TAMBR audio intelligence
TAMBR Audio Intelligence
TAMBR maakt gebruik van een muzikaal algoritme, dat getraind is op miljoenen interacties tussen luisteraars en muziek. Op basis van die data heeft het algoritme geleerd een voorspelling doen over hoe luisteraars gaan reageren op bepaalde muzikale elementen. En welke tracks geschikt zijn om een bepaalde sfeer of stemming op te roepen. Geïntegreerd in ons TAMBR Audio Intelligence platform, passen we dit algoritme toe in de zoektocht naar passende muziek én bij het creative compositieproces.
Zoeken naar passende muziek
Het algoritme kent op dit moment meer dat 1500 steekwoorden, en leert continu bij. Nieuwe begrippen bijvoorbeeld, maar ook nuances in bepaalde emoties. Toegepast op onze muzikale database kunnen we hiermee heel gericht zoeken naar passende muziek.
Testen van creaties
Gedurende het creatieve proces kunnen we testen in hoeverre onze schetsen de juiste emoties of associaties oproepen. Dat is geen exacte wetenschap, maar leert ons wel of we op de goede weg zijn. Want onze muzikale beleving is minder subjectief dan je denkt.
Waarom AI?
Muziek is een individuele ervaring. Een ervaring die we delen met de mensen om ons heen. De betekenis van populaire muziek is daarmee intersubjectief: niet beperkt tot de beleving van één persoon. Maar ook niet totaal onafhankelijk van individuele voorkeuren. Voor iedereen net even anders maar in grote lijnen vergelijkbaar.
De zeggingskracht van Westerse popmuziek brengt dus een gedeelde ervaring teweeg. Precies waar wij naar op zoek gaan bij het ontwikkelen van een audio-identiteit of het componeren van een campagnemuziek. Welke emotie staat centraal? Wat zijn de kernwaarden die je wil communiceren? Hoe ziet de de culturele context eruit waarin je opereert?
Hoe werkt een muzikaal algoritme?
Een muzikaal algoritme gebruikt deep learning-technieken om patronen te ontdekken in grote hoeveelheden ongestructureerde data. Hierdoor wordt het mogelijk om voorspellingen te doen met betrekking tot de luisterervaring. De data die hiervoor gebruikt wordt bestaat onder meer uit muzikale elementen, metadata, tekst en gebruikersinteracties.
Herkennen muzikale elementen
Op basis van een frequentie-analyse identificeert het algoritme de verschillende muzikale ingrediënten, zoals tempo, ritme, toonhoogte, harmonie en timbre. De basis voor verdere analyse.
Ontsluiten metadata
Metadata is informatie óver de track. Denk aan de titel van het nummer, de artiest en het genre. Deze gegevens zitten in de audiofiles besloten en helpen ons AI met het categoriseren van de muziek.
Tekst-analyse
Door teksten te analyseren kan het algoritme een voorspelling doen over de betekenis van liedjes. Bijvoorbeeld of een nummer ‘vrolijk’ of ‘droevig’ is of ‘romantische teksten’ heeft.
Gebruikers-interacties
Bij het voorspellen van de emoties die muziek kan oproepen, bouwt het algoritme op een dataset bestaande uit reacties van luisteraars, gevraagd naar hun “gevoel” bij een bepaalde track.