jawel wrote:
他的思維是以單一信號...(恕刪)
當然不是只有純電學，只是學理基礎總不能反物理原理，或是基本的數學原理。
您講的線性系統原理當然沒問題，但實戰出產品要考慮多tone情況下，是否有交互失真的side effect，或是其他實戰量產的一些其他問題，畢竟量產晶片不是idea 的線性系統他是circuit 不是model。
誰阿 wrote:
你覺得會有可能drive 不了一快一慢嗎，這邊要有一點電路直覺才能理解。
我的硬體設計經驗, 僅止於大三數位電路設計作業, 用 TTL+麵包板, 做一個浮點運算除法器.
不過還是聚焦在本文的疑問上: 電子量測用的掃頻單音+IMD, 能代表真正的樂音結構嗎 ?
至少 HTTC 論文的日本作者們不認同, 所以才提出更能代表音色特徵的 Spectral Energy Generative Model.
類似的案例還有 Digital Jitter Test Pattern.
老實教拿 ASR amirm 用電子單音測 digital jitter 的視頻, 想洗臉我.
Audio Science Review Forum: Understanding Jitter in Digital Audio
被我用 Audio Precision 反洗回去. 至少老實教還有自知之明, 還沒狂妄到說:
Audio Precisione 算什麼東西 ! Amirm 天尊永遠是對的 !
宅男工程師 wrote:
Audio Precision 為了測 digital audio jitter, 設計 J-Test signal, 不用簡陋的 single tone 當測試訊號, 用上 J-Test signal, 可以明顯看出不同 dac 的 jitter 處理能力.
Audio Precision: Measuring Jitter with J-Test
細節請看底下連結, 我就不贅述.
要說電源線,USB線,其他線都是騙錢的. 264 樓
還有老實教另一個, 線材無用論天尊 Ethan Weiner, 的當場翻車名場面
The NULL Tester
13:40 Null tester 怕混進電源供應器雜訊與其他干擾
I kept the power supply separate to avoid supply noise or
other interference getting into the tester.
24:28: 訊號線受電腦干擾, 要移到另一端的長凳上.
put all the way on the time the bench at this other site
啊不是說小黑線跟貴得嚇死人的線材相比, 沒有任何差別. 怎麼靠近 PC 主機就嗡嗡叫 ?
誰阿 wrote:
然候我覺得你還是沒弄清楚IMD物理意義
請聚焦在: 足夠代表真正樂音的測試樣本.
能否列出有實例 or 文章說出, IMD 能建構出 樂音 這種頻率衰減複雜的模型嗎 ?
讓我好好研讀.
HTTC 論文列出另一個思考方向: 比起用數學公式建構, 用於測試電子/RF的測試樣本,
在 2008 年, 它選擇以 Generative Model, 來建立樂音的頻率特徵模型.
對不同的測試目標, 要用合適 or 開發出新方法, 而非 吾道一以貫之.
當 Audio Precision 看到 Digital Jitter 無法拿慣用的 single tone 測試音來解釋, 所以設計 jitter test pattern.
而HTTC 論文解法的方向, 剛好符合當下 AI 引擎發展的趨勢.
「生成式 AI」和「分辨式 AI」有哪裡不一樣？
李育杰 國立陽明交通大學應用數學系教授 wrote:
Q1：「生成式 AI」因為 ChatGPT 來到爆發奇異點，「生成式 AI」和「分辨式 AI」有哪裡不一樣？
生成式人工智慧（Generative AI）和分辨式人工智慧（Discriminative AI）是人工智慧中兩個重要的概念。
首先理解一下分辨式人工智慧（Discriminative AI），顧名思義，這是需要有標注標籤資料以供「分辨」，我們常以(X, y)來表示有標注標籤的資料，X 代表資料本身，y 表示其標籤。從分辨區隔手中的標注資料，進而「訓練」篩選出一個好的分類器 （Classifier），用於對那些沒有「標注」僅有 X 的資料，預測其標籤 y。具體來說，分辨式模型依據有限的資料分佈與其對應的標籤找出一映射的函數 F(X)，用此函數值當成X 所對應的標籤 y。分辨式 AI 模型的代表性算法包括支持向量機（SVM）、決策樹（Decision Tree）、羅吉斯迴歸（Logistic Regression）等。從這樣的學習模式，不難想像，需要倚賴大量高品質具有標籤的標注資料，當然也提高了模型訓練成本，限縮大型複雜分辨式 AI 模型的發展。
而生成式 AI 模型與分辨式模型就根本的差異，在於生成式 AI 模型巧妙運用大量沒有標注標籤的資料 X，試圖自我產生資料與隱藏於資料中的訊息。而移除標注資料的限制後，讓大型的複雜模型的訓練，藉助於強大 GPU 的算力與大量的資料，得以實現。生成式 AI，雖無必要使用有標注標籤的資料，但若仍有標注標籤的資料合併使用，訓練過程中再引入強化學習（Reinforcement learning）機制，可協助引導模型快速朝向「正確」合用的方向收斂。而這樣的模式，也讓通用性的人工智慧漸露曙光。這種人工智慧可以創造生成出自然語言、音樂、圖像和其他形式的資料。
內文搜尋
從 APP 打開
X