English version of this page

MIRAGE - Et integrert AI-basert system for avansert musikkanalyse

Et hovedmål i prosjektet er å videreutvikle datamaskiners evne til å lytte til og forstå musikk. Dette vil nødvendiggjøre utvikling av banebrytende teknologi som også vil kunne hjelpe menneskelige lyttere til å bedre forstå og verdsette musikk. En viktig anvendelse av denne teknologien vil være å gjøre musikk mer tilgjengelig og engasjerende.

Bildet kan inneholde: himmel, strand, tre, horisont, farger og nyanser.

Om prosjektet

Vi skal videreutvikle vårt datateknologiske rammeverk slik at vi kan hente ut store mengder informasjon om musikkens elementer som klang, toner, rytme, og form. Musikk kan ofte være kompleks, og for å kunne trekke ut mening fra denne subtile kunstformen, må flere musikkvitenskapelige elementer innarbeides i det datateknologiske rammeverket. Gjentakelser er ofte et viktig element i musikk; motiver kan bli gjentatt mange ganger i løpet av et musikkverk, og flere musikkverk kan ligne hverandre slik at de danner særegne stilkategorier. Å kunne avdekke gjentakelser er krevende men også helt avgjørende for prosjektet. Prosjektet vil ta for seg et stort utvalg musikalske stilarter fra tradisjonsmusikk, klassisk musikk og populærmusikk, akustisk så vel som elektronisk, og fra ulike kulturer. Denne omfattende kartleggingen av musikkelementer ved hjelp av disse dataredskapene, vil også bli brukt til å utforske lytteres affektive og kroppslige musikk-relaterte forestillinger.

Foruten å bidra til musikkvitenskap, musikkteknologi og musikkognisjon, vil dette prosjektet også levere ny teknologi som kan brukes av et bredt publikum. Formidling av musikk ved hjelp a musikkvideoer har stort potensiale, særlig når det lydlige og det visuelle er godt integrert, og prosjektets teknologier vil gjøre det mulig å generere interessante videoer fra mange forskjellige musikktyper. Vi tror slike maskingenererte visualiseringer av lyd-data vil kunne berike musikkopplevelsen og gjøre musikk mer tilgjengelig. Slike visualiseringer av musikk kan også lette søk i store musikksamlinger og vil i tillegg kunne ha anvendelser i musikkterapi.

Prosjektet er et samarbeid med musikkseksjonen på Nasjonalbiblioteket, verdensledende innen digitalisering og tilgjengeliggjøring av kulturar.

Mer informasjon på engelsk her.

Publikasjoner

  • Lartillot, Olivier (2021). Computational Musicological Analysis of Notated Music: a Brief Overview. Nota Bene. ISSN 1891-4829. 15, s. 142–161. Fulltekst i vitenarkiv
  • Lartillot, Olivier; Nymoen, Kristian; Câmara, Guilherme Schmidt & Danielsen, Anne (2021). Computational localization of attack regions through a direct observation of the audio waveform. Journal of the Acoustical Society of America. ISSN 0001-4966. 149(1), s. 723–736. doi: 10.1121/10.0003374.
  • Bruford, Fred & Lartillot, Olivier (2020). Multidimensional similarity modelling of complex drum loops using the GrooveToolbox, Proceedings of the 21st International Society for Music Information Retrieval (ISMIR) Conference. McGill-Queen's University Press. ISSN 978-0-9813537-0-8. s. 263–270. Fulltekst i vitenarkiv
  • Lartillot, Olivier & Bruford, Fred (2020). Bistate reduction and comparison of drum patterns, Proceedings of the 21st International Society for Music Information Retrieval (ISMIR) Conference. McGill-Queen's University Press. ISSN 978-0-9813537-0-8. s. 318–324. Fulltekst i vitenarkiv
  • Lartillot, Olivier; Cancino-Chacón, Carlos & Brazier, Charles (2020). Real-Time Visualisation Of Fugue Played By A String Quartet. I Spagnol, Simone & Valle, Andrea (Red.), Proceedings of the 17th Sound and Music Computing Conference. Axea sas/SMC Network. ISSN 978-88-945415-0-2. s. 115–122. Fulltekst i vitenarkiv
  • Elovsson, Karl Anders (2020). Polyphonic pitch tracking with deep layered learning. Journal of the Acoustical Society of America. ISSN 0001-4966. 148(1), s. 446–468. doi: 10.1121/10.0001468.

Se alle arbeider i Cristin

  • Lartillot, Olivier; Guldbrandsen, Erling Eliseus & Cancino-Chacón, Carlos Eduardo (2021). Dynamics analysis, and application to a comparative study of Bruckner performances.
  • Danielsen, Anne (2021). Opening remarks, presentation of RITMO.
  • Lartillot, Olivier (2021). Presentation of MIRAGE project.
  • Lartillot, Olivier & Johansson, Mats Sigvard (2021). Tracking beats in Hardanger fiddle tunes .
  • Lartillot, Olivier; Elovsson, Anders & Mjelva, Olav Luksengård (2021). A new software for computer-assisted annotation of music recordings, with a focus on transcription.
  • Tidemann, Aleksander & Lartillot, Olivier (2021). Interactive tools for exploring performance patterns in hardanger fiddle music.
  • Dalgard, Joachim; Lartillot, Olivier; Vuoskoski, Jonna Katariina & Guldbrandsen, Erling Eliseus (2021). Absorption - Somewhere between the heart and the brain.
  • Lartillot, Olivier & Johansson, Mats Sigvard (2021). Automated beat tracking of Norwegian Hardanger fiddle music.
  • Lartillot, Olivier & Lilleslåtten, Mari (2021). Olivier Lartillot utvikler verktøy for å forstå musikk bedre. [Internett]. Det humanistiske fakultet UiO YouTube account.
  • Lartillot, Olivier & Lilleslåtten, Mari (2021). Artificial intelligence can help you understand music better. [Internett]. RITMO News.
  • Bruford, Fred & Lartillot, Olivier (2020). Multidimensional similarity modelling of complex drum loops using the GrooveToolbox.
  • Lartillot, Olivier; Cancino-Chacón, Carlos & Brazier, Charles (2020). Real-Time Visualisation Of Fugue Played By A String Quartet.
  • Lartillot, Olivier & Toiviainen, Petri (2020). Read about the Matlab MIRtoolbox. Young Acousticians Network (YAN) Newsletter. s. 4–10.
  • Lartillot, Olivier & Bruford, Fred (2020). Bistate reduction and comparison of drum patterns.

Se alle arbeider i Cristin

Publisert 12. mai 2019 23:45 - Sist endret 21. mars 2021 16:56