Explainability Paths for Sustained Artistic Practice with AI

AI驱动的生成音频的发展反映了更广泛的人工智能趋势，往往以牺牲可解释性为代价来优先考虑即时可用性。因此，将这些工具整合到持续的艺术实践中仍然是一个重大挑战。在本文中，我们探讨了几种改善可解释性的途径，主要从我们在培训和实施生成音频模型的研究创作实践中汲取经验。作为改善可解释性的实际措施，我们强调了人类对培训材料的掌控、小规模数据集的可行性、迭代创作过程的促进以及交互式机器学习作为映射工具的整合。重要的是，这些步骤旨在增强人类对生成AI系统的掌控能力，不仅限于模型推理时，还包括在策划和预处理培训数据以及模型培训阶段。

如何提高可解释性，使生成音频的AI工具能够更好地融入艺术实践中？

通过提高人类对训练材料的控制、使用小规模数据集、促进迭代的创造过程以及将交互式机器学习作为映射工具来增强人类对生成AI系统的控制力，从而提高生成音频的可解释性。

论文提出了多种实用的方法来提高生成音频AI工具的可解释性，包括人类对训练材料的控制、小规模数据集的使用、迭代创造过程的促进以及交互式机器学习的应用。实验设计合理，提供了开源代码和数据集。

最近的相关研究包括《Deep Learning for Audio Signal Processing》、《Music Generation with Deep Learning》等。