Для поиска похожей музыки создан уже целый набор интернет-сервисов. Это и специальные алгоритмы, которые показывают «родовую» близость музыкальных исполнителей друг к другу (Musicplasma, Pandora или MusicIP), и социальные сети, которые вычисляют, какая музыка вам понравится, путем анализа музыкальных предпочтений людей с такими же вкусами (Last.fm). Однако, ни один из этих инструментов нельзя назвать идеальным. Проблема в том, что они сортируют музыку по рекомендациям или по внешним атрибутам (название группы, песни, музыкальный жанр), но не по внутренней сути.
В этом смысле революционным является научно-исследовательский проект Search Inside The Music, разработанный в лабораториях Sun Labs. С помощью этой технологии можно классифицировать большие музыкальные коллекции, а также находить песни, похожие друг на друга. Система не только производит акустический анализ, но также может учитывать и социальную информацию, то есть предпочтения различных пользователей, для выработки рекомендаций.
Акустический анализ каждой песни представляет собой разбиение трека на фреймы по 40 миллисекунд и выделение метаданных из каждого фрейма. Метаданные выражаются в численных величинах: высота звука, созвучие, тональность, тембр, инструментовка, ритмические паттерны, а также уровень энергии, то есть интенсивность. Когда составляется большая база данных с точными характеристиками каждой песни, то можно визуализировать эти данные в виде 2D или 3D. Например, на двухмерной карте снизу видно, как отличается по акустическим характеристикам музыка разных жанров. Зеленым отмечена классическая музыка, синим — этническая (кружки) и блюз (треугольники), красным — эмбиент и рок, желтым — электронная, серым — поп, фиолетовым — фольк.
Если учитывать больше двух параметров, то можно разместить музыкальные треки в трехмерном пространстве.
Кроме анализа с помощью алгоритмов, система поддерживает движок рекомендаций, то есть способна учитывать мнение людей для поиска «похожих» композиций. Но у таких систем главный недостаток — они «выталкивают» наверх только популярную музыку, в то время как у малоизвестных исполнителей (и у музыки прошлых лет) шансов на популярность практически нет. Пока какая-то мода не охватит целый пласт пользователей, социальная система рекомендаций этого не заметит.
В отличие от «чистых» систем рекомендаций, разработка Sun Labs мгновенно вычисляет качественную музыку, независимо от того, какова ее популярность и сколько ей лет.
Во время эксперимента система была запущена на выборке из 5000 музыкальных композиций, после чего результаты были отсортированы в трехмерном виде, где на каждый «кубик» поместили фотографию исполнителя. Выглядит очень впечатляюще.
Единственная проблема системы от Sun Labs — чрезвычайная требовательность к вычислительным ресурсам. Обычному домашнему ПК понадобиться шесть лет, чтобы проанализировать коллекцию из 2 млн песен. Даже распределенная вычислительная сеть из сотен машин с трудом справляется с анализом такого объема данных (1000 машин делает это за два дня), к тому же потом нужно где-то хранить информацию о каждом 40-миллисекундном фрейме. Поэтому с реализацией программы для персональных компьютеров придется немного подождать.
Однако, у новой разработки огромный коммерческий потенциал. Система может использоваться для анализа, сравнения, рекомендаций, к тому же она способна и на многое другое. Скажем, составлять плейлисты с плавно изменяющимися характеристиками музыки. Например, двухчасовой плейлист, в котором интенсивность музыки постепенно спадает от очень высокой до очень низкой. Наверняка, такой прием действует гипнотизирующе и усыпит кого угодно.
Но самое интересное начнется тогда, когда сами музыканты начнут использовать эту программу для сочинения новой музыки — возможно, такой, какой человечество еще никогда не слышало.
В этом смысле революционным является научно-исследовательский проект Search Inside The Music, разработанный в лабораториях Sun Labs. С помощью этой технологии можно классифицировать большие музыкальные коллекции, а также находить песни, похожие друг на друга. Система не только производит акустический анализ, но также может учитывать и социальную информацию, то есть предпочтения различных пользователей, для выработки рекомендаций.
Акустический анализ каждой песни представляет собой разбиение трека на фреймы по 40 миллисекунд и выделение метаданных из каждого фрейма. Метаданные выражаются в численных величинах: высота звука, созвучие, тональность, тембр, инструментовка, ритмические паттерны, а также уровень энергии, то есть интенсивность. Когда составляется большая база данных с точными характеристиками каждой песни, то можно визуализировать эти данные в виде 2D или 3D. Например, на двухмерной карте снизу видно, как отличается по акустическим характеристикам музыка разных жанров. Зеленым отмечена классическая музыка, синим — этническая (кружки) и блюз (треугольники), красным — эмбиент и рок, желтым — электронная, серым — поп, фиолетовым — фольк.
Если учитывать больше двух параметров, то можно разместить музыкальные треки в трехмерном пространстве.
Кроме анализа с помощью алгоритмов, система поддерживает движок рекомендаций, то есть способна учитывать мнение людей для поиска «похожих» композиций. Но у таких систем главный недостаток — они «выталкивают» наверх только популярную музыку, в то время как у малоизвестных исполнителей (и у музыки прошлых лет) шансов на популярность практически нет. Пока какая-то мода не охватит целый пласт пользователей, социальная система рекомендаций этого не заметит.
В отличие от «чистых» систем рекомендаций, разработка Sun Labs мгновенно вычисляет качественную музыку, независимо от того, какова ее популярность и сколько ей лет.
Во время эксперимента система была запущена на выборке из 5000 музыкальных композиций, после чего результаты были отсортированы в трехмерном виде, где на каждый «кубик» поместили фотографию исполнителя. Выглядит очень впечатляюще.
Единственная проблема системы от Sun Labs — чрезвычайная требовательность к вычислительным ресурсам. Обычному домашнему ПК понадобиться шесть лет, чтобы проанализировать коллекцию из 2 млн песен. Даже распределенная вычислительная сеть из сотен машин с трудом справляется с анализом такого объема данных (1000 машин делает это за два дня), к тому же потом нужно где-то хранить информацию о каждом 40-миллисекундном фрейме. Поэтому с реализацией программы для персональных компьютеров придется немного подождать.
Однако, у новой разработки огромный коммерческий потенциал. Система может использоваться для анализа, сравнения, рекомендаций, к тому же она способна и на многое другое. Скажем, составлять плейлисты с плавно изменяющимися характеристиками музыки. Например, двухчасовой плейлист, в котором интенсивность музыки постепенно спадает от очень высокой до очень низкой. Наверняка, такой прием действует гипнотизирующе и усыпит кого угодно.
Но самое интересное начнется тогда, когда сами музыканты начнут использовать эту программу для сочинения новой музыки — возможно, такой, какой человечество еще никогда не слышало.
