近日，國(guó)內(nèi)某音樂院校通過浪潮信息采用AI算力服務(wù)，順利完成音樂分離模型的研發(fā)部署，并將模型訓(xùn)練效率提升5倍。該模型可以快速分離歌曲中的人聲、貝斯、鼓、鋼琴等多種聲音，或?qū)㈦娪芭錁贩殖蓪?duì)話、音效、音樂等軌道用于后續(xù)的視頻剪輯和創(chuàng)作，助力影音從業(yè)者大幅提升工作效率。

某音樂院校是國(guó)內(nèi)率先使用AI方法研究音樂分離模型的高校之一。相比傳統(tǒng)方法，深度神經(jīng)網(wǎng)絡(luò)模型能夠達(dá)到更好的音樂分離效果，并且具備更強(qiáng)的泛化性。但隨著研究工作的深入，算力問題日益凸顯。音樂分離模型的架構(gòu)日新月異，如Facebook在2021年提出的Demucs模型是U-Net卷積架構(gòu)；2022年引入了Transformer架構(gòu)，將Demucs迭代為使用Self-attention（自注意力）機(jī)制的混合頻譜圖和波形分離模型。采用新架構(gòu)的模型能夠?qū)崿F(xiàn)更好的分離效果，但對(duì)算力的需求也隨之升高。該院校現(xiàn)有的計(jì)算資源在數(shù)量和質(zhì)量上都無法滿足模型的訓(xùn)練需求，難以根據(jù)實(shí)際應(yīng)用場(chǎng)景的需求快速升級(jí)、迭代算法。

該音樂院校與浪潮信息密切合作，通過AI算力服務(wù)解決算力挑戰(zhàn)。浪潮信息以高性能、高質(zhì)量的AI算力服務(wù)協(xié)助用戶進(jìn)行音樂分離AI模型的研究開發(fā)，很好地滿足了模型訓(xùn)練過程中的計(jì)算資源需求。同時(shí)借助浪潮信息AI算力服務(wù)，該音樂院校消除了CPU計(jì)算瓶頸并有效提升了GPU資源利用率，將模型的訓(xùn)練效率提升了5倍，從而能夠更快、更高效地迭代音樂分離AI模型，處理更多數(shù)據(jù)，達(dá)到更好的分離效果。該院校計(jì)劃通過AI算力合作，進(jìn)一步降低模型的使用門檻，為更多影音從業(yè)者提供專業(yè)服務(wù)。

浪潮信息推出的AI算力服務(wù)產(chǎn)品，涵蓋國(guó)際和國(guó)內(nèi)領(lǐng)先的4種AI算力產(chǎn)品、經(jīng)“源”清洗驗(yàn)證過的語言或多模態(tài)的大模型數(shù)據(jù)集的2種數(shù)據(jù)產(chǎn)品、由“源”專家團(tuán)隊(duì)提供的語言或多模態(tài)的大模型訓(xùn)練支持的2種算法產(chǎn)品以及AI訓(xùn)練推理資源管理調(diào)度的1種平臺(tái)產(chǎn)品。目前，AI算力服務(wù)相關(guān)信息已在元腦生態(tài)AIStore平臺(tái)上線，并提供進(jìn)一步購(gòu)買和試用咨詢。

審核編輯 ：李倩