Estás leyendo la publicación: Los investigadores del Sony Computer Science Lab (CSL) han desarrollado un modelo basado en el aprendizaje automático llamado “SampleMatch”, que puede recuperar automáticamente muestras de batería que coinciden con una pista de música específica…
Al crear una composición musical, se vuelve esencial considerar varios aspectos acústicos en la creación de música digital moderna. Dichos componentes determinan las características de los aspectos percusivos de la pieza, como en el caso de las muestras de batería. Para determinar si una muestra de batería específica se adapta al contexto musical actual, los artistas deben utilizar su juicio estético. Sin embargo, el arduo esfuerzo de elegir muestras de batería de una biblioteca potencialmente extensa a menudo podría sofocar el flujo del pensamiento creativo. Los investigadores de Sony Computer Science Laboratories (CSL) en Francia están desarrollando algoritmos de aprendizaje automático para simplificar a los productores de música la localización y recuperación de muestras de audio particulares de una base de datos. Las muestras en la biblioteca de un artista se pueden clasificar según qué tan bien encajan en diferentes contextos musicales en varios puntos durante el proceso de producción. Trabajando en este frente, Sony ha presentado SampleMatch, un algoritmo basado en aprendizaje automático que puede encontrar automáticamente muestras de batería de grandes archivos que corresponden a una pista de música en particular. El modelo se presentará en diciembre en la prestigiosa conferencia ISMIR 2022, que se centra en la recuperación de información musical.
Dado que existen numerosas actividades en el ámbito de la creación musical en las que la aplicación de IA podría ser beneficiosa, Sony tiene como objetivo crear aplicaciones de IA que puedan simplificar la vida de los productores de música. Una de esas tareas tediosas es elegir una muestra de batería. Es la técnica mediante la cual los productores de música buscan muestras de batería que complementarían pistas particulares de música sin batería. Encontrar muestras de batería adecuadas puede llevar mucho tiempo y esfuerzo porque estas bibliotecas de muestras de batería suelen ser enormes. Actualmente hay muy pocas herramientas informáticas simples disponibles para los productores de música que les ayuden a seleccionar muestras de percusión. Los disponibles implican principalmente el uso de etiquetas o palabras clave para filtrar grandes conjuntos de datos.
El equipo intentó anteriormente crear un método comparable para recopilar muestras de batería de manera más rápida y exitosa. Sin embargo, antes no podían hacerlo debido a la complejidad del sistema y las limitaciones tecnológicas. Estimar si dos puntos de datos encajan juntos se ha vuelto más simple debido a los desarrollos recientes en el aprendizaje contrastivo y los avances en los codificadores de redes neuronales. Como resultado, el sistema se hizo más general y más fácil de implementar. Los músicos pueden introducir su pista en su sistema en cualquier nivel de creación cuando utilizan SampleMatch. La biblioteca de muestras de batería se ordena automáticamente según lo que el algoritmo determine que funcionará mejor con ella.
Se utilizó un gran conjunto de datos de 4830 canciones de música electrónica y 885 pistas conocidas de pop/rock para entrenar SampleMatch. Aunque actualmente existen sistemas que utilizan características musicales extraídas para emparejar muestras de audio, la calidad de su recuperación depende de las características predefinidas y del tipo de muestras. Al calcular una puntuación coincidente para muestras de batería, no está claro qué características incluir. SampleMatch podría aplicarse a diferentes tipos de coincidencias de audio, aunque se desarrolló para descubrir qué muestras de percusión coincidían con una pista específica. El modelo podría ser entrenado para extraer sonidos complementarios de bajo, guitarra u otros instrumentos usando varios pares de muestras de entrenamiento.
Sony CSL pretende ampliar el modelo de recuperación de audio en el futuro para ayudar a los productores de música a encontrar muestras de batería u otras muestras instrumentales adecuadas para sus composiciones. Además, un examen exhaustivo de cómo el sistema llegó a organizar los datos podría ayudar a desarrollar nuevas hipótesis que podrían dirigir las actividades de producción musical. En más detalle, la capacidad de los investigadores para aplicar ingeniería inversa al sistema puede permitirles especificar algunas pautas generales que los músicos deben seguir al mezclar su música. El equipo quiere usar esta técnica junto con la tecnología DrumGAN de Sony para producir muestras de batería que complementen con precisión una melodía específica.
Este artículo está escrito como un artículo de resumen de investigación por el personal de Marktechpost basado en el trabajo de investigación ‘SAMPLEMATCH: RECUPERACIÓN DE MUESTRAS DE BATERÍA POR CONTEXTO MUSICAL‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y artículo de referencia.
Por favor no olvides unirte Nuestro subreddit de ML
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
