Audiogeneratoren

Mit KI-gestützten Audiogeneratoren können Klänge, Musik oder gesprochene Sprache automatisch erzeugt oder verändert werden. Mit Hilfe von Künstlicher Intelligenz können so aus Texten oder Sätzen natürlich klingende Stimmen, Musikstücke oder Audioinhalte generiert werden. 

Arten von Audiogeneratoren

Wie funktionieren Audiogeneratoren?

Diffusion
Die meisten modernen Audiogeneratoren nutzen den Diffusionsprozess: 

Rauschen: Die KI beginnt mit einem Signal aus reinem "weissen Rauschen" (einem statischen Zischen, das alle Frequenzen enthält).
Entrauschen: Schritt für Schritt formt die KI dieses Rauschen um, basierend auf dem Nutzer-Prompt (z. B. "Ein ruhiger Klavier-Jazz-Track").  

Die zeitliche und harmonische Konsistenz
Damit Musik nicht wie zufällige Töne klingt, muss die KI die logische Abfolge verstehen.

Audio-Tokenisierung: Musik wird oft in kleine Bausteine (Tokens) zerlegt. Ein Transformer-Modell (ähnlich wie bei ChatGPT) sagt voraus, welcher Ton-Baustein am wahrscheinlichsten als nächster folgt.  
Attention-Mechanismus (Transformer): Dieser Mechanismus hilft der KI beizubehalten, welche Melodie im ersten Vers gespielt wurde, während sie den Refrain berechnet. So bleiben beispielsweise der Rhythmus und die Tonart über den gesamten Song hinweg stabil. 

Training
Wie auch Bild- oder Videogeneratoren werden auch Audio- und Soundgeneratoren mit Millionen von Stunden an Musik, Sprache und Geräuschen sowie den dazugehörigen Beschreibungen trainiert. Die KI lernt dabei akustische Gesetze wie beispielsweise: Wie tönt eine Stimme in einem grossen Raum? Wie klingen Instrumente zusammen? Wie verändert sich die Tonhöhe bei verschiedenen Emotionen in der Sprache?