Attention : ce qui suit est rébarbatif et bourré de
data. Haaaaa la data. Et les numéros de chapitres, c'est pas de L'IA ha ha ha.
Je vous reparle de MusicIpMixer, une application
qui analyse les MP3 en ma possession, pour enregistrer par titre une empreinte
musicale. La définition ?
Chatgpt éclaire nous ?
Un profil sonore : Il ne cherche pas à reconnaître son titre, son interprète ou son genre, mais à décrire ce qu'il entend : son rythme, ses timbres, son énergie, sa couleur harmonique, sa densité et différents caractères acoustiques. Il peut ensuite rapprocher les morceaux dont les portraits présentent suffisamment de traits communs.
C’est quoi l’intérêt ? Ça justifie la possession d’une
bibliothèque musicale qui ne pourra jamais être entendue ne serait ce qu’une
fois dans son entièreté. Avant je ne savais pas quoi répondre à la question
-
Pourquoi toute cette musique, tu n’en écouteras
même pas 10%
C’est vrai. Cela donne l’image d’un
comportement compulsif, addictif. Inoffensif ?
Mais avec MusicIpMixer j’ai enfin
une réponse rationnelle.
-
C’est pour avoir une base de recherche
pour mes playlists dynamiques.
C’est quoi ?
Part B.1 :
MusicIPMIXER è Discogs-EffNet è Cosine.club
Contrairement au « radio » des plateformes musicales qui s’appuient notamment sur des métadonnées : genre musical, période, etc… l’algorithme propose de s’appuyer sur le son, enchainer avec un morceau qui présente des similitudes. Lesquelles ? Parfois cela me laisse rêveur. Mais c’est toujours gratifiant. Le 100% random sur ma base est pénible et inutile.
Alors que là :
Un Costello/Alison, sera suivi d’un Gainsbourg, Carla Thomas,
Wings, George Jones, Stones… tiens Henri Tachan
Pour vous garder en ligne
Alison
Mon MusicIpMixer fonctionne toujours mais l’application a
cessé d’être maintenue en 2008
Je me disais et je demandais à Chatgpt, depuis il doit bien
y avoir d’autres recherches faites dans ce domaine ?
Oui, et c’est « Discogs-EffNet »
Enregistre un « portrait robot » du titre MP3 puis
recherche dans une base préindexée une liste de titres triés par % de
similitude
Premier usage à portée de la main :
Ce site a indexé environ 2 millions de titres, mais en
privilégiant l’electro : House, Techno, Trance, Electro, Ambient, Drum
& Bass, Breakbeat, Hardoce, Hi-Nrg, Disco et …………….. Italo Disco
Pour l’utiliser. Vous prenez par exemple un titre Youtube
(cela marcherait avec Spotify il paraît) vous le proposez à l’indexation
puis il propose une liste de titres plus ou moins proches avec des liens Youtube d’écoute.
Exemple, avec Alison de Costello, il propose en tête de
liste
Blood, Sweat & Tears - So Long Dixie à 89%
et
Dan Penn – Lodi 88%
Pas mal, pas mal…..
Part B.2 :
Discogs-EffNet è SIMIL
La suite, impossible de ne pas parler de ChatGPT
En résumé, il existe un programme open source, SIMIL, qui permet
d’analyser sa propre base MP3, mais il faut notamment installer Python 3.11..
Même principe : je choisis un titre et je demande une
playlist de titres + ou – similaires.
Et c’est ChatGPT qui m’a guidé, pas à pas, pour installer le tout.
Tout commence avec cette communauté
https://github.com/horacio/simil
« Music similarity search for your local library — query by audio file, streaming URL, or plain-text description. CLI + web UI. »
J’ai téléchargé et installé SIMIL : j’ai commencé à
indexer ma base par petits bouts mais l’incrémental ne fonctionnait pas.
Alors ChatGPT a fourni le code correctif, de nouvelles structures et, après quelques tests, tout est rentré dans l’ordre.
J’ai demandé des options supplémentaires. Une facile à comprendre : obtenir une playlist au format M3U8, exploitable par des logiciels tels que VLC ou MediaMonkey. Hop, un bouton a été ajouté.
Une subtilité qui m’échappe un peu dans le traitement des
similitudes, la variation d’une valeur ALPHA
ChatGPT propose cette explication intuitive
Alpha agit sur la façon dont SIMIL juge la ressemblance sonore. À 1, il privilégie la ressemblance globale entre les empreintes. À 0,90, l’équilibre se déplace légèrement : un morceau moins proche dans l’ensemble, mais partageant fortement certaines caractéristiques sonores — timbre, rythme, dynamique, texture — peut remonter dans les résultats. Ce n’est donc pas simplement un moyen d’augmenter les pourcentages : le classement lui-même peut changer.
Cela explique bien pourquoi 0,90 peut faire apparaître des rapprochements intéressants que 1,00 plaçait plus loin, sans entrer dans les mathématiques.
Le formulaire avant modification
Après modif
Enfin, la recherche parmi les 400.000 titres déjà indexés
était longue, entre 1 et 2 minutes, ChatGPT a modifié le code pour optimiser
les recherches.
Bon et l’intérêt musical là-dedans ? En tout cas le
mien. J’ai demandé une Playlist en partant de « Slow Song » De Joe
Jackson
Pour rappel
Joe Jackson – Slow Song
Et voilà que Simil me propose avec Alpha=1 (houaaai bon, ça jette !!)
et 77% de rapprochement
Alain Barrière - Ma Vie
C’est mieux que de l’aléatoire pur, c’est un chouette complément à la “Radio” des plateformes musicales, ce genre d’algo apporte un semblant de cohérence aux listes de chansons, tout en réservant des surprises, car ce qui est comparé ne correspond pas toujours à ce que notre oreille perçoit spontanément (ou ne percevra jamais?)
Vous avez tenu jusque-là, alors….
Part B.3 :
La surprise
En Drop une compilation, une sorte de best-of rêvé de Stock,
Aitken & Waterman (SAW)
Nous parlions de ces chansons que l’on connaît mais…
Un échantillon
Rick Astley - Never Gonna Give You Up
En drop
