recuperación de información musical

Uno de los temas clásicos de investigación en recuperación de información musical (MIR, por sus siglas en inglés) es la clasificación por género, que consiste en categorizar elementos musicales en uno de los géneros predefinidos, como música clásica , jazz , rock , etc. La clasificación por estado de ánimo , la clasificación de artistas, la identificación de instrumentos y el etiquetado musical también son temas populares.

Ya existen varios sistemas de recomendación musical, pero sorprendentemente pocos se basan en técnicas de recuperación de información musical (MIR, por sus siglas en inglés), en lugar de recurrir a la similitud entre usuarios o a la laboriosa recopilación de datos. Pandora , por ejemplo, utiliza expertos para etiquetar la música con características específicas como "cantante femenina" o "bajo potente". Muchos otros sistemas encuentran usuarios con un historial de escucha similar y les sugieren música desconocida de sus respectivas colecciones. Las técnicas MIR para la similitud musical están empezando a integrarse en estos sistemas.

La separación de fuentes musicales consiste en separar las señales originales de una mezcla de señales de audio . El reconocimiento de instrumentos consiste en identificar los instrumentos que componen la música. Se han desarrollado varios sistemas MIR (reconocimiento de instrumentos musicales) capaces de separar la música en sus pistas componentes sin necesidad de acceder a la copia maestra. De esta forma, por ejemplo, se pueden crear pistas de karaoke a partir de pistas de música normales, aunque el proceso aún no es perfecto debido a que las voces comparten parte del mismo espacio de frecuencias que los demás instrumentos.

La transcripción automática de música es el proceso de convertir una grabación de audio en notación simbólica, como una partitura o un archivo MIDI . ^{[ 1 ]} Este proceso implica varias tareas de análisis de audio, que pueden incluir detección de múltiples tonos, detección de inicio , estimación de duración, identificación de instrumentos y extracción de información armónica , rítmica o melódica . Esta tarea se vuelve más difícil con un mayor número de instrumentos y un mayor nivel de polifonía .

La generación automática de música es un objetivo que persiguen muchos investigadores de MIR. Se han realizado intentos, pero con un éxito limitado en cuanto a la apreciación humana de los resultados.

Las partituras ofrecen una descripción clara y lógica de la música a partir de la cual trabajar, pero el acceso a las partituras , ya sean digitales o de otro tipo, suele ser poco práctico. ^{[ 2 ]} La música MIDI también se ha utilizado por razones similares, pero se pierden algunos datos en la conversión a MIDI desde cualquier otro formato, a menos que la música se haya escrito teniendo en cuenta los estándares MIDI, lo cual es raro. Los formatos de audio digital como WAV , mp3 y ogg se utilizan cuando el audio en sí forma parte del análisis. Los formatos con pérdida, como mp3 y ogg, funcionan bien con el oído humano, pero pueden carecer de datos cruciales para el estudio. Además, algunas codificaciones crean artefactos que podrían inducir a error a cualquier analizador automático. A pesar de esto, la omnipresencia del mp3 ha hecho que gran parte de la investigación en el campo lo utilice como material de origen. Cada vez más, los metadatos extraídos de la web se incorporan a MIR para una comprensión más completa de la música dentro de su contexto cultural, y esto recientemente consiste en el análisis de etiquetas sociales para música.

El análisis a menudo requiere un resumen ^{[ 3 ]} , y en el caso de la música (al igual que en muchos otros tipos de datos), esto se logra mediante la extracción de características , especialmente cuando se analiza el contenido de audio y se aplica el aprendizaje automático . El objetivo es reducir la gran cantidad de datos a un conjunto manejable de valores para que el aprendizaje pueda realizarse en un plazo razonable. Una característica común que se extrae es el coeficiente cepstral de frecuencia Mel (MFCC), que mide el timbre de una pieza musical . Se pueden emplear otras características para representar la tonalidad , los acordes , las armonías , la melodía , el tono principal , los pulsos por minuto o el ritmo de la pieza. Existen varias herramientas disponibles para la extracción de características de audio ^{[ 4 ].} Disponibles aquí.

• Métodos computacionales para clasificación, agrupamiento y modelado: extracción de características musicales para música monofónica y polifónica , coincidencia de similitud y patrones , recuperación.
• Métodos formales y bases de datos : aplicaciones de identificación y reconocimiento automático de música, como seguimiento de partituras , acompañamiento automático, enrutamiento y filtrado de música y consultas musicales, lenguajes de consulta, estándares y otros metadatos o protocolos para el manejo y recuperación de información musical , sistemas multiagente , búsqueda distribuida.
• Software para la recuperación de información musical: web semántica y objetos digitales musicales, agentes inteligentes , software colaborativo , búsqueda web y recuperación semántica , consulta por tarareo / búsqueda por sonido , huella acústica.
• Análisis musical y representación del conocimiento: resumen automático , citación, extracción, degradación, transformación, modelos formales de música, partituras y representaciones digitales, indexación musical y metadatos .

• Musipedia: un buscador de melodías que ofrece varios modos de búsqueda, incluyendo silbidos, golpeteos, teclado de piano y código Parsons.
• Peachnote: un motor de búsqueda de melodías y un visor de n-gramas que busca en partituras musicales digitalizadas.