听一遍曲子，就能知道乐谱，还能立时演奏，而且还节制“十八般乐器”，钢琴、小提琴、吉他等都不在话下。
这就不是人类音乐大师，而是谷歌推出的“多任务多音轨”音乐转音符模型MT3。
首先须要阐明一下什么是多任务多音轨。
常日一首曲子是有多种乐器合奏而来，每个乐曲便是一个音轨，而多任务便是同时将不同音轨的乐谱同时还原出来。
谷歌已将该论文投给ICLR 2022。
还原多音轨乐谱比较于自动语音识别 (ASR) ，自动音乐转录 (AMT) 的难度要大得多，由于后者既要同时转录多个乐器，还要保留风雅的音高和韶光信息。
多音轨的自动音乐转录数据集更是“低资源”的。现有的开源音乐转录数据集一样平常只包含一到几百小时的音频，比较语音数据集动辄几千上万小时的市场，算是很少了。
先前的音乐转录紧张集中在特定于任务的架构上，针对每个任务的各种乐器量身定制。
因此，作者受到低资源NLP任务迁移学习的启示，证明了通用Transformer模型可以实行多任务 AMT，并显著提高了低资源乐器的性能。
作者利用单一的通用Transformer架构T5，而且是T5“小”模型，个中包含大约6000万个参数。
该模型在编码器和解码器中利用了一系列标准的Transformer自把稳力“块”。为了产生输出标记序列，该模型利用贪婪自回归解码：输入一个输入序列，将预测出下一个涌现概率最高的输出标记附加到该序列中，并重复该过程直到结束 。
MT3利用梅尔频谱图作为输入。对付输出，作者构建了一个受MIDI规范启示的token词汇，称为“类MIDI”。
天生的乐谱通过开源软件FluidSynth渲染成音频。
此外，还要办理不同乐曲数据集不平衡和架构不同问题。
作者定义的通用输出token还许可模型同时在多个数据集的稠浊上进行演习，类似于用多措辞翻译模型同时演习几种措辞。
这种方法不仅简化了模型设计和演习，而且增加了模型可用演习数据的数量和多样性。
实际效果在所有指标和所有数据集上，MT3始终优于基线。
演习期间的数据集稠浊，比较单个数据集演习有很大的性能提升，特殊是对付 GuitarSet、MusicNet 和 URMP 等“低资源”数据集。
最近，谷歌团队也放出了MT3的源代码，并在Hugging Face上放出了试玩Demo。
不过由于转换音频须要GPU资源，在Hugging Face上，建议各位将在Colab上运行Jupyter Notebook。
论文地址：https://arxiv.org/abs/2111.03017
源代码：https://github.com/magenta/mt3
Demo地址：https://huggingface.co/spaces/akhaliq/MT3