麻省理工学院的研究生创业公司Samply使用算法来帮助音乐制作人找到完美的声音。
当声音充满空气时，计算机屏幕上有节奏的闪烁照亮了一个黑暗的房间。小军鼓样品本身可以变得干净而干净，但无论如何设置水平，混音中的样品都会变得混浊。欢迎来到现代音乐创作界及其不满。
当今的数字音乐制作人面临着一个共同的难题：如何对听起来很不错但不一定适合他们最初想象的歌曲的采样进行网格划分。一种解决方案是查找和审核许多不同的样本，这是一个繁琐的过程，可能需要花费一些时间进行细化。
麻省理工学院化学工程系的博士生，音乐制作人和新音乐的共同创作者贾斯汀·斯瓦尼说：“要找到正确的音乐效果，需要进行大量手动搜索，这可能会分散精力和时间。”使用机器学习帮助制作人找到完美声音的工具。
Swaney的可视样本库资源管理器称为Samply，它将音乐和机器学习结合到了一种针对制作人的新技术中。该工具是去年冬天在Hello World庆祝活动上跨学科挑战的麻省理工学院斯蒂芬·施瓦茨曼计算机学院的顶级获奖者，该工具使用卷积神经网络分析音频波形。
Swaney解释说：“ Samply根据声音特征组织样本。” “结果是一个交互式情节，其中相似的声音更靠近在一起，而不同的声音更远。Samply允许同时可视化多个样本库，从而缩短了在脑海中想象声音与发现声音之间的时间间隔。”
对于Swaney而言，Samply的发展得益于他的研究专长和个人生活。在进入麻省理工学院之前，他曾与独立音乐人制作过专辑，包括该工具的鼓手和共同创建者埃里克·席尔辛格。这两个记录在地下室的鼓，并试图通过廉价的硬件和hacks来即兴创作，例如在天花板上悬挂地毯以抑制混响。Schirtzinger说：“这些限制使我们变得更有创造力，” Schirtzinger现在是威斯康星大学麦迪逊分校的计算机科学专业。
在Swaney完成6.862(应用机器学习)之后，这种创造力得到了进一步的磨练。他发现了一个机会，可以运用他从基于项目的课程中学到的知识来重新点燃自己的音乐制作爱好，并设计一种在制作新歌曲时自动搜索正确样本的方法。
他说：“我认为计算机可以比我更快地收听样本。” 除了巧妙地使用机器学习之外，Samply的真正魔力还在于，从概念上讲，它建立在对制作音乐所需的深刻理解的基础上。“我们不仅仅是将机器学习应用于音乐的AI爱好者，” Schirtzinger说。“我们是音乐家，他们想要更好的音乐制作工具。”
事实证明，在麻省理工学院，他们并不是唯一拥有一首歌的人。去年冬天在Schwarzman计算学院博览会上展示Samply时，数十名教职员工和学生聚集在Swaney的海报和现场演示中，交流思想。有些人具有使用专业软件制作音乐的多年经验，而另一些人只是欣赏演示中的可视化效果和声音。
受到博览会上对Samply的兴趣的刺激，Swaney和Shirtzinger正在将他们的项目变成一家初创公司。第一步，两人向技术许可办公室(TLO)寻求建议，然后将他们推荐给风险指导服务(VMS)。
Samply于4月加入VMS，并与两名MIT附属的导师和企业家，Stephen Bayle和John Stempeck配对。在向Samply推荐其导师之后，Swaney在制定商业计划和销售策略时得到了明智的建议，然后开始与对音乐技术感兴趣的其他人建立联系。
此后，Samply已被当地数字营销公司HubSpot赞助，被接纳为ELEVATE加速器，Swaney正在通过MIT Sandbox创新基金申请种子基金。
他说：“以学生的身份创办公司可能会令人生畏，但麻省理工学院的社区给了我们信心。” “如果我们在麻省理工学院做不到，那我们在哪里?”
实际上，他在Samply上花费的时间和精力对他作为研究生的学术生活产生了“几乎矛盾的”好处。他说：“我把所有的时间都花在实验室上。” “当我退后一步来制作Samply时，我可以从研究中的树木中看到森林。”
斯瓦尼发现，专注于他对音乐的热爱是一种“情感出口”，有助于减轻智力倦怠。尽管Samply可能使他离开了实验室，但最终也为他的研究提供了信息。他说，使样品可视化的最初想法源于“我在单细胞分析方面的工作。”将该方法应用于工具阐明了他在生物学领域的想法，从而导致了一种产生更好聚类的新方法，或一种方法。更好地分类，识别和可视化细胞组。斯瓦尼说：“这有点像音乐主题和变奏曲，但经过我的研究。”
至于Samply，该应用程序的免费Beta版将于9月推出，而Kickstarter宣传活动将于明年开始，以推动未来的发展。
他说：“我们希望将Samply交到更多制作人和内容创作者手中，以便我们可以建立指导我们优先级的反馈循环。” “我们的技术可能还会在现场音乐表演，乐器以及电影和录像中得到应用。我们很高兴探索这些可能性。”