Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai30. April 2020 · Q007803

Jukebox

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt Jukebox als Modell vor, das Musik direkt als Audio erzeugt und sich laut OpenAI durch Künstlerstil, Genre, Liedtexte oder Audioausschnitte steuern lässt. Die Ergebnisse seien lokal teils stimmig, doch größere Songstrukturen, Klangqualität und Generierungsgeschwindigkeit blieben deutlich eingeschränkt; trainiert wurde überwiegend mit westlicher Musik und englischen Texten. Die bereitgestellte Textfassung enthält keine hörbaren Beispiele.

Mittel

Der Bericht beschreibt Jukebox als ein neuronales Netz, das Musik direkt als Audiodaten erzeugt und sich laut OpenAI anhand von Genre, Künstlerstil, Texten oder kurzen Audioausschnitten steuern lässt. Das Modell komprimiert Roh-Audio in drei Ebenen diskreter Codes. Transformer erzeugen daraus erst längerfristige musikalische Strukturen und ergänzen anschließend lokale Klangdetails. Für das Training habe OpenAI 1,2 Millionen Songs gesammelt, darunter 600.000 englischsprachige. Liedtexte wurden zunächst grob und später mithilfe extrahierter Gesangsspuren genauer mit den Aufnahmen ausgerichtet.

OpenAI berichtet von vielfältigen Stilen, lokal stimmigen Passagen und teils überzeugenden Soli. Zugleich fehle es den Ergebnissen an größeren musikalischen Formen wie wiederkehrenden Refrains; die Verarbeitung erzeuge hörbares Rauschen. Eine Minute Audio zu erzeugen dauere etwa neun Stunden, weshalb interaktive Anwendungen noch nicht möglich seien. Das Training beruhe überwiegend auf westlicher Musik und englischen Texten. Zehn befragte Musikerinnen und Musiker hätten das Ergebnis laut Bericht interessant, aber noch nicht direkt für ihre Arbeit anwendbar gefunden. Die vorliegende Textfassung enthält keine hörbaren Beispiele, obwohl der Bericht auf solche verweist.

Ausführlich lesen

Der Bericht stellt Jukebox als ein neuronales Netz vor, das Musik einschließlich einfacher Gesangsparts direkt als Audiodaten erzeugen soll. Laut OpenAI kann es sich an Genre, Künstlerstil und Liedtext orientieren; veröffentlicht werden sollten außerdem Modellgewichte, Code und ein Werkzeug zum Durchstöbern der erzeugten Beispiele. Die gezeigten Liedtexte seien gemeinsam von einem Sprachmodell und Forschenden erstellt worden. Der Bericht beschreibt auch Fortsetzungen aus zwölf Sekunden vorgegebenem Audio. OpenAI zufolge erzeugt das Modell selbst bei Texten aus den Trainingsdaten deutlich andere Lieder als die Vorlagen.

Als Motivation nennt der Beitrag Grenzen symbolischer Musikgeneratoren: Sie können zwar Noten und Instrumente modellieren, bilden Stimmen und feine Klangfarben oder Ausdruck aber nur eingeschränkt ab. Die direkte Erzeugung von Audio ist laut Bericht wegen der sehr langen Sequenzen schwierig. Eine vierminütige Aufnahme in CD-Qualität umfasse mehr als zehn Millionen Zeitschritte. Jukebox komprimiert daher zunächst Roh-Audio mit einem hierarchischen VQ-VAE in diskrete Codes. Drei Ebenen reduzieren die Datenmenge unterschiedlich stark; dabei geht Klangdetail verloren, während wesentliche Informationen zu Tonhöhe, Klangfarbe und Lautstärke laut Beitrag erhalten bleiben sollen. Transformer erzeugen anschließend zunächst stark komprimierte Codes für längerfristige musikalische Strukturen und ergänzen sie auf zwei Ebenen um lokale Strukturen und Klangdetails.

Für das Training habe OpenAI nach eigener Darstellung 1,2 Millionen Songs aus dem Web gesammelt, darunter 600.000 englischsprachige, und sie mit Liedtexten sowie Metadaten von LyricWiki verknüpft. Als Metadaten nennt der Bericht Künstler, Album, Genre, Erscheinungsjahr und Stimmungs- oder Playlist-Begriffe. Künstler- und Genreangaben sollen die Erzeugung stilistisch lenken. Für die Textausrichtung nutzte das Team zunächst eine lineare Zuordnung über die Songdauer. Bei schnell gesungenen Texten, etwa in Hip-Hop, habe diese Methode versagt; deshalb wurden Gesangsspuren extrahiert und Wörter genauer mit dem Audio ausgerichtet.

OpenAI beschreibt als Ergebnisse eine größere Bandbreite an Musik- und Gesangsstilen, lokale musikalische Stimmigkeit, traditionelle Akkordfolgen und teils eindrucksvolle Soli. Zugleich betont der Bericht eine deutliche Lücke zu menschengemachter Musik: Wiederkehrende Großformen wie Refrains seien kaum erkennbar, und die Komprimierung führe zu hörbarem Rauschen. Eine Minute Audio vollständig zu erzeugen dauere ungefähr neun Stunden; interaktive Anwendungen seien damit noch nicht möglich. Trainiert worden sei überwiegend mit westlicher Musik und englischen Texten. Zehn Musikerinnen und Musiker hätten das Forschungsergebnis laut Beitrag zwar interessant, angesichts der Einschränkungen aber noch nicht unmittelbar für ihren kreativen Prozess nutzbar gefunden. Als mögliche nächste Schritte nennt OpenAI die Steuerung durch MIDI- und Stem-Dateien sowie die Einbeziehung weiterer Sprachen und Musikregionen.

Der Text ist ein Forschungsbericht mit Selbstdarstellungen des entwickelnden Unternehmens; die Aussagen über Qualität und Fähigkeiten werden darin nicht durch eine unabhängige Auswertung belegt. Die hier bereitgestellte Textfassung enthält zudem keine hörbaren Beispiele, obwohl der Bericht auf Beispielaufnahmen und einen Sample-Explorer verweist.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die mittlere Zusammenfassung, da die kurze Fassung dieselben Kernaussagen enthält, aber Trainingsdaten, Architektur und Zeitleiste auslässt. Die Einordnungen stützen sich allein auf den Berichtstext; Lunas Stufen und Anteilswerte wurden nicht übernommen.

Im Bericht, aber nicht in der Zusammenfassung

  • Warum Rohaudio so schwer zu modellieren ist: ein 4-minütiger Song im CD-Format hat über 10 Millionen Zeitschritte
  • Die Veröffentlichung von Modellgewichten und Code
  • Die Forschung zu Bias und Urheberrecht
  • Die Entwicklungsschritte 2019 bis 2020, etwa die Skalierung auf 44 kHz und den Top-Level-Prior von 1B auf 5B

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 36 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 46 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 54 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 79 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 43 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 58 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 29 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 49 %einzelne zitierbare Belege
    • JEV 58 %einzelne zitierbare Belege
    • amos 29 %einzelne zitierbare Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 71 %umfangreiche Belege
    • JEV 54 %beantwortet direkt und ausführlich
    • amos 35 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 30 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 31 %einzelne zitierbare Belege
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 56 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 38 %einzelne zitierbare Belege
    • JEV 54 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung einzelne zitierbare Belege

Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 28 %gleiches Oberthema, hilft nicht
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →