Poszukiwacze zaginionych sampli

W ostatnim czasie najróżniejsze rozwiązania bazujące na sztucznej inteligencji wchodzą coraz szerzej w nasze życie, przy czym często nawet bez naszej wiedzy. Próbuje się je także zaprzęgać do tworzenia muzyki i o ile wspomaganie się nią może być pomocne, to oddawanie w jej ręce całego procesu budzi kontrowersje. Oczywiście nie brak też przykładów praktycznego wykorzystania potencjału AI do własnych celów, a jeden z nich odkryła niedawno społeczność osób, których można by nazwać poszukiwaczami sampli…

Korzystanie z fragmentów innych utworów w swoich własnych – bezpośrednie lub po ich zmodyfikowaniu – na długą historię i to nie wolną od kontrowersji czy konfliktów rozstrzyganych w sądach. Tym niemniej w wielu gatunkach muzyki od lat jest ich integralną częścią. Ludzka ciekawość doprowadziła z kolei do tego, że w pewnym momencie powstała cała społeczność osób, które zajęły się… wyszukiwaniem sampli zawartych w utworach i odnajdywaniem ich źródeł.

Oczywiście na początku takie poszukiwania były żmudne i długotrwałe, ale z czasem udawało się angażować do tego coraz to nowe narzędzia ułatwiające ten proces. Jak donosi serwis Tracklib, najnowszym „odkryciem” przychodzącym z pomocą owym poszukiwaczom okazał się… Asystent Google, a pionierami wykorzystywania go do szukania sampli w utworach są członkowie Sample Hunting – społeczności skupionej wokół tego tematu w serwisie Discord.

Co ciekawe, do poszukiwania nowych metod znajdowania sampli przyczynił się… rozpad zespołu Daft Punk w 2021 roku. Wkrótce potem grupa entuzjastów zaczęła szukać nieznanych sampli na płycie „Discovery” wydanej w 2001 roku, a szczególnie w utworze „Face To Face”. Założycielka społeczności Sample Hunting znana jako lobelia, która już wcześniej używała różnych aplikacji do wykrywania sampli, zdecydowała się sięgnąć właśnie po Asystenta Google. Próba ta okazała się sukcesem, który wspomina tak:

Gdy pod koniec 2021 roku Asystent Google pomógł mi znaleźć „South City Midnight Lady” zespołu The Doobie Brothers jako gitarową próbkę w „Face To Face” wiedziałam, że ta metoda może być czymś wielkim. Tym bardziej, że w tamtym momencie nie wiedzieliśmy nawet że ów dźwięk był oddzielnym samplem.

Rozwiązanie firmy Google bazujące na sztucznej inteligencji może być wykorzystywane do różnych celów, a jego możliwości w zakresie rozpoznawania piosenek to oczywiście tylko drobny ułamek jego potencjału. Tym niemniej, musiało minąć trochę czasu aż internetowi poszukiwacze odkryli metodę usprawniającą wykrywanie sampli i pozwalającą uzyskać lepsze rezultaty. W połowie ubiegłego roku jednemu z członków Sample Hunting udało znaleźć się sposób na to, aby przesłać dźwięk z komputera bezpośrednio do Asystenta Google, a próby znajdowania sampli okazały się bardziej niż obiecujące.

Swym rozwiązaniem podzielił się oczywiście z resztą społeczności, co doprowadziło do niemal powszechnego stosowania Asystenta Google do szukania sampli, a przede wszystkim przyniosło sporo nowych znalezisk. Dzięki sztucznej inteligencji udało rozwiązać się zagadki trapiące poszukiwaczy od nawet dwóch dekad.

W ten sposób udało odkryć się nieznane dotąd sample w utworach takich artystów jak Mobb Deep („Hell On Earth (Front Lines)”), Madlib / Quasimoto („Green Power”), Nujabes („Decade (Interlude)”, „Another Reflection”), Daft Punk („Too Long” i wiele w „Face To Face”) czy Modjo („Music Takes Me Back”).

Asystent Google wykorzystuje z jednej strony podobne rozwiązania co Shazam, ale używa ponadto wielu zaawansowanych technologicznie narzędzi, przez co rozpoznawanie utworów jest w jego przypadku jeszcze bardziej trafne. Jak twierdzą członkowie społeczności Sample Hunting może on wykrywać sample trwające mniej niż sekunda, a także takie, które zostały przetworzone przy użyciu takich narzędzi jak „plasterkowanie” czy Time Stretch. Jak zatem widać, przy odrobinie sprytu i cierpliwości da się wykorzystać sztuczną inteligencję do tego, aby wspomagała nas w osiąganiu naszych celów. Czy teraz już żadne sample nie ukryją się przed co bardziej ciekawymi słuchaczami? Czas pokaże…

zródło: Tracklib