə yayımlanır.

Yəni bu layihənin qapalı qara qutu olmasını istəmirəm.

Fork edin.

DSP kodunu oxuyun.

Qəribə materiallarda test edin.

Yeni profil yaradın.

Ölçmələri yaxşılaşdırın.

Pis etdiyim bir şey tapsanız, daha yaxşı implementasiya yazıb göndərin.

Layihədə artıq bunları yoxlayan avtomatik testlər var:

• true-peak ceiling

• qısa clipping bərpası

• stereo davranış

• sıx mənbələrin qorunması

• 24-bit output

• reference handling

• profil controls

Amma texniki testlər bir şeyin yaxşı səsləndiyini sübut edə bilməz.

O hissədə musiqinin hələ də insana ehtiyacı var.

Və açığı, ümid edirəm həmişə belə qalar.

Layihə: Adaptive Master
Mənbə: github.com/alesmcgregor/Mastering
Lisenziya: MIT