Google Magenta RealTime 2: عندما يصبح نموذج الموسيقى آلة قابلة للعزف

من Magenta RealTime وLyria RealTime API إلى نموذج محلي قابل للعزف

يأتي MRT2 امتداداً لمسارين سابقين في البرنامج البحثي نفسه: نموذج Magenta RealTime وخدمة Lyria RealTime API المستضافة. رسخ النظامان التوليد المستمر وإمكانية توجيه الأسلوب الموسيقي، لكن النموذج السابق استخدم الانحدار الذاتي على مستوى الكتل ضمن إطار يقارب ثانيتين. فلم يكن بوسع نغمة أو تغيير في الأسلوب أو مرجع صوتي جديد التأثير في الصوت قبل انتهاء الكتلة الحالية.

يحتفظ MRT2 بكل من SpectroStream وMusicCoCa، لكنه يستبدل العمود الفقري للتوليد ببنية Transformer تعتمد على مفكك الترميز وحده وتعمل بانحدار ذاتي إطاراً بعد إطار. يبلغ طول الإطار الآن 40 مللي ثانية، ولذلك يعاد قراءة حالة MIDI ورموز الأسلوب والسياق الصوتي مع كل إطار جديد. وينخفض زمن التحكم الذي تذكره Google من نحو ثلاث ثوانٍ إلى قرابة 200 مللي ثانية. ففي فترة الثانيتين التي كانت تنتج كتلة واحدة سابقاً، يحصل النموذج الجديد على خمسين فرصة لإعادة توجيه الصوت.

يميز الإصدار أيضاً بين عرض توضيحي مستضاف ونموذج يستطيع الموسيقيون إدخاله في أدواتهم. قدمت Lyria RealTime API التوليد التفاعلي كخدمة، بينما ينشر MRT2 الأوزان ومكتبة Python ومحرك MLX C++ وأمثلة لمحطات العمل الصوتية وتطبيقات مستقلة للاستخدام على الجهاز. وبذلك يمكن إدراجه في تجهيزات الأداء أو نظام موسيقى للألعاب أو عمل تركيبي من دون اختزال التفاعل في مطالبة وانتظار وتنزيل.

الدليل التقني: ليس مجرد نموذج أكبر

تقسم بطاقة النموذج الرسمية MRT2 إلى ثلاثة مكونات أساسية: SpectroStream وMusicCoCa ونموذج لغوي كبير ببنية Transformer تعتمد على مفكك الترميز وحده. يمثل SpectroStream برنامج ترميز صوتي منفصل يحول الموسيقى المجسمة عند 48 kHz إلى رموز. ويضع MusicCoCa النص والصوت الموسيقي في فضاء تضمين مشترك. أما النموذج اللغوي فيولد الإطار الصوتي التالي انطلاقاً من رموز السياق الصوتي ورموز أسلوب MusicCoCa ورموز MIDI.

تفسر هذه البنية قدرة MRT2 على استقبال النص والصوت وMIDI معاً. يصف النص الأسلوب، ويوفر الصوت مرجعاً نغمياً أو موسيقياً، بينما يقدم MIDI تحكماً في حالة الأداء. ولا تجمع المدخلات في سلسلة واحدة وحسب، بل يؤدي كل منها دوراً مختلفاً داخل دورة التوليد في الوقت الحقيقي.

يكشف التكوينان الرسميان أيضاً عن مقايضة واضحة: نموذج أساسي يضم 2.4 مليار معلمة، وآخر صغير يضم 230 مليوناً. يميل النموذج الأساسي إلى الجودة، بينما يخفض الصغير متطلبات التشغيل المحلي. وتسجل البطاقة كذلك انتباهاً ضمن نافذة من 25 إطاراً (1 s) للنموذج base و41 إطاراً (نحو 1.6 s) للنموذج small، ومجال استقبال فعالاً يبلغ 20 s لكليهما. هذا توليد مستمر بسياق محدود، لا معالجة مستقلة لأغنية كاملة.

ما الذي يعنيه التأخير المنخفض فعلياً؟

من أبرز تغييرات Google تقليص إطار النموذج من 2 s إلى 40 ms مقارنة بالجيل السابق، وخفض زمن التحكم من نحو 3 s إلى قرابة 200 ms. الرقم جذاب، لكنه يحتاج إلى حدوده الرسمية: لا يتكون زمن الاستجابة الكلي من استدلال النموذج وحده، بل يشمل مخازن الإدخال والإخراج المؤقتة وواجهات الصوت والبرنامج المضيف والمكونات الخارجية.

لا تماثل 200 ms تقريباً بالنسبة إلى الموسيقي الاستجابة شبه الفورية للوحة مفاتيح مادية أو مشغل إيقاع. لكنها تكفي لنقل النموذج من «مولد غير متصل» إلى «نظام تفاعلي». ويناسب MRT2 التحول بين الأساليب وتمديد المصاحبة والاستجابة للنسيج الصوتي والبرمجة الحية والأعمال التركيبية وموسيقى الألعاب أكثر من كونه بديلاً لآلة إيقاع أو بيانو بدقة المللي ثانية.

كيف يختلف عن توليد أغنية كاملة دفعة واحدة؟

حقائق أساسية من مصادر MRT2 الرسمية

ما الذي يغيره الإصدار في الموسيقى التفاعلية؟