Descargar Música En Spotify
Everardo Laboy
MusicNet: Un conjunto de datos a gran escala para la investigación musical
Si estás interesado en la investigación musical, es posible que hayas oído hablar de MusicNet, un conjunto de datos a gran escala de grabaciones y anotaciones de música clásica. MusicNet es un recurso valioso para la formación y evaluación de modelos de aprendizaje automático para diversas tareas relacionadas con la música, como la identificación de notas, reconocimiento de instrumentos, clasificación de compositores, detección de inicio y predicción de notas siguientes. En este artículo, presentaremos MusicNet, sus características y contenido, sus aplicaciones y desafíos, y cómo descargarlo y usarlo para sus propios proyectos.
Qué es MusicNet y por qué es importante?
MusicNet es una colección de 330 grabaciones de música clásica con licencia libre de 10 compositores, escritas para 11 instrumentos, junto con más de 1 millón de etiquetas anotadas que indican la hora exacta de cada nota en cada grabación, el instrumento que toca cada nota, y la posición de la nota en la estructura métrica de la composición. Las etiquetas se adquieren de partituras musicales alineadas a las grabaciones por deformación dinámica del tiempo. Las etiquetas son verificadas por músicos entrenados; se ha estimado una tasa de error de etiquetado del 4%.
MusicNet es importante porque ofrece un conjunto de datos a gran escala y diversos de grabaciones y anotaciones de música de alta calidad que pueden servir como fuente de supervisión y evaluación de métodos de aprendizaje automático para la investigación musical. La investigación musical es un dominio desafiante que requiere representaciones complejas de señales de audio, estructuras musicales, estilos, emociones y contextos. Los conjuntos de datos existentes a menudo están limitados en tamaño, calidad, diversidad o disponibilidad. MusicNet pretende llenar este vacío proporcionando un conjunto de datos rico y accesible que cubre una amplia gama de géneros musicales, instrumentos, compositores y condiciones de grabación.
Características y contenido de MusicNet
MusicNet tiene varias características que lo hacen adecuado para la investigación musical. Algunas de estas características son:
- Abarca 10 compositores de diferentes períodos y estilos: Bach, Beethoven, Brahms, Dvorak, Haydn, Mozart, Schubert, Schumann, Tchaikovsky y Vivaldi.
- Incluye 11 instrumentos de diferentes familias: violín, viola, violonchelo, bajo, flauta, oboe, clarinete, fagot, trompeta, trompeta y piano.
- Proporciona más de 1 millón de etiquetas temporales que indican el tiempo de inicio, tiempo de desplazamiento, clase de tono, id de instrumento, id de nota (dentro de una pieza), número de medida (dentro de una pieza), número de compás (dentro de una medida), valor de nota (relativo al ritmo) e información de ligadura (si la nota es arrastrada a la nota siguiente) de cada nota en cada grabación.
- Ofrece archivos de metadatos que contienen información sobre el nombre del compositor, el nombre del trabajo (incluido el número de opus), el nombre del movimiento (incluido el marcado de tempo), el nombre del intérprete (incluido el instrumento), la fecha de grabación (si está disponible), la ubicación de grabación (si está disponible), el ingeniero de grabación (si está disponible), licencia de grabación (Creative Commons o Public Domain), fuente de partitura (si está disponible), licencia de partitura (Creative Commons o Public Domain), método de alineación de partituras (deformación dinámica del tiempo o manual), verificación de alineación de partituras (por músicos entrenados o no), índice de error de alineación de puntuación (estimado o no), y versión de formato de etiqueta.
Aplicaciones y desafíos de MusicNet
MusicNet se puede utilizar para diversas tareas relacionadas con la música que requieren modelos de aprendizaje automático para aprender las características de la música desde cero. Algunas de estas tareas son:
- Identifique las notas realizadas en momentos específicos en una grabación. Esta tarea consiste en predecir la clase de tono, el id de instrumento, el id de nota, el número de medida, el número de compás, el valor de nota y la información de slur de cada nota dada su hora de inicio y tiempo de compensación en una grabación.
- Clasificar los instrumentos que se ejecutan en una grabación. Esta tarea implica predecir el id del instrumento de cada nota dada su hora de inicio y tiempo de desplazamiento en una grabación.
- Ident
Identificar los tiempos de inicio de las notas en una grabación. Esta tarea implica predecir el tiempo de inicio de cada nota dada su señal de audio.
Predecir la siguiente nota en una secuencia de notas. Esta tarea consiste en predecir la clase de tono, id de instrumento, id de nota, número de medida, número de compás, valor de nota e información de ligadura de la siguiente nota dada una secuencia de notas anteriores.
Estas tareas son desafiantes porque requieren modelos para aprender representaciones complejas y de alta dimensión de la música a partir de señales de audio sin procesar, y para hacer frente a problemas como ruido, polifonía, variación de tempo, articulación, expresión y estilo. MusicNet proporciona un conjunto de datos de referencia para evaluar el rendimiento de diferentes modelos en estas tareas, y para compararlos con el rendimiento humano.
Cómo descargar MusicNet y utilizarlo para sus propios proyectos
Si está interesado en utilizar MusicNet para sus propios proyectos de investigación musical, puede descargarlo desde su sitio web oficial o desde su repositorio GitHub. El conjunto de datos está disponible en dos formatos: archivos WAV y archivos HDF5. Los archivos WAV contienen las señales de audio sin procesar de las grabaciones, mientras que los archivos HDF5 contienen las etiquetas y los metadatos de las grabaciones. Los archivos HDF5 están organizados en tres grupos: entrenamiento, prueba y validación. Cada grupo contiene un conjunto de grabaciones y sus correspondientes etiquetas y metadatos. El grupo de tren contiene 320 grabaciones, el grupo de prueba contiene 10 grabaciones, y el grupo de validación contiene 10 grabaciones.
Descargar opciones y formatos
Puede elegir descargar los archivos WAV o los archivos HDF5, o ambos. Los archivos WAV se comprimen en archivos ZIP, mientras que los archivos HDF5 se comprimen en archivos TAR. El tamaño total de los archivos WAV es de aproximadamente 22 GB, mientras que el tamaño total de los archivos HDF5 es de aproximadamente 1 GB. Puedes descargarlos desde los siguientes enlaces:
| Formato | Enlace |
|---|
| Archivos WAV |
También puede descargar grabaciones individuales o subconjuntos de grabaciones mediante el script de descarga proporcionado en el repositorio de GitHub. El script le permite especificar el formato, grupo, compositor, instrumento o identificación de grabación de las grabaciones que desea descargar. Por ejemplo, si desea descargar solo los archivos WAV de las grabaciones de Mozart en el grupo de trenes, puede ejecutar el siguiente comando:
python download.py --format wav --group train --composer MozartCargadores de datos y herramientas
Para facilitar el uso de MusicNet para sus propios proyectos, puede utilizar los cargadores de datos y las herramientas proporcionadas en el repositorio de GitHub. Los cargadores de datos le permiten cargar y procesar los datos de MusicNet en Python o PyTorch. Las herramientas le permiten visualizar y reproducir los datos de MusicNet en los portátiles Jupyter. Por ejemplo, si desea cargar y trazar una grabación desde MusicNet usando PyTorch, puede ejecutar el siguiente código:
import torch from musicnet import MusicNet # Load MusicNet data root = '/path/to/musicnet' dataset = MusicNet(root=root) # Obtener una grabación por id rec_id = 1727 # Mozarts Clarinet Quintet in A major x, y = dataset[rec_id] # Trazar la señal de audio y las etiquetas dataset plot.(x,y)Ejemplos y tutoriales
Si desea ver algunos ejemplos y tutoriales sobre cómo usar MusicNet para diferentes tareas relacionadas con la música, puede consultar los cuadernos proporcionados en el repositorio de GitHub. Los cuadernos demuestran cómo usar MusicNet para tareas tales como identificación de notas, reconocimiento de instrumentos, clasificación de compositores, detección de inicio y predicción de notas siguientes. También muestran cómo usar diferentes modelos de aprendizaje automático como redes neuronales convolucionales (CNN), redes neuronales recurrentes (RRN), transformadores y autoencordes variacionales (VAR) para estas tareas. Por ejemplo, si quieres ver cómo usar una CNN para la identificación de notas en MusicNet, puedes abrir este cuaderno:
Conclusión y preguntas frecuentes
En este artículo, hemos presentado MusicNet, un conjunto de datos a gran escala para la investigación musical que contiene 330 grabaciones de música clásica y más de 1 millón de etiquetas anotadas. Hemos explicado qué es MusicNet y por qué es importante para la investigación musical. También hemos descrito sus características y contenido, sus aplicaciones y desafíos, y cómo descargarlo y usarlo para sus propios proyectos. Esperamos que este artículo te haya dado una visión clara de MusicNet y te haya inspirado a explorar su potencial para tus propios proyectos de investigación musical. También proporcionamos algunos ejemplos y tutoriales sobre cómo usar MusicNet para diferentes tareas relacionadas con la música usando varios modelos de aprendizaje automático.
Si tiene alguna pregunta sobre MusicNet, puede consultar las preguntas frecuentes a continuación o visitar el sitio web oficial o el repositorio de GitHub para obtener más información.
Preguntas frecuentes
- Cuáles son las licencias de las grabaciones y etiquetas de MusicNet?
Las grabaciones MusicNet están bajo licencia Creative Commons o Public Domain, dependiendo de la fuente. Las etiquetas MusicNet están licenciadas bajo una licencia internacional Creative Commons Attribution-NonCommercial-ShareAlike 4.0. Puede utilizar MusicNet con fines no comerciales siempre y cuando atribuya la fuente y comparta sus modificaciones bajo la misma licencia.
- Cómo puedo citar MusicNet en mis publicaciones?
Si utiliza MusicNet en sus publicaciones, cite el siguiente artículo:
@inproceedings{thickstun2017learning, title=Características de aprendizaje de la música desde cero, author=Thickstun, John and Harchaoui, Zaid and Foster, Dean P and Kakade, Sham M, booktitle=Conferencia Internacional sobre Representaciones de Aprendizaje, year>2017 - Cómo puedo contribuir a MusicNet?
- Cuáles son algunos otros conjuntos de datos para la investigación musical?
Hay muchos otros conjuntos de datos para la investigación musical que cubren diferentes aspectos de la música, como géneros, estados de ánimo, letras, acordes, melodías, etc. Algunos de estos conjuntos de datos son:
- MagnaTagATune: Un conjunto de datos de 25.863 clips de audio con 188 etiquetas relacionadas con el género, estado de ánimo, instrumentos, etc.
- Musixmatch: Un conjunto de datos de más de 14 millones de letras con metadatos como nombre del artista, nombre del álbum, género, etc.
- NSynth: Un conjunto de datos de más de 300.000 notas musicales sintetizadas a partir de diferentes instrumentos con información de tono, velocidad y timbre.
- Lakh MIDI: Un conjunto de datos de más de 176.000 archivos MIDI con metadatos como nombre del artista, título de la canción, género, etc.
- GiantSteps: Un conjunto de datos de más de 10.000 anotaciones de acordes para pistas de música electrónica.
- Cuáles son algunos otros recursos para la investigación musical?
Hay muchos otros recursos para la investigación musical que proporcionan herramientas, bibliotecas, marcos, tutoriales, etc. para trabajar con datos de música y aplicar métodos de aprendizaje automático a la música. Algunos de estos recursos son:
- LibROSA: Una biblioteca de Python para análisis de audio y música.
- Essentia: Una biblioteca de C++ para análisis de audio y música y síntesis.
- Magenta: Un marco basado en TensorFlow para generar y transformar música y arte usando aprendizaje automático.
- PrettyMIDI: Una biblioteca de Python para analizar y manipular archivos MIDI.
- Music21: Un kit de herramientas de Python para musicología asistida por computadora.
17b9afdd22