Durante la creazione di una composizione musicale, diventa essenziale considerare diversi aspetti acustici nella creazione di musica digitale moderna. Tali componenti determinano le caratteristiche degli aspetti percussivi del brano, come nel caso dei campioni di batteria. Per determinare se un campione di batteria specifico si adatta al contesto musicale attuale, gli artisti devono usare il loro giudizio estetico. Tuttavia, il faticoso sforzo di scegliere campioni di batteria da una libreria potenzialmente ampia potrebbe spesso soffocare il flusso del pensiero creativo. I ricercatori dei Sony Computer Science Laboratories (CSL) in Francia stanno sviluppando algoritmi di apprendimento automatico per rendere più semplice per i produttori musicali individuare e recuperare particolari campioni audio da un database. I campioni nella libreria di un artista possono essere classificati in base a quanto bene si adattano a diversi contesti musicali in vari momenti durante il processo di produzione. Lavorando su questo fronte, Sony ha presentato SampleMatch, un algoritmo basato sull’apprendimento automatico in grado di trovare automaticamente campioni di batteria da vasti archivi che corrispondono a una particolare traccia musicale. Il modello sarà presentato a dicembre alla prestigiosa conferenza ISMIR 2022, incentrata sul recupero delle informazioni musicali.
Poiché ci sono numerose attività nel regno della creazione musicale in cui l’applicazione dell’IA potrebbe essere vantaggiosa, Sony mira a creare applicazioni di intelligenza artificiale che potrebbero semplificare la vita dei produttori di musica. Uno di questi compiti noiosi è scegliere un campione di batteria. È la tecnica con cui i produttori musicali cercano campioni di batteria che integrino particolari brani musicali senza batteria. Trovare campioni di batteria appropriati potrebbe richiedere molto tempo e fatica perché queste librerie di campioni di batteria sono spesso enormi. Attualmente sono disponibili pochissimi strumenti di calcolo semplici per i produttori di musica per aiutarli a selezionare campioni di percussioni. Quelli disponibili riguardano principalmente l’utilizzo di tag o parole chiave per filtrare grandi set di dati.
Il team ha già tentato di creare un metodo comparabile per raccogliere campioni di batteria più rapidamente e con successo. Tuttavia, non potevano farlo in precedenza a causa della complessità del sistema e dei vincoli tecnologici. Stimare se due punti dati si adattano insieme è diventato più semplice a causa dei recenti sviluppi nell’apprendimento contrastante e dei progressi nei codificatori di reti neurali. Di conseguenza, il sistema è stato reso più generale e più semplice da implementare. I musicisti possono inserire la loro traccia nel loro sistema a qualsiasi livello di creazione quando usano SampleMatch. La libreria dei campioni di batteria viene quindi ordinata automaticamente in base a ciò che l’algoritmo determina che funzionerà meglio con essa.
Per addestrare SampleMatch è stato utilizzato un ampio set di dati di 4.830 brani di musica elettronica e 885 noti brani pop/rock. Sebbene attualmente esistano sistemi che utilizzano le caratteristiche musicali estratte per abbinare i campioni audio, la qualità del loro recupero dipende dalle caratteristiche predefinite e dal tipo di campioni. Quando si calcola una partitura corrispondente per i campioni di batteria, non è chiaro quali funzioni includere. SampleMatch potrebbe essere applicato a diversi tipi di abbinamento audio anche se è stato sviluppato per scoprire quali campioni di percussioni corrispondevano a una traccia specifica. Il modello potrebbe essere addestrato per estrarre suoni complementari di basso, chitarra o altri suoni strumentali utilizzando vari accoppiamenti di campioni di addestramento.
Sony CSL intende estendere il modello di recupero dell’audio in futuro per aiutare i produttori di musica a trovare campioni di batteria o altri campioni strumentali appropriati per le loro composizioni. Inoltre, un esame approfondito di come il sistema è arrivato a organizzare i dati potrebbe aiutare a sviluppare nuove ipotesi che potrebbero dirigere le attività di produzione musicale. Più in dettaglio, la capacità dei ricercatori di decodificare il sistema potrebbe consentire loro di specificare alcune linee guida generali a cui i musicisti dovrebbero attenersi mentre mescolano la loro musica. Il team vuole utilizzare questa tecnica insieme alla tecnologia DrumGAN di Sony per produrre campioni di batteria che completano con precisione una melodia specifica.
This Article is written as a research summary article by Marktechpost Staff based on the research paper 'SAMPLEMATCH: DRUM SAMPLE RETRIEVAL BY MUSICAL CONTEXT'. All Credit For This Research Goes To Researchers on This Project. Check out the paper and reference article. Please Don't Forget To Join Our ML Subreddit
Khushboo Gupta è uno stagista di consulenza presso MarktechPost. Attualmente sta perseguendo il suo B.Tech presso l’Indian Institute of Technology (IIT), Goa. È appassionata di Machine Learning, Natural Language Processing e Web Development. Le piace imparare di più sul campo tecnico partecipando a diverse sfide.