會玩樂器的人在生活中簡直自帶光環！不過，學會一門樂器也真的很難，多少人陷入過從入門到放棄的死循環。但是，不會玩樂器，就真的不能演奏出好聽的音樂了嗎？
最近，麻省理工學院（MIT）聯合 MIT-IBM Watson 人工智慧（AI）實驗室（MIT-IBM Watson AI Lab）共同開發出了一款 AI 模型 Foley Music，它可以根據演奏手勢完美還原樂曲原聲！而且還是不分樂器的那種，小提琴、鋼琴、烏克麗麗、吉他，統統都可以。
只要拿起樂器，就是一場專業演奏會！如果喜歡不同音調，還可以對音樂風格進行編輯，A 調、F 調、G 調均可。
這項名為《Foley Music：Learning to Generate Music from Videos》的技術論文已被 ECCV 2020 收錄。
接下來，我們看看 AI 模型是如何還原音樂的？
如同為一段舞蹈配樂需要了解肢體動作、舞蹈風格一樣，為樂器演奏者配樂，同樣需要知道其手勢、動作以及所用樂器。
如果給定一段演奏影片，AI 會自動鎖定目標對象的身體關鍵點（Body Keypoints），以及演奏的樂器和聲音。
（Source：論文，以下同）
身體關鍵點：由 AI 系統中的視覺感知模組（Visual Perception Model）來完成。它會透過身體姿勢和手勢的兩項指標來反饋。一般身體會提取 25 個關鍵 2D 點、手指 21 個 2D 點。
樂器聲音提取：採用音頻表徵模組（Audio Representation Model），該模組研究人員提出了一種音樂數位介面（Musical Instrument Digital Interface，簡稱 MIDI）的音頻表徵形式。它是 Foley Music 區別於其他模型的關鍵。
研究人員介紹，對於一個 6 秒中的演奏影片，通常會生成大約 500 個 MIDI 事件，這些 MIDI 事件可以輕鬆導入到標準音樂合成器以生成音樂波形。
在完成資訊提取和處理後，接下來，視-聽模組（Visual-Audio Model）將整合所有資訊並轉化，生成最終相匹配的音樂。
我們先來看一下它的完整架構圖：主要由視覺編碼、MIDI 解碼和 MIDI 波形圖輸出 3 個部分構成。
視覺編碼：將視覺資訊進行編碼化處理，並傳遞給轉換器 MIDI 解碼器。從影片幀中提取關鍵坐標點，使用 GCN（Graph-CNN）捕獲人體動態隨時間變化產生的潛在表示。
MIDI 解碼器：透過 Graph-Transfomers 完成人體姿態特徵和 MIDI 事件之間的相關性進行建模。Transfomers 是基於編解碼器的自回歸生成模型，主要用於機器翻譯。在這裡，它可以根據人體特徵準確預測 MIDI 事件的序列。
MIDI 輸出：使用標準音頻合成器將 MIDI 事件轉換為最終的波形。
實驗結果
研究人員證實 Foley Music 遠優於現有其他模型。在對比試驗中，他們採用了 3 種數據集對 Foley Music 進行了訓練，並選擇了 9 種樂器，與其他 GAN-based、SampleRNN 和 WaveNet 3 種模型進行對比評估。
其中，數據集分別為 AtinPiano、MUSIC 及 URMP，涵蓋了超過 11 個類別的大約 1,000 個高品質的音樂演奏影片。樂器則為風琴、貝斯、低音管、大提琴、吉他、鋼琴、低音號、烏克麗麗和小提琴，其影片長度均為 6 秒。以下為定量評估結果：
可見，Foley Music 模型在貝斯（Bass）樂器演奏的預測性能最高達到 72%，而其他模型最高僅為 8%。
另外，從以下 4 個指標來看，結果更為突出：
黃色為 Foley Music 模型，它在各項指標上的性能表現遠遠超過其他模型，在正確性、噪音和同步性三項指標上最高均超過了 0.6，其他最高不足 0.4，且 9 種樂器均是如此。
另外，研究人員還發現，與其他基準系統相比，MIDI 事件有助於改善聲音品質、語義對齊和時間同步。
說明
另外，該模型的優勢還在於它的可擴展性。MIDI 表示是完全可解釋和透明的，因此可以對預測的 MIDI 序列進行編輯，以生成 A、G、F 調不同風格音樂。如果使用波形或者頻譜圖做為音頻表示形式的模型，這個功能是不可實現的。
最後研究人員在論文中表明，此項研究透過人體關鍵點和 MIDI 表示很好地建立視覺和音樂信號之間的相關性，實現了音樂風格的可拓展性。為當前研究影片和音樂聯繫拓展出一種更好的研究路徑。
