|
|
Electric Guitar to MIDI Conversion
Klčo, Michal ; Glembek, Ondřej (oponent) ; Černocký, Jan (vedoucí práce)
Automatic music transcription and multi-pitch estimation are still challenging tasks in the field of music information retrieval. The recent state of the art systems incorporate different machine learning techniques to achieve the most accurate transcription of notes. Some of them are also limited to a specific music instrument or a music genre to reduce the diversity of the analyzed sound. In this work, multiple systems for conversion of electric guitar recordings to the MIDI files, based on different machine learning and spectral analysis techniques, are proposed, evaluated and compared.
|
|
|
Extrakce parametrů pro výzkum interpretačního výkonu
Laborová, Anna ; Miklánek, Štěpán (oponent) ; Ištvánek, Matěj (vedoucí práce)
Rozdílné interpretace stejné skladby se mohou mezi sebou zásadně lišit. Nejen skladatel a noty definují posluchačův hudební zážitek, ale i charakteristická interpretace je integrální částí hudebního díla. Pro objektivní analýzu interpretačního výkonu jsou parametry rozděleny do čtyř tříd – z hlediska času (tempa), hlasitosti (dynamiky), témbru a výšky tónu. Každý parametr nebo jejich kombinace může ovlivnit výsledný unikátní charakter interpretace. Extrakce parametrů pro výzkum interpretačního výkonu je jedno z komplikovaných témat stojící na pomezí oblastí analýzy interpretačního výkonu a získávání informací z hudby. Předložená práce shrnuje poznatky a metody z obou oblastí. Pro výzkum byla vytvořena databáze, která obsahuje 31 nahrávek jedinečných interpretací 2. věty Lento Smyčcového kvartetu č. 12 F dur (1893) českého romantického skladatele Antonína Dvořáka (1841–1904).
|
|
|
Webové rozhraní pro vizualizaci zvukových parametrů
Putz, Viliam ; Ištvánek, Matěj (oponent) ; Miklánek, Štěpán (vedoucí práce)
Táto práca sa zaoberá spôsobmi extrakcie zvukových parametrov zo zvukových súborov, vizualizáciou týchto parametrov a následne implementáciou programu webového rozhrania, ktoré zabezpečuje túto vizualizáciu. V úvode je všeobecne popísaný odbor Music Information Retrieval, s ktorým táto práca úzko súvisí. Popísaný je taktiež súčasný stav v oblasti aplikácií pre extrakciu zvukových parametrov. Uvedené sú najznámejšie knižnice v tejto oblasti pre viacero programovacích jazykov. V druhej kapitole sú pomenované a popísané zvukové parametre, ktoré je možné z audio súboru extrahovať. Nasleduje popis spôsobu implementácie, použité technológie, diagram funkcií webového rozhrania, vysvetlenie funkčnosti a taktiež je popísané užívateľské rozhranie a jeho funkcie.
|
|
|
Určování období vzniku interpretace za pomoci metod parametrizace hudebního signálu
Král, Vítězslav ; Mucha, Ján (oponent) ; Kiska, Tomáš (vedoucí práce)
Cílem této diplomové práce je shrnout dosavadní poznatky z oblasti srovnávání zvukových nahrávek a implementovat vyhodnocovací systém pro určení období vzniku za pomoci metod parametrizace hudebního signálu. V první části této práce jsou popsány reprezentace, jakých hudba může nabývat. Dále je uveden průřez parametrů, které mohou být z hudebních nahrávek extrahovány a poskytují informaci o dynamice, tempu, barvě či časovém vývoji hudební nahrávky. V části druhé je popsán vyhodnocovací systém a jeho jednotlivé dílčí bloky. Vstupními daty pro tento vyhodnocovací systém je vytvořená databáze, čítající 56 zvukových nahrávek první věty Beethovenovy páté symfonie. Poslední kapitola je věnována shrnutí dosažených výsledků.
|
|
|
Systém pro nalezení duplikátů nahrávek na základě audio informace
Švejcar, Michael ; Miklánek, Štěpán (oponent) ; Ištvánek, Matěj (vedoucí práce)
Tato diplomová práce se zabývá metodami pro rozpoznání hudebních duplikátů v databázi souborů. Problém tkví v tom, že soubory hudebních duplikátů nemusí být vždy zcela shodné - mohou se lišit například v kvalitě či obsaženém potlesku na konci jedné z nahrávek. Cílem bylo navrhnout a implementovat systém, který shodné nahrávky identifikuje, vzájemně k sobě přiřadí a zapíše do výstupního souboru. Systém by měl být dostatečně robustní vůči již zmíněným drobným rozdílům mezi duplikáty, zároveň by měl být natolik přesný, aby nedocházelo k chybnému přiřazení vzájemně neshodných nahrávek. K těmto účelům byl použit programovací jazyk Python společně s dostupnými knihovnami pro výpočet chromagramů, techniky Image Hashing a různých variant algoritmu dynamického borcení časové osy. V rámci výsledného systému byly implementované tři různé metody, lišící se v jejich přesnosti a výpočetní náročnosti. Metody byly následně otestované na předem připraveném datasetu a na základě získaných výsledků byly vytvořeny čtyři různé úrovně přednastavené přesnosti výsledného systému. Výsledný systém se jeví jako vysoce přesný a zároveň robustní vůči nahrávkám, které jsou si velmi podobné, nikoli však shodné, jako je tomu u různých interpretací stejné skladby.
|
|
|
Automatické tagování hudebních děl pomocí metod strojového učení
Semela, René ; Galáž, Zoltán (oponent) ; Kiska, Tomáš (vedoucí práce)
Systémy pro automatické tagování hudebních děl jsou jednou z mnoha výzev pro obor strojového učení, a to zejména z hlediska komplexnosti celé této problematiky. Praktické uplatnění mohou tyto systémy nalézat zejména v obsahové analýze hudebních děl nebo při třídění obsahu hudebních knihoven. Tato práce se zabývá návrhem, trénováním, testováním a evaluací architektur umělých neuronových sítí pro automatické tagování hudebních děl. V úvodu je pozornost věnována položení ucelených teoretických základů pro tuto problematiku. V praktické části je pak navrženo 8 architektur neuronových sítí (4 plně konvoluční a 4 konvolučně-rekurentní). Tyto architektury jsou následně natrénovány za pomoci MagnaTagATune Dataset a mel spektrogramu a následně je provedeno jejich testování a evaluace. Nejlepších výsledků zde dosahuje čtyřvrstvá konvolučně-rekurentní neuronová síť (CRNN4) s hodnotou ROC-AUC = 0,9046 ± 0,0016. Jako další krok praktické části je vytvořen kompletně nový Last.fm Dataset 2020, který je sestaven díky napojení na API služeb Last.fm a Spotify. Tento nový dataset čítá 100 tagů a 122877 skladeb. Nejúspěšnější architektury jsou na tomto novém datasetu natrénovány, otestovány a evaluovány, a je tak položena základní hranice hodnot ROC-AUC, kterých lze za pomoci tohoto datasetu dosáhnout. Nejlepších výsledků zde dosahuje šestivrstvá plně konvoluční neuronová síť (FCNN6) s hodnotou ROC-AUC = 0,8590 ± 0,0011. Na závěr celé práce je vytvořena jednoduchá aplikace pro otestování jednotlivých architektur neuronových sítí na uživatelem vloženém zvukovém souboru. Práce se svými výsledky vyrovnává světovým pracím na stejné téma a přináší několik nových poznatků a inovací. Z hlediska inovací je zejména dosaženo podstatného snížení komplexnosti jednotlivých architektur neuronových sítí v porovnání se světovými pracemi při zachování podobných výsledků.
|
|
|
Beat Tracking: Is 441 kHz Really Needed?
Ištvánek, Matěj ; Miklánek, Štěpán
Beat tracking is essential in music informationretrieval, with applications ranging from music analysis and automaticplaylist generation to beat-synchronized effects. In recentyears, deep learning methods, usually inspired by well-knownarchitectures, outperformed other beat tracking algorithms. Thecurrent state-of-the-art offline beat tracking systems utilize temporalconvolutional and recurrent networks. Most systems use aninput sampling rate of 44.1 kHz. In this paper, we retrain multipleversions of state-of-the-art temporal convolutional networks withdifferent input sampling rates while keeping the time resolutionby changing the frame size parameter. Furthermore, we evaluateall models using standard metrics. As the main contribution,we show that decreasing the input audio recording samplingfrequency up to 5 kHz preserves most of the accuracy, and insome cases, even slightly outperforms the standard approach.
|
|
|
Analyzátor akordů klavíru
Poloček, Dominik ; Miklánek, Štěpán (oponent) ; Ištvánek, Matěj (vedoucí práce)
Předložená práce se věnuje analýze akordů pomocí určování kmitočtů jejich komponentů. Cílem práce je nastínit metody pro určování základních kmitočtů jednoho a vícera tónů a implementovat systém, který dokáže s jejich použitím akordy určovat. Metoda implementovaná v jazyce Python (metoda spektrálních špiček) využívá rychlou Fourierovu transformaci pro zobrazení signálu v kmitočtové rovině a poté hledá spektrální maxima, která po patřičné kontrole vyhodnocuje jako základní kmitočty. Metoda spektrálních špiček byla srovnána s metodou sčítání modulů harmonických složek a se state-of-the-art systémem pro přepis nahrávky do MIDI (PianoTranscription) pomocí testů na datasetu vytvořeném pro tuto práci (530 nahrávek akordů a tónů). Nejlepší výsledky prezentuje PianoTranscription ( = 0, 74, tot = 0, 23), druhou nejúspěšnější metodou je metoda spektrálních špiček se známým počtem tónů ( = 0, 55, tot = 0, 29), poté tatáž metoda s neznámým počtem tónů ( = 0, 52, tot = 0, 38) a na konec metoda sčítání modulů harmonických složek ( = 0, 26, tot = 0, 81). Limitací implementovaného systému je neschopnost určit počet tónů (musí být zadán uživatelem) a frekvenční minimum (138,59 Hz), pod kterým jsou odhady chybné, a které je pravděpodobně způsobeno konstrukcí klavíru a opředením některých strun.
|
|
|
Analýza přesnosti automatického určení parametrů klavírních nahrávek
Kaplan, Josef ; Miklánek, Štěpán (oponent) ; Ištvánek, Matěj (vedoucí práce)
Tato bakalářská práce se zabývá analýzou přesnosti automatického určení parametrů především klavírních nahrávek. Zadaná problematika je popsána jak z technické, tak i z hudební stránky. Tato práce shrnuje poznatky z oblasti hudební teorie a automatické detekce parametrů, které můžeme získat z hudebních klavírních nahrávek. Z praktického hlediska je práce zaměřena na detekci začátků tónů, dob, taktů, výšky tónů a tempa. Analýza klavírních nahrávek je realizována pomocí programovacího jazyku Python. Výstupem jsou skripty, které provádí detekci parametrů na základě uživatelem zvolených metod, které se pro výpočet parametrů běžně využívají. Výsledkem je také testování přesnosti jednotlivých metod na základě anotací z různých datasetů se zaměřením primárně na klavírní nahrávky. Závěrečná část obsahuje evaluaci na základě vybraných metrik s objektivním porovnáním.
|
|
|
Webová aplikace pro vizualizaci parametrů hudebních nahrávek
Klimeš, Martin ; Ištvánek, Matěj (oponent) ; Miklánek, Štěpán (vedoucí práce)
Tato diplomová práce se zaměřuje na vývoj webové aplikace pro vizualizaci hudebních parametrů. Cílem je poskytnout uživateli prostředí, ve kterém může snadno vizualizovat parametry libovolné hudební nahrávky a v případě různých interpretací skladby tyto parametry mezi sebou porovnat. Hudební parametry vizualizované v aplikaci vycházejí z oblasti Music Information Retrieval. Pro každou z těchto vizualizací jsou v aplikaci implementována různá nastavení, která se ukládají do databáze pro přihlášeného uživatele a umožňují tak upravit zobrazení vizualizací podle individuálních potřeb uživatele. Pro vývoj byl použit reaktivní framework Vue.js pro klientskou část, Flask framework pro serverovou část a relační databázový systém PostgreSQL pro ukládání dat.
|
host ::
RSS.