Nhà Nghiên Cứu Độc Lập Phát Hành AI Âm Thanh Mã Nguồn Mở Tạo Bộ Tổng Hợp Từ Văn Bản
Nhà nghiên cứu độc lập RoyalCities đã huấn luyện và phát hành Foundation-1, một mô hình âm thanh mã nguồn mở có khả năng tạo các mẫu một lần (one-shot) và các bộ tổng hợp nhạc (synth) có thể chơi được từ câu lệnh văn bản. Cùng với trọng số mô hình trên Hugging Face, tác giả đã chia sẻ một kho lưu trữ GitHub chứa đường ống suy luận (inference pipeline) hoàn chỉnh và các video hướng dẫn chi tiết. Phát hành này giải quyết một thách thức lớn trong âm thanh tạo sinh bằng cách tách biệt hiệu quả loại nhạc cụ khỏi âm sắc (timbre), cho phép người sáng tác giữ nguyên tính chất âm thanh đồng nhất trên toàn bộ bàn phím. Việc mở nguồn cả mô hình lẫn đường ống suy luận giúp các nhà sản xuất âm nhạc và nhà phát triển độc lập tự xây dựng các bộ tổng hợp nhạc tùy chỉnh từ văn bản. Mô hình đạt được khả năng khóa âm sắc (timbre locking) đồng nhất qua nhiều lượt gọi khuếch tán (diffusion), đảm bảo các nốt nhạc được tạo ra ở các cao độ khác nhau vẫn giữ nguyên chất âm của cùng một nhạc cụ. Tác giả đã chia sẻ mã nguồn suy luận trong kho lưu trữ RC-stable-audio-tools để giúp các nhà phát triển tự xây dựng ứng dụng tạo bộ tổng hợp âm thanh từ văn bản.
## KIẾN THỨC NỀN
Mô hình khuếch tán âm thanh (audio diffusion model) là hệ thống AI tạo sinh tổng hợp âm thanh bằng cách khử nhiễu lặp đi lặp lại từ dạng sóng hoặc phổ âm thanh. Trong sản xuất âm nhạc, mẫu một lần (one-shot) là các bản thu âm đơn lẻ của một nốt nhạc hoặc tiếng trống, trong khi dải phím (keybed) đại diện cho tập hợp đầy đủ các nốt nhạc có thể chơi được ở nhiều cao độ. Các công cụ âm thanh AI truyền thống thường gặp khó khăn trong việc giữ âm sắc đồng nhất khi tạo các nốt ở cao độ khác nhau cho cùng một nhạc cụ.