Dwa zupełnie różne problemy

"Nuty od AI" zwykle oznaczają jedno: skierowanie modelu na plik audio i pozwolenie mu zgadywać, jakie dźwięki są grane. To naprawdę trudne zadanie — AI musi wywnioskować wysokość dźwięku, rytm i timing na podstawie fali dźwiękowej, dokładnie tak, jak ludzki transkrybent słucha nagrania i zapisuje to, co słyszy. Z natury jest to przybliżenie, a trudność rośnie szybko przy pełnych miksach, przesterowanych instrumentach czy gęstych akordach.

Zamiana MIDI na nuty to zupełnie inny problem, i to dużo łatwiejszy. Plik MIDI zawiera już dokładną nutę, dokładny timing i dokładną velocity każdego zdarzenia — nie trzeba niczego zgadywać. Przekształcenie tego w standardową notację to nie transkrypcja, tylko tłumaczenie: wzięcie danych, które są już precyzyjne, i rozłożenie ich na pięciolinii. Żadnego zgadywania, żadnego "wystarczająco blisko", żadnych zastrzeżeń w stylu "to dopiero wersja robocza".

Dlaczego to ważne, jeśli generujesz MIDI

Jeśli pracujesz z MIDI wygenerowanym przez AI — z promptu tekstowego, z Infinite Engine albo z generatora MIDI Lab — te precyzyjne dane o nutach już siedzą w pliku. W chwili, gdy utwór istnieje jako MIDI, nuty stają się kwestią formatowania, a nie wykrywania. Dotyczy to zarówno MIDI wygenerowanego przez AI, jak i nagranego wykonania przechwyconego przez kontroler MIDI, czy partii zbudowanej ręcznie w edytorze piano roll.

To również dlatego zamiana MIDI na nuty zwykle daje czystszy wynik niż zamiana audio na nuty, jeszcze zanim weźmiemy pod uwagę interpretację. Deterministyczna konwersja nie miewa gorszych dni. Nie ma większych trudności z fragmentem polifonicznym niż z prostą melodią. Sufit dokładności jest po prostu wyższy, bo najtrudniejsza część — ustalenie, jaka nuta została zagrana i kiedy — została rozwiązana już w momencie powstania pliku MIDI.

Czego notacja tak naprawdę potrzebuje z pliku MIDI

Standardowe programy do notacji (MuseScore, Sibelius, Finale, Dorico) odczytują format o nazwie MusicXML — ten sam format wymiany, który na końcu swojego procesu generują też narzędzia do zamiany audio na nuty. Przejście z MIDI do MusicXML wymaga rozwiązania kilku kwestii, na których zależy programom do notacji, a których surowe dane MIDI nie kodują wprost:

Tonacja — plik MIDI nie jest oznaczony tonacją; trzeba ją wywnioskować z faktycznie użytych nut, dokładnie tak jak muzyk czytający partię rozpoznałby tonację ze słuchu.
Metrum i grupowanie miar — sposób, w jaki znaczniki czasowe note-on/note-off przekładają się na takty, miary i ich podziały.
Pisownia enharmoniczna — decyzja, czy dany dźwięk zapisać jako krzyżyk czy bemol, zależy od tonacji i sąsiednich nut, a nie tylko od surowego numeru wysokości dźwięku.
Notacja rytmiczna — kwantyzacja dokładnych znaczników czasowych w milisekundach do czytelnych wartości rytmicznych (ćwierćnuty, triole ósemkowe, rytmy z kropką) bez utraty charakteru ludzkiego wykonania.

Nic z tego nie wymaga słuchania czegokolwiek. To praca uporządkowana, oparta na regułach — czyli dokładnie ten rodzaj problemu, który da się rozwiązać niezawodnie, a nie tylko przybliżyć.

Praktyczne zastosowania

Te same zastosowania, które sprawiają, że zamiana audio na nuty jest wartościowa, mają zastosowanie i tutaj, zwykle z lepszym wynikiem:

Przekazanie partii muzykowi sesyjnemu, który czyta nuty zamiast grać ze słuchu.
Aranżowanie wygenerowanego lub zaprogramowanego utworu dla zespołu grającego na żywo, gdzie każdy instrumentalista potrzebuje prawdziwej partii.
Nauczanie — zamiana ćwiczenia lub przykładu MIDI w wydrukowaną partyturę.
Archiwizacja kompozycji w formie przenośnej między programami do notacji, niezwiązanej z zastrzeżonym formatem projektu jednego konkretnego DAW-a.

Gdzie to pasuje

MIDI Lab już traktuje sesję jako wątek, który może zawierać audio i MIDI jako załączniki, a kompozytor jest zbudowany wokół zasady "wrzuć to, co masz, opisz, czego chcesz", zamiast osobnych trybów dla osobnych typów plików. Nuty to naturalne rozszerzenie tej samej idei — kolejny sposób na wyprowadzenie pomysłu muzycznego z aplikacji w formę, którą ktoś inny może odczytać i według niej zagrać.

Po stronie audio tego zagadnienia — gdzie AI naprawdę musi słuchać i wnioskować — zobacz co transkrypcja AI potrafi, a czego nie.