Deezer udforsker AI-system til musik, der matcher humør

Deezer er en Frankrig-baseret personlig musikstreamingtjeneste. De er ambitiøse i at sikre sig en plads i frontlinjen af ​​streamingbranchen. Tegn er, at de arbejder på teknologi, der kan gøre en forskel for servicesøgende musiklyttere. En banjospillers blåfugl, trods alt, er et helt andet dyr for en jazzsanger og bassist.

Deezer arbejder nu med kunstig intelligens for at skrue op for kvaliteten af ​​personlige streamingtjenester. Deres forskere har tiltrukket mediernes opmærksomhed med deres papir, som nu er på arXiv.

"Music Mood Detection Based on Audio and lyrics with Deep Neural Net" præsenterer deres forskningsmetode og resultater. De beskrev deres vej mod et kunstig intelligenssystem, der kan matche spor med stemninger. Det er en sti, hvor de er opmærksomme på, hvordan man opnår detektioner via lydsignalet og teksterne.

Olivia Tambini i TechRadar gennemsøgte avisens tekniske beskrivelser for at opsummere, hvad de gjorde. "Forskere hos Deezer har trænet AI-systemet til at genkende følelserne og intensiteten af ​​en sang ved hjælp af lydsignaler, sproglige data, herunder sangtekster, og en samling af Last.FM-sangtags, der beskriver numre (f.eks. optimistisk eller trist)."

Jon Fingas ind Engadget gik læserne gennem de værktøjer og teknikker, de anvendte. "Deezer trænede kunstig intelligens ved hjælp af rå lydsignaler, sproglige kontekstrekonstruktionsmodeller og et Million Song-datasæt, der samler Last.fm-tags, der beskriver melodier (såsom "rolig" eller "trist"). Forskerne kortlagde MSD til Deezers bibliotek ved hjælp af sangmetadata, udtrække individuelle ord fra teksterne i processen. Resultatet blev 18, 644-sangs database, som holdet kunne bruge til både at træne AI i sangstemninger og til at teste dets teorier."

(Avisens forfattere definerede MSD som et stort datasæt, der almindeligvis bruges til MIR-opgaver. Sporene var forbundet med tags fra LastFM, hvoraf nogle var relateret til humør.)

Deezers team sagde i deres avis, "Music Information Retrieval (MIR) har været et stadigt voksende forskningsfelt i de senere år, drevet af behovet for automatisk at behandle massive samlinger af musiknumre, en vigtig opgave for, for eksempel, streamingselskaber."

Melissa Daniels så sidste år på fremkomsten af ​​musikopdagelse gennem årene, i Forbes .

"Før den digitale revolution, musikopdagelse skete gennem en blanding af skæbne og tilfældigheder – som at tænde for radioen på det rigtige tidspunkt eller hente en ny sampler-cd i indie-pladebutikken. På en eller anden måde, den helt nye melodi og de uhørte tekster lød utroligt velkendte, forbinder på et følelsesmæssigt plan som præcis den sang, du havde brug for at høre. Men med streamingplatforme, der overtager mainstream-lytning, opdagelsens magi ligger nu i selve metoden."

TGIF sange. Chill sange. Det er ret fedt at vide, at der er tjenester, hvor hvis du føler det, AI kan klare det. En AI-workup, der så korrekt som muligt kan klassificere musik efter intensitet og humør, er opmuntrende.

PCMag gik videre med at sige, at det synes, det er bedre end tidligere modeller.

Hvorfor? Rigtig tid, Rigtigt sted.

"Deezer kan i teorien levere mere præcise afspilningslister og sangsortering, der er specifik for en abonnents humør, " sagde Adam Smith. "Dette kan resultere i, at Deezer foreslår numre, der får dig til at føle dig gladere uden nødvendigvis at ty til osteagtig pop, eller spor, der kan slappe af, uden at du glider af."

Hvorfor dette betyder noget:Et passende svar kan være "Laver du sjov?" En artikel i The Daily Star opsummerede den frustration, man måtte have med at håndtere branchens lytteværktøjer. "Når det kommer til afspilningslister og automatisk afspilning, "musiklyttere leder efter streams, der passer til både deres nuværende humør og intensiteten af ​​følelsen. Når du føler dig nede, der er intet værre end at din triste sang-playliste bliver afbrudt af natklubbens sommerbop; lad os være rigtige, ikke hver tid og sted er det rigtige."

Hvad er det næste? Forskerne er stadig interesserede i at gå videre på dette, med en ambitiøs ønskeliste over områder, som de kan fokusere på. "Fremtidigt arbejde kunne også stole på en database med etiketter, der angiver graden af ​​tvetydighed i stemningen i et spor, som vi ved, at i nogle tilfælde, der kan være betydelig variation mellem lyttere. Sådanne databaser ville være særligt nyttige til at gå videre med at forstå musikalske følelser."

De sagde, at de også overlod det til fremtidigt arbejde "at forfølge forbedringer af tekstbaserede modeller, med dybere arkitekturer eller ved at optimere ordindlejringer, der bruges som input."

© 2018 Tech Xplore