编辑:杜伟、蛋酱
Rapper 要酝酿一整天的歌词,AI 或许几分钟就能写出来。
给你一段 Rap,你能看出这是 AI 写的吗?
仔细品味,也能创造这段词中的美中不敷之处,但这作词水平可以说是不错的。
同样的第一句,可以迅速天生完备不同的段落:
人类Rapper的双押,还是更厉害一点:
只须要给定一句输入,AI 就能天生整首歌词。从押韵、流畅度、节奏方面,基本不逊于人类 Rapper。
这项研究来自港科大、清华、复旦等机构,在这篇论文中,研究者提出了一个基于 Transformer 的 Rap 天生系统「DeepRapper」,该系统可以同时仿照 Rap 的韵律和节奏。
论文链接:https://arxiv.org/pdf/2107.01875.pdf
由于没有现成可用的节奏对齐的 Rap 数据集,为了构建这个别系,研究者设计了一个数据挖掘 pipeline,并网络了一个大规模的 Rap 数据集进行韵律建模。
一开始,研究者先从网上抓取了许多包含歌词和音频的说唱歌曲,并对每一首抓取的说唱歌曲进行一系列数据预处理步骤。为了更好地建模,研究者以自回归的办法从右到左天生每一句 Rap,这样就可以很随意马虎地识别出一个句子的末了几个单词 (即反向句子的第一个单词) 来押韵。
此外,为了进一步提高 Rap 的押韵质量,研究者在措辞模型中加入了一些押韵表征,并在推理过程中通过押韵约束来提高天生的 Rap 中的 N-gram 韵律。
研究者利用一个分外的标记 [ BEAT ] 来表示有节奏的节拍,并将其插入到相应的词之前的歌词中。通过这种办法,可以在演习和天生方面按照歌词的顺序来仿照节拍。
受到预演习措辞模型的成功启示,研究者将预演习纳入系统。为了得到大规模的预演习数据,研究者还利用了数据挖掘 pipeline 网络了其余两个数据集:
1)节拍对齐的非说唱歌曲,它可以比说唱数据集更大,由于非说唱歌曲比说唱歌曲更通用; 2)纯歌词,同样比非说唱歌曲数据集更大。
在预演习阶段,研究者基于上述两个数据集对 DeepRapper 模型进行了预演习,然后调度模型在说唱歌曲与调度节拍上的性能,微调模型即用于终极的说唱产生。客不雅观评估和主不雅观评估的实验结果都证明了 DeepRapper 在天生押韵和节奏的说唱歌词方面的上风。
Rap 数据集
以前用于 rap 天生的作品(Potash 等人,2015 年;Liang 等人,2018 年;Nikolov 等人,2020 年)常日利用只有歌词的说唱数据集,而不考虑节奏节拍信息。为了在 rap 天生中建模节奏,说唱数据集该当包含具有对齐节奏节拍的歌词。然而,节拍对齐很难实现,由于它们的注释须要专业音乐家来识别说唱歌曲中的重读音节。
因此,为理解决这个问题,研究者设计了一个数据挖掘 pipeline 来自动提取 beatlyric 对齐。
数据挖掘 pipeline
下图 1 展示了数据挖掘 pipeline 的整体框架,包含 5 个步骤:数据抓取、人声(vocal)与伴奏分离、人声与歌词对齐、节拍检测以及歌词与节拍对齐。
挖掘数据集
基于上图数据挖掘 pipeline,研究者得到了一个具有对齐节拍的说唱歌词(rap lyric)数据集,并命名为 D-RAP。该数据集知足了构建具有韵律和节奏的 rap 天生系统的哀求。他们以 4:1 的比例将 D-RAP 数据集划分为演习和验证集。
与一样平常歌曲比较,说唱风格的歌曲数量每每较少,因此研究者挖掘了其余两个数据集,以利用相同的挖掘 pipeline 对 DeepRapper 模型进行预演习,它们分别是具有对齐节拍的非说唱歌曲数据集 D-SONG 和没有对齐节拍的纯歌词数据集 D-LYRIC。
研究者不才表 1 中对这三个数据集包含的歌曲数量和歌词句子数量进行了统计。
下图 2 展示了 D-RAP 数据集中具有对齐节拍的说唱歌曲示例。
Rap 天生模型
如下图 3 所示,研究者展示了 rap 天生模型的整体架构以及韵律和节奏建模的细节。
详细地,研究者利用 Transformer 构建了一个用于 rap 天生的自回归措辞模型,并引入了以下一些新的对齐:
1)为了更好地建模韵律,该模型从左到右天生歌词句子,这是由于押韵字常日位于句子结尾;
2)如前所述,节奏对付 rap 效果至关主要,因而插入了一个分外的 token [BEAT]来进行显式节拍建模;
3)与仅有词嵌入和位置嵌入的原始 Transformer 不同,研究者添加了多个额外嵌入以更好地建模韵律和节奏。
实验评估
下表 2 展示了 DeepRapper 的客不雅观与主不雅观评估结果,并与两个 baseline 进行了比较。Baseline 模型是一个标准的自回归措辞模型,与 DeepRapper 的模型配置相同,但没有本文提出的韵律模型(+PT 的意思是采取了预演习)。客不雅观评估结果的维度包括 perplexity、韵律准确性和韵密度;主不雅观评估维度包括主题、流畅度、押韵质量和押韵多样性。
为了突出 DeepRapper 在建模 N-gram 韵律中的上风,研究者利用 Combo-N 来度量 DeepRapper 中每个设计建模 N-gram 韵律的能力。结果如下表 4 所示:
为了更好地度量节拍质量,研究者分别利用 DeepRapper 和具有节拍频率掌握的 DeepRapper 随机天生了大约 5000 个样本。他们提出了一阶分布(First Order Distribution, FOD)和二阶分布(Second Order Distribution, SOD),并度量了天生样本与 DRAP 数据集之间分布的间隔。
研究者将当前 [BEAT] 的间隔定义为当前 [BEAT] 与下个 [BEAT] 之间的歌词数量。因此,FOD 被定义为当前 [BEAT]间隔的分布,SOD 被定义为当前 [BEAT]与下个 [BEAT]之间间隔差的分布。间隔的数值区间为[0, 1],详细结果如下表 5 所示:
下图 6 中,研究者展示了天生的 rap 歌曲示例,可以看出 DeepRapper 的天生效果还不错。