مرجع صوتی چیست؟

مرجع صوتی، یا Audio Reference، به فایل صوتی یا بخش مشخصی از موسیقی گفته می‌شود که برای هدایت مدل‌های هوش مصنوعی در فرآیند تولید تصویر یا ویدیو مورد استفاده قرار می‌گیرد. در واقع، مرجع صوتی به مدل نشان می‌دهد که مضمون، ریتم یا اتمسفر صوتی مورد نظر چیست تا خروجی‌های بصری هماهنگ با این ویژگی‌ها تولید شوند. این هماهنگی می‌تواند شامل سینک شدن حرکات، تغییرات تصویری براساس ضرب‌آهنگ، یا خلق فضایی سازگار با حس موسیقی باشد.

اهمیت مرجع صوتی در پروژه‌هایی پررنگ است که نیاز به تولید محتوای مالتی‌مدیا دارند؛ مثلاً در ساخت کلیپ‌های کوتاه، موزیک‌ویدیو‌ها یا تبلیغات تصویری که تصاویر باید دقیقاً بر اساس موسیقی شکل بگیرند. استفاده از مرجع صوتی به هوش مصنوعی کمک می‌کند تا ویدیوهایی تولید کند که حس و حال موسیقی را به‌خوبی منتقل می‌کنند. به عنوان مثال، وقتی کاربری می‌خواهد ویدیوی تیزری برای قطعه موسیقی خودش بسازد، می‌تواند بخشی از آهنگ را به عنوان مرجع صوتی مدل ارائه دهد؛ سپس مدل، تصاویر متحرک یا ویدیویی می‌سازد که ضرب‌آهنگ و تغییر حالات آن با موسیقی هماهنگ است.

مرجع صوتی ممکن است با اصطلاح «ورودی صوتی» اشتباه گرفته شود. ورودی صوتی معمولاً به هر صدایی اطلاق می‌شود که وارد سیستم می‌شود (مثلاً برای تشخیص گفتار). اما مرجع صوتی کاربردی خاص دارد و هدفش هدایت مدل در فرآیند تولید محتوای جدید است، نه صرفاً دریافت صوت برای پردازش.