Riffusion incepta explicans versionem machinae discendi systematis Stabilis diffusionis, loco imaginum musicam generandi accommodatam. Musica componi potest ex descriptione textuum linguarum naturalium vel in proposito proposito fundato. Synthesis musicae components in Pythone utens compage PyTorch scriptae sunt et sub licentia MIT praesto sunt. Vinculum interface in TypeScript impletur et etiam sub licentia MIT distribuitur. Exemplaria exercitata licentiati sunt sub permissivo Creative ML OpenRAIL-M licentia ad usum mercatorum.
Consilium est interesting in eo quod pergit uti exempla "text-ad-image" et "image-ad-imago" ad musicam generandam, sed spectrogrammata ut imagines tractat. Aliis verbis, diffusio stabilis classica non in photographis et picturis exercetur, sed in imaginibus spectrogrammorum quae mutationes in frequentia et amplitudine soni fluctui supra tempus reddunt. Proinde spectrogrammum etiam in output formatur, quod deinde in repraesentationem audio convertitur.
Modus etiam adhiberi potest ad modificationem sanae compositionis et musicam ex exemplo componi, similis modificationis imaginis in Diffusioni Stabilis. Exempli causa, generatio potest spectrogramma specimen cum stilo referente, diversos stilos componere, lenis transitus ab uno stylo ad alium facere, vel immutationes soni exsistentis ad solvendas difficultates, sicut singulorum instrumentorum volumen augens, modulum mutans et mutans. instrumentis. Exemplaria etiam compositiones longae lusoriae generare solebant, compositae ex serie locorum inter se distantium quae leviter super tempus variant. Separatim locos generatos in continuum rivum coniunguntur utentes interpolationibus parametris internis archetypi.
FΕnestratum Fourieriani transformatio spectrogrammum ex sono creare adhibetur. Cum ex spectrogrammo sonum recreans, quaestio oritur cum Phase determinando (tantum frequentia et amplitudo in spectrogram adsunt), ad cuius refectionem approximatio algorithmus Griffin-Lim adhibetur.
Source: opennet.ru