深入研究AI：为混音工程师提供 AI 辅助 DAW 指南

qosmo音频应用新手发布 · 2026-04-09

Greg Simmons 深入研究了 AI 培训，为混音工程师提供了 AI 辅助 DAW 指南，并建议使用 EEG 为 AI 提供人类感官反馈。

AI开发人员应该将注意力从没人需要的工具转移到潜在用户的需求上，询问需要什么、想要什么以及值得付费。接下来是两个我不感兴趣的基于AI的产品的例子：1）成为房间里最危险的人，2）让一个AI女朋友被困在我的手机里。我想要AI，而不是青少年的愚蠢。

我对AI工具非常感兴趣，这些工具是在与了解工作的人协商后制作的，从而专注于真正有用和重要的东西。编辑不仅仅是剪切和连接——除非你想要出现故障。要让声音更有力，不仅仅是提高低音并严重压缩它 - 除非你想要混音中的东西总是太强或太弱，但永远不会恰到好处。要让声音变得更大，除了调高混响之外还有更多的事情要做——除非你希望在混音中听到声音时它淹没在空间泥浆中。

当你了解这件作品时，你也就了解了它的人工制品和粗糙的边缘。你知道该听什么。你会采取必要的措施来减少伪影，并采取必要的措施来平滑粗糙的边缘。如果AI要对音频专业人士有任何真正的用处，它需要预测和识别这些伪影和粗糙边缘，如果可以的话修复它们，或者突出显示它们以供音频专业人士修复。如果AI辅助的 DAW 可以在不到一分钟的时间内对鼓轨或对话录音进行 200 次编辑，我不介意修复它无法完成的少数编辑——只要它能引导我找到它们。换句话说，它知道它们不对，但无法自行修复......

AI 开发人员应该与 DAW 和 NLE 开发人员合作，并向音频和视频专业人士询问哪些 AI 工具实际上可以在制作过程中提供帮助。他们应该花时间与这些专业人员在一起，尽可能多地了解工作所需的信息：训练AI、测试它、提供反馈以提高其有效性，并重复这个过程，直到AI达到可接受的“理解工作”水平，使其有所帮助。然后他们就会拥有一个真正有用且值得付费的工具。

作者 Jeff Gothelf 创造了与AI训练相关的术语“理解工作”，并在这里做了很好的总结。这是一篇简短但值得一读的文章，它很好地引导了……

在AI的背景下，训练过程是指教导AI系统执行特定任务。第一步是预训练，其中AI会接触大量适当的数据，从中学习识别模式、关系和规则。第二步称为验证，人类操作员向AI提供之前未接触过的数据，评估其响应方式，并提供相关反馈。第三步称为测试，其中AI会接触到更多以前从未接触过的数据，并测试结果的质量和准确性。与学习环境中的任何测试一样，低准确度结果表明要返回到第二步甚至第一步，而始终如一的高精度结果（例如每次都接近 100%）令人鼓舞，但可能表明测试过程中存在错误。通过这些步骤的迭代，AI的结果最终得到完善，以提供所需的性能水平。

为了便于理解，让我们看一下 ChatGPT 及其训练过程……

“ChatGPT”代表“聊天生成预训练变压器”。 “聊天”是指进行对话互动的主要功能；它本质上是一个聊天机器人。 “Generative”是指它根据收到的输入生成输出（在本例中为文本响应）的能力。 “预训练”意味着它在针对特定任务进行微调之前已经接受了大量相关数据的训练，使其能够理解和生成类似人类的文本。“Transformer”是指用于处理和生成语言的底层架构； Transformer 模型是自然语言处理中流行的框架。不仅仅是眼睛看到的，是吧？

因此，“ChatGPT”术语描述了一种AI模型，该模型旨在根据先前的训练和高级语言处理能力生成会话文本。

ChatGPT-3.5 是第一个于 2022 年 11 月公开的版本。它使用称为“监督学习”的机器学习技术进行训练，然后使用“强化学习”。它是根据包含来自书籍、网站和其他公开来源的文本的大量数据集进行预训练的，但其训练仅限于 2021 年 9 月之前存在的信息，这一日期被称为“知识截止”。最初，人类培训师提供了示例对话来指导其反应。然后，带有人类反馈的强化学习（RLHF）对其性能进行了微调，人类评估者对其输出进行排序并提供反馈以提高质量。这一迭代过程使 ChatGPT-3.5 能够在不同的主题中生成连贯的、上下文相关的响应。

2026 年 3 月 5 日，OpenAI 发布了 ChatGPT“家族”的最新版本：ChatGPT-5.4 Thinking、ChatGPT-5.4 Pro 和 ChatGPT-5.4 Mini。这些版本的知识截止日期均为 2025 年 8 月 31 日。为了减少根据超出其知识截止的信息制定响应时的幻觉（如本系列第一部分中所述），ChatGPT-5.4 系列依赖于先进的网络浏览技术和本机计算机交互（即模仿人类在搜索和检查信息时的行为），使其能够搜索互联网、读取基于屏幕截图的数据（即从图像中提取文本）以及与其他软件交互以获取实时信息。尽管如此，任何基于超出知识界限的信息的结果仍应谨慎对待，因为就像人类在搜索信息时一样，有可能得出两个相关的数据点，而它们之间的信息缺失或相互冲突，并假设（或产生幻觉）最合理的联系。

面向混音工程师的AI辅助 DAW

因为这本杂志名为《AudioTechnology》，所以我们现在将远离聊天机器人、数据搜索和幻觉，并专注于旨在存在于 DAW 中并协助音频制作职责的AI。下面讨论的许多流程都与视频制作中的流程相当，而这些流程也适用于AI辅助的非线性编辑。

旨在协助 DAW 的 AI 与 ChatGPT 有着根本的不同，因为它不是聊天机器人，也不需要是聊天机器人。如果实施正确，它将不需要与用户聊天。它的大部分功能将作为附加菜单项集成到 DAW 中，就像 Apple Intelligence 的功能出现在 Apple 应用程序中一样 - 没有大惊小怪，没有特殊的 UI，也没有书呆子“进入 AI 模式”的废话。没有人愿意跳进跳出他们的工作流程来使用AI功能；访问它们应该像选择菜单项或双击插件以查看其参数一样简单。它们应该是工作流程的一部分。 AI 通过混音工程师当前选择的设置和最近的混音历史（即更改的顺序以及由此产生的差异）进行上下文“提示”，这些共同告诉 AI 混音工程师想要实现的目标。例如，增加两个通道之间的分离应该像选择通道、从下拉菜单中选择“分离”一样简单，然后让 AI 使用工程师的当前设置和插件作为起点来增加所选声音之间的分离。如果混音工程师正在创建相对干燥的混音并依靠 EQ 来解决问题，那么使用混响来解决问题是没有意义的。当AI完成后，“更多/更少”滑块允许工程师微调结果，并且“重试”按钮告诉AI尝试不同的解决方案。

以下是创建和训练AI辅助 DAW 的地图，这对混音工程师来说无疑是有用的。它假设AI经过了音乐、声学、心理声学、音频信号属性的客观基础知识的预先训练，熟悉调音台和效果器上的典型参数、混音过程、不同音乐流派的混合美学，以及对上述“理解作品”问题的认识。

然后，通过为 AI 提供常见的混音相关任务来验证预训练，例如创建新会话并使用给定文件夹中的音频文件填充它、创建特定的信号处理路径以及响应典型的混音挑战，如下所示：

a) 使用通道的现有设置作为参考，提高音乐上有效频率的水平并降低音乐上无效频率的水平，同时保留信号的感知亮度；

b) 使用每个通道的现有设置作为参考，通过减少所选声音之间的任何频率掩蔽来提高所选声音之间的清晰度；

c) 使用 DAW 的标准插件，以尽可能不引人注目的方式将信号的音乐动态范围从 20dB 降低到 12dB；

d) 以各通道的压缩插件为参考，将所选信号的音乐动态范围匹配在±3dB以内；

e) 从所选对话轨道中删除所有“ums”和“errs”，并指出可能有问题的任何更改；

f) 对所选音轨进行消除嘶声并指出可能有问题的任何更改；

g) 编辑选定的鼓音轨以消除所有溢出，并指出任何不允许平滑过渡的编辑。

然后，“在职”混合工程师会对这些挑战的结果进行评估，以提供改进反馈。 [挑战 (a) 到 (d) 的解决方案将在我的耳机混音系列的第四部分和第五部分中讨论。]

没有人愿意跳进跳出他们的工作流程来使用AI功能

然后，AI通过与“工资单上”和/或签约混音工程师进一步合作，使用专门创建的会话来接收带有人类反馈的强化学习，以呈现职业人士希望AI完成的挑战类型。

重复上述过程，直到 AI 辅助 DAW 始终提供可接受的结果 - 其中“可接受”意味着其所有建议都在其预训练的范围内，因此并不荒谬（尽管它们可能并不总是有帮助），并且考虑到其基本作用是协助混音工程师而不是取代他们。在此过程中，经验丰富的混音工程师的手指始终会放在“可接受”、“重试”和“忽略”按钮上。

最后，当AI辅助的 DAW 持续提供可接受的结果时，开发人员将其开箱即用并推向市场，并开始对拥有它的混音工程师进行个性化的自我训练 – 了解他们的偏好、技术和美学，并变得越来越个性化和有用。它是一位孜孜不倦的助理工程师，具有无限的注意力——在屏幕的另一边不引人注意地学习和工作，而不是在混音工程师的肩膀后面看或定期脱离去检查其社交媒体。上班永远不会迟到，永远不会请病假，也永远不需要为了家庭责任而早退。

生活AI模仿艺术

作为学习过程的一部分，AI将混音工程师的变化与其预先训练和验证的知识（如前所述）交叉引用，以寻找合理的客观理由——例如，混音工程师改变了最有可能适合音乐有效时间的延迟，以一种或另一种最有可能减少掩蔽的方式推动EQ选择，或者使用最有可能提高信号整体电平而不削波的峰值限制。AI并不是寻找特定的数值来以数字绘制的方式进行模仿。相反，它试图确定每次更改背后的情况和原因，以便知道何时在需要时建议或应用类似的更改。

如果AI无法找到合理的客观理由，它可以在停机期间询问混音工程师为什么要进行更改——打开相关会话并突出显示更改。如果在混音工程师的帮助下，它可以确定可应用于类似情况的客观理由，那么它就可以通过增加和减少相关设置来测试该更改的限制，从而根据混音工程师的“太多”和“不够”响应确定“可接受窗口”。

AI无法找到客观理由的任何变化都被视为主观决定。它们并没有将它们视为特定情况的解决方案，而是成为AI为混音工程师创建的“美学轮廓”的一部分——有些比其他混音更明亮，有些比其他使用更多压缩，有些比其他使用更少的混响。如果给定一项任务，例如在两种声音之间建立更多的分离度，AI可以提出许多可行的解决方案，但会呈现最符合混音工程师审美特征的解决方案。其他解决方案将相应地排队，如果混音工程师不喜欢第一个解决方案，则可以随时呈现。通过使用审美轮廓，AI本质上是根据混音工程师的审美做出主观/创造性的决定。

为了加速学习过程，AI 辅助 DAW 可以访问过去的会话文件，以建立历史记录，从中识别混音工程师过程中的重复模式，例如“这位工程师总是降低底鼓中的 400Hz，直到它代表鼓总能谱的 10% 左右”或“这位工程师从不对吉他声音进行任何 EQ 剪切，只进行增强”。这就像助理工程师问“你为什么这么做？”，而混音工程师耸耸肩回答道：“这就是我喜欢的听起来……”

所有这些都定义了混音工程师的方法和整体审美。AI辅助的 DAW 可能拥有大量用户，并且随着时间的推移，将为每个用户创建美观的配置文件 - 假设有登录或登录过程，因此它知道它在为谁工作。
AI和插件

AI 应该能够访问和控制插件——不仅是 DAW 附带的插件，还包括任何已安装的第三方插件。这将要求插件制造商采用一个 API，使用标准化术语来描述插件的参数（频率、剪切、增强等）。插件开发人员可以在插件的用户界面上使用任何他们喜欢的术语（对于使用不常见术语的老式处理器的模拟尤其重要），但 API 将使用标准化术语向 AI 提供插件的参数。

特定插件独有且不符合任何标准化术语的参数将与 Midi SysEx（系统独占）消息类似地处理；如果AI知道它们的作用，它就可以使用它们；如果不知道，AI就可以忽略它们。

我愿意付费购买一个经过预先训练、验证和测试的AI辅助 DAW，它可以根据我的会话文件、我的工作习惯和我的审美进一步训练和个性化自身，如上所述。我训练它做的第一件事是我通常在混音之前做的繁重工作，如下......

1. 工作

复制客户的原始文件夹并将原始文件夹发送到云存储中进行安全保存，从而确保客户的原始文件不会受到以下任何步骤的影响。
2.2.jpg

2. 元数据修正

分析每个音频文件的元数据，并在必要时进行修复/更正，以防止出现莫名其妙的“我不明白，昨天运行得很好”问题，以及当会话中的一个或多个文件存在元数据问题（例如文件大小不正确和缺少 EOF 条件）时不可避免地出现的弹跳问题。我认为这是从其他人那里接收文件进行混音时至关重要的第一步——特别是当客户在完成所有所需的编辑、自动调音等操作后将这些文件从 DAW 中退回时。

3.2.jpg

3.-20LUFS标准化

将每个文件的响度调整到 -20LUFS 左右，除非这会导致其峰值电平超过 -1dBTP，在这种情况下降低电平，使其不超过 -1dBTP 并记下所应用的电平降低。这是一个简单的分析和获取过程，可以由 AI 在将文件放入会话之前完成。第八步解释了这种智能标准化的好处。

4.2.jpg

[我目前使用 Zynaptiq 的 Myriad 批处理应用程序来执行上述第二步和第三步。（“批处理”只是意味着所有文件都可以立即加载，并且只需按一下按钮即可对所有文件或选定的组进行相同的处理。）对于第二步，它会识别任何元数据问题，并提供纠正这些问题的方法选择，以及每种方法的优缺点。这是AI可以完成的一个纯粹客观的过程，同时还可以根据问题的背景和类型实施“最佳选择”解决方案，从而减少我的决策权。对于第三步，Myriad 列出了每个文件的当前 LUFS 和 TP 值，并且可以同时将所有文件（或选择的文件）标准化为给定的响度值。如果提供的文件的 LUFS 和 TP 级别彼此之间差异很大，我会使用电子表格来计算可以安全地应用于每个文件的增益量，以便在将所有文件加载到会话文件中之前将它们保持在相同的 LUFS 级别。这是AI可以执行并遵循的客观“繁重工作”，如步骤八所述。]

4. 创建会话

创建一个会话，并按照我通常放置的顺序加载前面步骤中检查和调整的文件，将相关声音分组在一起（例如，低音 DI 通道位于低音麦克风通道旁边）。根据文件名命名所有轨道和通道条。如果有必要，我可以稍后将名称缩写为更直观的名称，但如果文件有问题或可疑，我想一目了然地知道它提供的名称，以方便与客户的通信。

5.2.jpg

5. 插件和发送

AI 会在每个通道条上插入我通常开始使用的插件：一个校正 EQ，然后是一个校正压缩器，然后是一个增强 EQ 和一个集成 EQ，如我的耳机混音系列的第四部分和第五部分中所述。每个通道上的所有插件都是相同的，就像在模拟控制台时代，每个通道条都具有相同的均衡器和相同的动态处理（如果有任何动态处理的话），工程师们继续混合音乐，而不是考虑哪些插件是最佳选择，因为别无选择 - 除了效果机架中可能有两个或三个处理器必须通过插线架和电缆连接。请注意，此时所有插件都会被绕过。如果在步骤 6 中需要，AI 将启用通道的校正均衡器；如果在步骤 8 中需要，AI 将启用通道的校正压缩。

此外，在此阶段，AI将设置我常用的空间处理配置：为每个空间处理器创建额外的混音通道，设置辅助发送来访问它们，并根据音乐的节奏设置“起点”预延迟、混响时间和类似参数（如我的耳机混音系列的第六部分中所述）。

6.2.jpg

6. 用 HPF 去消音

AI 将找到每个音轨中音乐价值的最低频率（基于音乐音阶中音符的频率），并在每个通道的校正 EQ 上以适当的频率和斜率设置高通滤波器，以消除 AI 认为没有音乐价值的任何低频杂音。

当我进行混音时，我会仔细检查 AI 的选择 - 但我不希望在我做出 EQ 决策时这些废话妨碍我。我也不希望听不见的、不必要的或非音乐性的亚音速影响动态处理器的行为，或迫使我的监听扬声器在不影响其性能的情况下再现它们无法再现的频率。我宁愿先去除低频余音，然后在需要时将其重新恢复。
7.2.jpg

7. 临时静音

将静音自动化应用于曲目开头、结尾和曲目期间的任何非音乐部分（倒计时、音乐家之间的聊天等）。我不想删除这些东西，只是暂时静音，因为有时从性能的角度来看它们会增加组合的价值。稍后我将检查它们对组合的潜在价值。
8.2.jpg

8. 剪辑

响度级别降低到 -20LUFS 以下以防止超过 -1dBTP（如上述步骤三所述）的音轨将被重新评估，以防在去除不必要的低频能量后其峰值水平降低（步骤六）。仍然具有过多峰值的轨道将通过通道条中的校正压缩器减少这些峰值。AI将使用客观数学应用“低阈值/低比率”压缩（如我的耳机混音系列的第五部分所示），以防止这些音轨被削波 - 无论结果听起来是否好。让校正压缩听起来不错是一件主观的事情，我稍后会做；AI所做的就是确保声音处于可用水平以开始混音而不会出现削波。每个由AI应用这种类型的校正压缩的通道都会有一个红色的推子顶部，表明我应该检查它。纠正压缩也可能导致更高的 LUFS 级别，这将在下一步中解决。
9.2.jpg

9. 推子电平

由于上述步骤，我知道所有轨道的响度水平大致相同 -20LUFS - 除了那些峰值水平过高的轨道（在第三步中其水平降低，但现在可能由于在步骤八中应用的校正压缩而被感知为更大声）以及在第六步中删除了显着亚音速的轨道（现在可能具有较低的总体水平）。

设置的最后一步将所有通道推子置于同一水平，由 AI 确定，通过每个通道条提供高于 -20LUFS 的平均 20dB 的动态余量。然后频道将被静音。为了便于讨论，我们将其称为“标准”位置。由于校正压缩（第八步）和/或校正均衡器（第六步）而改变电平的轨道将通过插件的输出电平控制（如果可用且足够）对其电平进行补偿。如果没有，它们的电平将由推子补偿，并用红色推子顶部指示（如果还没有）。
10.2.jpg

10. 准备混音

我的大多数轨道现在都位于 -20LUFS 左右，并且其通道条中的标称电平之上有大约 20dB 的动态余量。这相当于过去的传统模拟录音室，每个音轨都以 0dBVU 的标称电平录制（因此感知电平大致相同），并且每个通道条的动态余量至少比 0dBVU 标称电平高出 20dB。这是我非常满意的起始配置，因为这是我学会录制和混音的。这也是AI根据需要创建自己的平衡的一个很好的起点（稍后会详细介绍），并且在使用模拟老式压缩器和限制器的插件时非常有价值，因为这些设备的阈值旨在用于与通过上述步骤创建的信号特征相似的模拟系统。

11.2.jpg

做好准备开始工作

上面的步骤代表了我在使用我自己没有录制的文件准备混音会话时经历的最坏情况过程，尽管由于AI的功能，某些步骤已经被简化和进一步采取。现在是时候检查AI的决定了，在卷起袖子开始工作之前，先简单地独奏每首曲目。

也许AI将通道的 HPF 设置得太高（第六步），将其降低八度会为声音增加莫名其妙的“重量”，尽管没有可识别的音乐价值。也许由于过度动态（步骤八）而被压缩/限制的声音从来没有打算在混音中变得非常响亮，因此不需要任何压缩或峰值限制。也许混响的 1/64 音符预延迟对于我想要为混音创建的任何空间来说都太短了（第五步）。也许我喜欢最后（第七步）鼓手和贝斯手之间无声闲聊的“向上”氛围，并希望将其包含在淡出中。

我可以随时改变AI的任何决定，但是，假设一切顺利，我将根据自己的喜好从消息灵通的位置开始我的混音……

从稳定性的角度来看，我知道所有曲目的元数据都经过检查和更正，因此我不会期望在弹跳或保存过程中出现任何最后一刻的意外。

就音调而言，我知道当在混音总线上听到时，我的大部分曲目将位于等响度轮廓上的同一点，确保我最初的校正 EQ 和增强 EQ 决策是在相同的音调环境中做出的 - 在我开始推动推子之前，这将保持不变，此时我可能会调整我的增强 EQ，同时也使用我的集成 EQ 来帮助声音在混音中彼此并排（如我的耳机混音系列的第四部分所示）。

从动态上讲，我知道带有红色推子顶部的通道需要我的注意。在大多数情况下，红色推子顶部表示 AI 的校正压缩已以纯粹客观的方式应用，以防止削波（如步骤 8 中所述），并且可能需要进行更改以实现音乐上可接受的结果 - 考虑到 a) 曲目的动态及其在音乐中的作用，b) 我正在混音的动态视角，以及 c) 发布媒体的动态限制。我知道在混音中允许峰值电平是没有意义的，因为我知道这会给下游的母带制作和/或分发带来问题。预防胜于治疗。如果我改变了修正压缩器上AI的目标设置，红色推子顶部将恢复到正常颜色。在其余情况下，这意味着通道条上使用的校正压缩或校正 EQ 插件没有足够的或没有输出电平控制，并且使用推子与其他信号电平进行平衡（如步骤九中所述）。

在空间上，我知道我喜欢的混响和延迟已经在辅助发送上设置，并通过它们自己的通道条返回到混音中 - 这意味着它们可以应用均衡器和其他插件，并且每个效果都可以发送到另一个效果以创建图层（更多关于我的耳机混音系列的第六部分）。每个通道的辅助发送均已设置为推子后，并且其发送电平降低至 -∞dB（即关闭）。每个辅助发送的主电平已设置为 0dB，每个空间效果的混音总线推子也已设置为 0dB。要将空间效果应用到轨道，我只需在该轨道的通道条上打开适当的辅助发送 - 效果信号路径的其余部分已打开并准备就绪。

未来已经到来。只是还没有均匀分布。

12.1-pichi.jpg

手里拿着咖啡，屁股放在座位上，头上戴着耳机，我准备开始混音。我使用的是远程备份的一组文件，没有元数据错误，没有过多的峰值或亚音速意外，也没有复杂的修补问题——但我所做的只是将AI辅助的 DAW 指向包含客户原始文件的文件夹，告诉它准备混音会话，然后去喝早间咖啡（这是我每天“成为人类”例行公事的必要组成部分）。AI 辅助 DAW 以我喜欢的方式为我完成了所有耗时的繁重工作和耗费脑力的螺丝刀工作。我现在可以一次试听一首曲目、一组试听曲目或一起试听曲目 - 无论什么感觉都是开始混音的正确方式。

上述步骤有时可能需要我长达一个小时才能完成，甚至在开始混音之前就让我精神疲惫。AI辅助的 DAW 可能可以在五分钟内完成这一切 - 特别是如果AI的硬件内置于运行 DAW 的设备中（就像 Apple Intelligence 和 Logic Pro 组合一样），或者直接连接到设备而不是使用无线互联网连接。这可能会在会话开始时节省一个小时。我仍然会按照约定的时间/价格向客户收取费用，但我会利用AI节省的时间以及我新鲜的头脑，让一切“恰到好处”而不是“足够好”，并最终创建一个更好的混音来服务于音乐（如下所述）。

更多功能

上述 10 个步骤对于设备上的 AI 来说是简单的任务，可以通过选择菜单项（例如“设置会话”）、导航到包含客户端文件的文件夹并单击“开始”来启动。然后，混音工程师可以煮咖啡、洗澡、查看社交活动等，而 AI 辅助的 DAW 则负责准备混音会话的繁重工作和螺丝刀工作。

这对于设置来说非常棒，但是在混音过程中呢？

除了要求AI创建一个平衡来开始混音或作为预览发送给客户端（我们将很快讨论“平衡”和“混音”之间的区别）之外，这里有一个我想要的有用工具的简短愿望清单。毫无疑问，你还能想到更多……

我想选择一个曲目，然后单击一个菜单项（“自动调整”），告诉 AI 提供该曲目的基本音调和动态调整。它是上述步骤六和八的高级版本，但指的是与声源和流派相关的频谱参考和动态参考的预先训练的知识。“强度”控制将允许使用单个滑块来增加或减少处理 - 类似于照片编辑应用程序中的自动调整功能，其中增加或减少整体效果会同时在许多参数上产生单独缩放的变化。

我想选择两个或更多在混音中相互竞争的曲目，尽管我尽了最大努力，并选择一个菜单项（“分离”），告诉AI使用当前的插件和设置尝试解决方案，作为我想要的结果的提示。如果我不喜欢它，我可以撤消它，如果结果太极端或不够极端，我可以改变它的强度，或者请求另一个解决方案。

相反，我想选择两个或更多感觉太分离的轨道，并选择一个菜单项（“Ensemble”），告诉AI尝试一种减少它们之间分离的解决方案（例如，使近距离拾音的鼓组听起来像一个单一的乐器 - 事实确实如此），再次使用当前的插件和设置作为我想要的结果的提示。如果我不喜欢它，我可以撤消它，如果结果太极端或不够极端，我可以改变它的强度，或者请求另一个解决方案。

同样，如果我无法以最透明的方式让曲目进入正确的动态视角，我想选择该曲目并选择一个菜单项（“匹配动态”），告诉 AI 使用现有的插件和设置作为我目标音乐动态范围的提示来尝试解决方案（音乐动态范围的概念在我的耳机混音系列的第五部分中进行了解释）。最终的结果可能听起来不像我想要的那么好，在这种情况下，我可能一开始就在努力争取一个不切实际的结果。有时，不可能使具有宽音乐动态范围的声音与窄音乐动态范围的声音舒适地混合在一起，同时保持相同的音质。正如罗杰·米勒明智地建议的那样：“你不能在水牛群中滑旱冰。”

本文到目前为止提到的所有内容对我来说都更好，对客户也更好。每个人都赢了，因为AI已经接受了我的工作方法和我对工作的理解的培训。它做繁重工作和客观计算的速度比我快得多，并且把主观决策、创造性想法和节省时间留给我。人类/AI关系中的一切都是如此——除非你是一名助理工程师，在这种情况下，你就像本系列第一部分中提到的读者和排版员一样，被拖上了同一艘救生艇。下一部分将详细介绍该问题……

SERVING THE MUSIC为音乐服务

我相信我的混音在音乐上永远优于当今狭义AI可以创建的任何混音。为什么有这样的信心？让我们从头开始，这是一个很好的起点......

在我的音频工程职业生涯的最初几天，我了解到音乐家总是会选择好的表演的坏录音而不是坏表演的好录音。糟糕的录音显然有一些缺陷——也许磁带太多嘶嘶声，或者 24 首曲目中的一首出现剪辑的时刻——但如果这是一场好的表演，音乐家们总是会选择继续前进，而不是像我这样的技术完美主义者一时兴起重新录制。也许是时间限制，也许他们听不到技术问题，或者也许他们悄悄地知道这是音乐家可能给出的最好的表演。无论如何，我别无选择，只能忍受这个技术问题，最终它成为我在录音中听到的最响亮的声音。它困扰着我。当它临近时，我有一种恐惧感，当它过去时，我有一种遗憾，每次我都会告诉自己，“如果我能多花一点时间就好了……”

知道好的表演总是胜过好的录音，这促使我不断完善我的录音和混音技巧，直到它们变得快速和本能，再加上高度的态度维护（与 10 号音乐家打交道，却自负 20 号），使我能够实现制作好录音和良好表演的良好混音的三重胜利。换句话说，利用我的技能为音乐服务——这需要一些人类固有的敏感性，而当前的狭义AI不具备感官输入。让我们探索一下它们……

表演者表情

作为混音工程师，重要的不仅仅是聆听音乐。我们必须去感受它并“调整”表演者当时的感受。音乐表演中总有一些部分让人感觉音乐家在想象的舞台上向前迈进，更加努力地投入到自己的角色中，或者在想象的舞台上退后，放松地投入到自己的角色中。如果我们独奏这首曲目，闭上眼睛，仔细聆听，甚至假装我们正在演奏它，这些部分很快就会变得显而易见。他们总是值得在混音中稍微用力一点或柔和一点，看看它是否适合音乐。 “一点点”是多少？继续阅读...

听众的反应

当混合一首歌或一段音乐时，我（和其他人，如果不是单独工作的话）经常会自然地跟着唱，打鼓，或者每当它们出现时都会有类似的反应。这些通常被称为“钩子”，值得巧妙地暂时强调以进一步服务于音乐。这种暂时的强调过去是，现在仍然是，通常通过增加钩子在混音中的突出程度（更多关于下一部分中的突出程度）来完成，用增强的回声或更微妙的混音技巧来突出它，旨在以一种几乎察觉不到的方式抓住并保持听众的注意力。

那些让听众凝视地平线的时刻，仿佛音乐将他们拖入怀旧的海洋。与鱼钩一样，我总是尝试识别并巧妙地强调其原因。

一首歌曲或一段音乐中也有一些时刻，不是钩子或拖网，但仍然会在听众中产生不由自主的反应，例如脚趾敲击、点头、微笑、手指指挥、演奏空气乐器（如下所示）等。

所有这些反应都表明听众在那一刻更深入地参与了音乐，并且通常依赖于肾上腺素、诱发的情绪、怀旧（反思过去的时刻）或替代参与（通过成为表演的想象部分来增强他们的享受）。与表演表达一样，它们总是值得在混音中稍微用力或更柔和，以服务于音乐。

它们也是今天的狭义AI无法识别的所有东西，因为它实际上是“在盒子里”，无法看到、听到或感受到那些听音乐的人的反应——更不用说知道这些反应意味着什么或如何在混音中做出反应。

唯一明显的区别

如上所述，混音中的“为音乐服务”变化属于心理物理学，并且通常是通过多种设置的微小变化（例如±0.5dB）来创建的。它们被称为 JND（“只是明显的差异”），以一种几乎无法察觉的方式改变了混音中表演的突出程度。识别和响应混音过程中的这些时刻通常是平衡和混音之间的区别，因为我们试图在不明显改变声音的情况下改变某个部分的感觉。如果做得好，一般听众不会注意到这些微妙的变化，除非该部分是循环的，并且变化在循环的中途切换——顺便说一句，这就是你知道你做对了的方式。它们只是明显的差异......

平衡还是混合？

根据你从事音频行业的哪个方面，“平衡”和“混合”这两个词通常指的是同一件事。然而，随着AI进入音频工作场所，我们必须澄清对这些词的定义，以便在市场心目中区分我们工作的客观和主观方面。

出于本系列的目的，我们将平衡定义为歌曲或音乐的所有元素都在正确的上下文中组合在一起，并且所有部分从头到尾都可以相对清晰地听到，几乎不需要任何更改（如果有的话）。这就像你在最后一次跟踪/配音会话结束时可能最终得到的监听混音一样——很难客观地找出错误，因为一切都在那里并且得到了充分的体现，但它是一个相对静态的混音，不会尝试根据演奏表达或听众的反应而改变。因此它并没有试图为音乐服务。

正如前面所描述的，这就是我们对AI辅助 DAW 的期望，利用其预先训练的知识、验证、强化训练和内置训练。AI辅助的 DAW 可以在一两分钟内创建出这样的东西，然后在适当的提示下进行一些调整。声音不够响亮？只需将人声推子置于突出模式（在下一部分中讨论），向上推动（这会提示AI当前混音中的人声不够突出），然后让AI完成剩下的工作。它不会是完美的，但对于资金短缺的音乐家来说，它可能足以应对社交媒体的低门槛、广泛的访问和较差的投资回报率。我们称之为平衡。这是技术上正确的客观混合，代表了录音中的声音，但并不试图为他们创作的音乐服务——因为AI辅助的 DAW 没有所需的感官输入或任何生活体验。因此，平衡是非人力预算的选择。

混音超越了平衡。它是由混音工程师录制的声音的混合，也许还有房间里其他人的反馈，其中更多的创造性注意力集中在处理和效果的使用上，以最大限度地发挥每种声音、它如何与其他声音相互作用，以及它如何影响听众。在适当的情况下，它包括几乎不可察觉的变化（JND，如上所述），当表演感觉好像玩家正在走上想象的舞台前面时，这些变化会增加某个部分的突出度，而当感觉好像玩家正在后退时，会降低该部分的突出度。AI辅助的 DAW 可以完成改变声音突出度的客观过程（通常需要同时发生许多难以察觉的变化），但需要混音工程师来指导。当为了服务于音乐而改变平衡时，平衡就变成了混音，而混音就是人为的高级选项。

平衡代表录音，混音服务音乐。

通过完成设置和平衡的繁重工作，AI辅助的 DAW 提供了将平衡转变为混音所需的额外时间。如果它节省了分配的会话时间一小时，则意味着有额外的一小时可用于微调声音并尽可能多地服务于音乐更改。

从现在开始，在整个系列中，我们将根据上述定义使用平衡和混合这两个词……

混合分析

创造可接受的声音平衡并不超出狭义AI的能力，但正如上面所讨论的，这种平衡总是受益于由听众对音乐的反应驱动的音乐调整——将AI的平衡转变为混音工程师的混音。目前或不久的将来，我们不太可能在AI辅助的 DAW 中找到任何“钩子”或“拖网”识别选项。或者我们是？

如果有一种方法可以跟踪、测量和保存听众对混音的实时潜意识反应，并将这些反应用作反馈，使混音更具吸引力，从而更好地服务于音乐，那会怎样呢？

这不完全是脑部手术

脑电图（EEG）或大脑活动监测曾经是新时代伪科学家的领域，他们通过滥用他们不理解的技术术语来获利，但如今已成为市场研究的常用工具。使用非侵入式便携式耳机，市场研究人员可以实时测量参与者对外部刺激的即时和潜意识反应。

使用“焦点小组”的传统方法仍然适用：精心挑选的属于目标人群的一群人参加有关特定产品、服务、概念或营销活动的演示。然而，每个参与者不是在剪贴板上打勾或在讨论中表达意见，而是佩戴脑电图耳机，为市场研究人员提供有关参与者的情绪投入、注意力、认知负荷（处理信息所需的脑力劳动）和记忆编码的客观数据。由于脑电图测量大脑对刺激的立即反应，因此它避免了参与者对演示主题可能产生的任何偏见或条件反射。毫不奇怪，脑电图已成为神经营销学的基石。

Gemini 表示，“神经营销是神经科学和认知科学在营销中的应用，分析消费者对产品、品牌和广告的潜意识反应。通过使用脑电图和眼球追踪等工具，营销人员可以测量情感参与度和注意力，揭示消费者的真实偏好，从而优化营销活动并增加销量。”

使用脑电图，营销人员可以判断刺激（例如产品、服务、概念或营销活动）是否引起参与者的积极或消极反应。它还揭示了刺激能吸引参与者注意力的时间。保持这个想法……

音乐家和其他创建社交媒体内容的人也是营销人员——无论他们承认与否——如果他们成功了，那是因为他们的内容处于特定的市场利基之前，并且他们的内容足够引人注目，在点赞和参与度方面得分很高。这与脑电图和神经营销学有什么关系？如果我们将社交媒体内容视为刺激因素，将市场利基视为人口统计，并将脑电图纳入流程中，我们可以将积极的脑电图反应视为“喜欢”，将消极的脑电图反应视为“不喜欢”，将“关注持续时间”视为参与度。我们将算法社交媒体排名的三位一体封装在脑电图数据中。也保持这个想法……

隔离特定的大脑活动并解释其含义已经花费了数十年的研究，使用的内容如下：
17.2-pichi.jpg

上图所示的脑电图耳机看起来就像一顶布满传感器的泳帽。每个传感器都会测量大脑上表面不同点发生的微小电脉冲，并穿过头骨，由压在头皮上的传感器测量这些电脉冲。这些电脉冲是由大脑表面顶部几毫米的神经元群几乎同时发出微小的放电引起的。他们定期重复这种行为，但脉冲之间的时间间隔取决于身体当前的生理需求以及对外部刺激的反应。有一门完整的科学致力于解释这些电脉冲及其含义。值得庆幸的是，我们不需要深入研究这门科学。出于我们的目的，我们只需要了解有关这些电脉冲的三件事：它们何时发生、发生地点以及脑电图对它们的响应速度。

电脉冲发生的频率告诉我们大脑处于什么“状态”或“行为模式”：

在 Delta 状态下，电脉冲每秒发生四次或更少，这表明深度睡眠。

在 Theta 状态下，电脉冲每秒发生四到七次，表示困倦。

在阿尔法状态下，电脉冲每秒发生 8 到 12 次，表明处于清醒但放松的状态。

在 Beta 状态下，电脉冲每秒发生 13 到 30 次，表明大脑处于活跃状态。

电脉冲发生的位置也告诉我们一些有用的信息。抛开左/右脑理论，重点关注情绪状态，左额叶的电脉冲表示与接近相关的情绪，如幸福和快乐，而右额叶的电脉冲表示与退缩相关的情绪，如不喜欢和恐惧。

EEG 的传感器直接测量神经元的电活动，因此电尖峰（0.02 秒至 0.07 秒）和脉冲（0.07 秒至 0.2 秒）在发生时进行测量，有效地在毫秒尺度上进行测量。当脑电图软件处理并将这些信息呈现给操作员时，可能会有一些延迟，但无论出于何种意图和目的，它本质上都是即时的——当然足够快，足以将瞬时反应与瞬时刺激联系起来，例如歌曲中简短但令人兴奋的挂钩……

一分钱换你的想法
不需要装满传感器的泳帽来测量上述的东西。我们只需使用两个传感器或两小组传感器即可做到这一点，每个传感器位于头部的两侧。该死！如果有一种日常音频工具可以让我们在听众头部的两侧放置一个传感器，而不会让听众看起来或感觉很愚蠢，那就太好了——这可能会扭曲结果。我们能够将脑电图数据带入混音过程中——微调我们的混音，也许还有作品本身，以最大限度地提高听众的参与度……

上图所示的主动降噪耳机 Neurable AI 的 MW75，其耳垫（浅灰色方块）内包含脑电图传感器，目前与移动应用程序配合使用，以显示与注意力、生产力和睡意相关的脑电图数据。在制作质量、舒适度和音质方面，评论家将它们与其他提供主动降噪功能的优质耳机进行了比较。

诸如此类的 EEG 耳机可以为AI辅助 DAW 提供所需的信息，以揭示混音甚至音乐本身的优点和缺点。将脑电图数据与混音相关联，可以揭示高参与度的部分（Beta 状态）、听众喜欢或不喜欢的部分（额叶半球不对称加上参与度）、听众在音乐中放松的部分（Alpha 状态）、无聊的部分（Theta 状态）以及让听众入睡的部分（Delta 状态）。这些数据可以在整个音乐播放过程中进行测量，输入到AI辅助的 DAW 中，并在会话时间线上显示为“参与度”或类似的痕迹。这些信息将为混音工程师和AI提供一个很好的指示，表明混音的哪些部分会因推得更硬或更软而受益，以及混音的哪些部分正在失去听众的注意力。至少从混音的角度来看，这些信息可以用来优化听众的参与度。非常适合 Spotify 等算法驱动的音乐分发平台，这些平台严重依赖参与度作为向特定人群推荐内容的指标。

理想情况下，脑电图数据应该通过许多听众来收集。一些基本处理（本质上是一种巧妙的集成形式）将删除个别听众特有的不相关响应，然后，参与跟踪可以与轨道并行或覆盖在 DAW 上显示。捕获足够脑电图数据的一种便捷方法是将完成的混音放入智能手机中（在将其上传到任何分发平台之前），并将耳机传递给六位志同道合的朋友。这本质上与市场研究人员的“焦点小组”相同，通常由五到六名参与者组成，足以达成普遍共识。

不幸的是，上面显示的脑电图耳机体积大、笨重，不方便随身携带，同时视觉上也很显眼，而且可能会毁掉耗时的发型——这意味着听众可能会在戴上它们时感到不舒服，并且如前所述，这可能会扭曲数据。如果只需要一部智能手机和一组耳塞，脑电图数据收集过程就会容易得多……

上面的产品是一对 Emotiv 的 EEG 耳机及其相关的移动应用程序。整个系统可以放在口袋里，耳塞足够不显眼，而且不会扰乱任何发型。操作员（混音工程师或录音音乐家）可以实时观看设备屏幕上的脑电图数据，留意与音乐无关但与附近发生的事件相符的异常情况，例如饮料洒出、救护车驶过或美发师竖起大拇指。

不管这看起来多么牵强，请记住，市场研究人员多年来一直在使用脑电图来确定某人是否喜欢或不喜欢某事物，无论他们的个人偏见如何。它可能是参与度的最终衡量标准……[向下滚动到“脑电图的其他用途”，了解脑电图和类似应用的更多有趣应用。]

上面讨论的一切都是可能的，其中一些已经上市。脑电图技术在市场研究方面已经很成熟，尽管它最近才从泳帽和绑带式硅胶鱿鱼转向耳机和耳塞。解释脑电图数据的移动应用程序已经投入使用，尽管当前的解释旨在优化个人注意力和生产力。重新编码这种解释以显示某人在听歌曲或音乐、阅读社交媒体帖子或观看 YouTube 视频时的参与度并不困难。在参与很重要的领域，脑电图可能很快就会成为创意过程的一部分：尽最大努力完成你的项目，在少数志同道合的人身上进行测试，以收集适量的脑电图反馈，做出相应的更改，如果你觉得有必要，则在同一个人身上再次测试，并在准备好时上传脑电图优化版本。

但让我们回到我们的AI辅助 DAW……在“平衡还是混合？”中（向上滚动）我们将平衡定义为代表录音的东西，将混音定义为服务于音乐的东西。我们还发现，AI辅助的 DAW 无法为音乐服务（因此只能在代表音乐方面做出平衡），因为它缺乏判断演奏表达和听众反应所需的人类感官输入。然而，脑电图数据可以为AI辅助的 DAW 提供非常基础的感官信息。结合其创造突出的能力（见下一部分），带有脑电图反馈的AI辅助 DAW 可能会从制作平衡升级到制作混音——或者至少听起来更像是混音而不是平衡。发生这种情况的可能性有多大？继续阅读……

当你阅读本文时，AI辅助的 DAW 正在进入音频世界。 Apple 在 Apple Intelligence 和 Logic Pro 方面处于领先地位（如本系列前一部分所述），但跨平台 DAW 制造商似乎正在探索与平台合作的方法，这些平台与 Apple 产品不同，没有将 AI 集成到其操作系统和设备中。我们将在本系列的下一部分中探索一些跨平台的可能性。

与此同时……苹果的 Vision Pro 耳机目前不使用 EEG，但 Cognixion 等公司正在开发专门的 EEG 头带，以取代标准 Vision Pro 头带，并允许有严重言语和行动障碍的人通过思想、凝视或头部运动来控制耳机。如果这些第三方脑电图头带变得流行并开始使用超过其当前设计的用途，应用程序开发人员就会发现它们的其他用途（即其他 EEG 开发人员目前正在做的事情），看到 Apple 将 EEG 直接集成到他们的 Vision Pro 头带中，并从那里集成到他们的耳机和耳塞中，这样 EEG 数据就可以用作 Apple Intelligence 的扩展，并作为其设备内置的辅助功能的一部分，也就不足为奇了。

巧合的是，苹果公司生产智能耳机已经有一段时间了，能够在听者的耳道内进行测量，从而相应地优化耳机的性能——所有这些都由蓝牙设备控制。苹果公司也恰好是全球四大耳机制造商之一，并且在撰写本文时是耳机销售的市场领导者。世界上没有其他公司能够更好地制造本期中描述的AI辅助 DAW 以及与之配套的合适的 EEG 耳塞和/或耳机。脑电图反馈不仅可以用于优化音乐的参与度，还可以用于优化视频、社交媒体帖子、博客和其他形式的内容在发布到世界之前的参与度。脑电图提供的可能性使我们能够改变我们做事的方式——这一理念一直是苹果存在的核心。我们其他人的参与。但回到音频……

EEG 为AI辅助 DAW 提供了其所缺少的固有人类感官输入。随着混音的进行，它无法看到或听到房间里的音乐家和听众，也无法衡量他们的反应：跟着某些部分唱歌、演奏空气乐器、打拍子、不由自主地微笑或做鬼脸等等。它没有生活经验。它无法感受到表演，无法与怀旧时刻联系起来，也无法体验到反应。然而，脑电图为其提供了所有这些人类事物背后的基本信息。我们可以更进一步，在工作室中使用脑电图耳机，在表演者录制自己的部分时捕获他们的脑电图数据，这对于制作服务于音乐的混音非常有用。稍后会详细介绍。

在一个由分析和参与驱动的世界中，带有脑电图反馈的AI辅助 DAW 可以对一切进行调整，以实现最佳的听众参与度：包括作品本身以及每种声音和乐器，一直到混音、母带处理和推广。当我们研究用于录制音乐家的AI辅助 DAW 时，这些功能将在本系列的下一部分中变得特别有趣……

【本文中灰色文字由AI撰写。每个部分都花费了不到 10 秒的时间来提示、创建并粘贴到此文档中，并且不需要我进行任何初步研究。之后我做了一些事实核查和幻觉核查，然后像编辑其他人的作品一样编辑文本，使其与 AudioTechnology 的“声音”保持一致。在每种情况下，我都在利用AI的优势（信息收集）并避免其弱点（判断和意见）。]

文章出处：https://www.audiotechnology.com/features/ai-daws-audio-2

账号		自动登录	找回密码
密码			快速注册

深入研究AI：为混音工程师提供 AI 辅助 DAW 指南

发表回复

音频应用活动预告

音频应用专题报道

深入研究AI：为混音工程师提供 AI 辅助 DAW 指南

相关推荐

发表回复

音频应用活动预告

音频应用专题报道