• 記事のタイプによってTypeを Paper, Dataset, Tool, Projectの中から選ぶ
• Paper: 論文
• Dataset: 学習用のデータセット
• Tool: ライブラリ、Pythonフレームワークなど
• Project: 作品、Webサイトなど上に当てはまらないもの
• Dateは、CreatewithAIの記事の投稿日 (× 論文自体の投稿日)
• Tag は複数つけても良い
• Year 論文の投稿年、プロジェクトのローンチ年
• arxiv, github, プロジェクトページなどはそれぞれあればつける
• thubmnail はトップページに表示されるサムネイル (URLの指定だけだと上手くいかない模様)
• 記事が完成したら Status を publicにする。

注意

• 記事のタイプ(Paper, Dataset, Tool...)ごとにテンプレートを作ってあるので、それを活用。
• なるべく記事の構成は統一したいが、多少ばらけるのは仕方ない。
• ただし、レイアウトにはこだわりたい。図の大きさの調整には時間をかける
• プロパティの hide / showはいじらない (web上での表示に反映される)

Overview

Abstract

Sound modelling is the process of developing algorithms that generate sound under parametric control. There are a few distinct approaches that have been developed historically including modelling the physics of sound production and propagation, assembling signal generating and processing elements to capture acoustic features, and manipulating collections of recorded audio samples. While each of these approaches has been able to achieve high-quality synthesis and interaction for specific applications, they are all labour-intensive and each comes with its own challenges for designing arbitrary control strategies. Recent generative deep learning systems for audio synthesis are able to learn models that can traverse arbitrary spaces of sound defined by the data they train on. Furthermore, machine learning systems are providing new techniques for designing control and navigation strategies for these models. This paper is a review of developments in deep learning that are changing the practice of sound modelling.

Motivation

Architecture

Results

Further Thoughts

Links

Deep generative models for musical audio synthesis