એક ડેવલપરે Hacker News પર 125-મિલિયન-પેરામીટર ધરાવતું ટ્રાન્સફોર્મર પોસ્ટ કર્યું છે જે કોઈપણ ક્લાઉડ કનેક્શન વિના, સંપૂર્ણપણે લેપટોપ અથવા ફોન પર પિયાનો મેલોડીઝને ઓટોકમ્પ્લીટ કરી શકે છે. સંગીતકારો હવે દરેક વિચારને ખાનગી રાખીને રીઅલ-ટાઇમમાં નોટ-બાય-નોટ સૂચનો મેળવી શકે છે.

ઓન-ડિવાઇસ મ્યુઝિક AI શા માટે મહત્વનું છે

લેટન્સી (વિલંબ) સર્જનાત્મક પ્રવાહને તોડી નાખે છે. મિલિસેકન્ડનો વિલંબ પણ લય (groove) બગાડી શકે છે. મોડેલને સ્થાનિક રીતે (locally) ચલાવવાથી થોડા મિલિસેકન્ડમાં સૂચનો મળે છે, જેનાથી કોઈપણ અનુભવાતા વિલંબને દૂર કરી શકાય છે.

ગોપનીયતા પણ એટલી જ મહત્વની છે. કારણ કે મોડેલ ડિવાઇસ પર જ રહે છે, તેથી કલાકારના સ્કેચ ક્યારેય તેમના પોતાના હાર્ડવેરની બહાર જતા નથી.

ઓફલાઇન ક્ષમતા આ સાધનને કોઈપણ રિહર્સલ સ્પેસ, ગિગ વેન્યુ અથવા રિમોટ સ્ટુડિયોમાં કામ કરવા દે છે જ્યાં Wi-Fi અસ્થિર હોય અથવા ઉપલબ્ધ ન હોય. એક નાનું લેપટોપ અથવા આધુનિક ટેબ્લેટ એક સ્વતંત્ર સર્જનાત્મક સહાયક બની જાય છે.

મોડેલ કેવી રીતે કામ કરે છે

આ સિસ્ટમ પિયાનો પરફોર્મન્સને એક ભાષા તરીકે ગણે છે. તે MIDI ઇવેન્ટ્સ—note-on, note-off, velocity—ને ટોકન સિક્વન્સમાં રૂપાંતરિત કરે છે અને તે સિક્વન્સને ટ્રાન્સફોર્મરમાં ફીડ કરે છે. ટ્રાન્સફોર્મર્સ આગામી વસ્તુનું અનુમાન કરવામાં શ્રેષ્ઠ છે, જે સંગીતમાં સીધું જ “આગળ કઈ નોટ આવશે?” માં રૂપાંતરિત થાય છે.

ડેવલપરે ક્વોન્ટાઈઝેશન (quantization) નો ઉપયોગ કર્યો છે, જે દરેક વેઇટને લોઅર-પ્રિસિઝન ફોર્મેટમાં ઘટાડે છે. આનાથી ફાઇલ સાઈઝ ઘટે છે અને જરૂરી ગણતરી (computation) માં પણ મોટો ઘટાડો થાય છે.

આ સાધન ખરેખર શું કરી શકે છે

  • સતતતા માટે સૂચનો આપવા: ટૂંકા મેલોડિક ફ્રેગમેન્ટ્સ માટે, સંગીતની સુસંગતતા જાળવી રાખીને વાક્ય (phrase) ને લંબાવવા માટે.
  • કી સિગ્નેચર (key signatures) અને સ્કેલના નિયમોનું પાલન કરવું, જેથી અસંગત લાગે તેવી નોટ્સ ટાળી શકાય.
  • આસપાસની શૈલીની નકલ કરવી, પછી ઇનપુટ જેઝ લિક (jazz lick) હોય, ક્લાસિકલ આર્પેજિયો (classical arpeggio) હોય કે પોપ હૂક (pop hook) હોય.
  • સર્જનાત્મક અવરોધો દૂર કરવામાં મદદ કરવી: જ્યારે કોઈ કંપોઝર અટકી જાય ત્યારે નવા વિચારો આપીને.

આ સુવિધાઓ સિસ્ટમને ટેક્સ્ટ એડિટરમાં ઓટોકમ્પ્લીટ ફીચરની જેમ કામ કરવા દે છે—માત્ર સંગીત માટે. તે એક સહાયક ભાગીદાર તરીકે કામ કરે છે, માનવીય નિર્ણયના વિકલ્પ તરીકે નહીં.

મોડેલ ક્યાં નબળું પડે છે

  • તે માનવીય માર્ગદર્શન વિના 64-બારના ટુકડા જેવી સંપૂર્ણ રચના બનાવી શકતું નથી.
  • તે સંપૂર્ણપણે નવા પ્રકારના (genres) શોધતું નથી; તેનું આઉટપુટ ટ્રેનિંગ ડેટાની આંકડાકીય મર્યાદામાં રહે છે.

વ્યવહારમાં, સંગીતકારો હજુ પણ સૂચનોનું મૂલ્યાંકન, સંપાદન અને તેને આકાર આપે છે, જેમ કે લેખક સ્પેલ-ચેકર દ્વારા વાક્યોનું સંપાદન કરે છે.

વ્યાપક અસરો

આ પ્રોજેક્ટ દર્શાવે છે કે સર્જનાત્મક કાર્યો માટે ઉપયોગી AI હવે વિશાળ ક્લાઉડ-આધારિત મોડેલ્સ પર નિર્ભર નથી. મધ્યમ કદનું ટ્રાન્સફોર્મર સામાન્ય હાર્ડવેર પર રીઅલ-ટાઇમ સહાય આપી શકે છે.

આગળ શું જોવું

  • કમ્યુનિટી એક્સટેન્શન: મૂળ પોસ્ટ એક લર્નિંગ કમ્યુનિટી સાથે જોડાયેલી છે જ્યાં ડેવલપર્સ સુધારાઓ શેર કરી શકે છે.

મુખ્ય વાત સરળ છે: મધ્યમ કદનું ટ્રાન્સફોર્મર પિયાનો વગાડનારાઓને પહેલેથી જ ઉપયોગી, ત્વરિત અને ખાનગી સહાય પૂરી પાડી શકે છે. જો તમે ક્યારેય એવા “co-pilot” ની ઈચ્છા રાખી હોય જે તમારા લેપટોપને છોડ્યા વિના આગામી નોટ કહી શકે, તો તે ભવિષ્ય અહીં આવી ગયું છે.