Deezer är en Frankrike-baserad personlig musikstreamingtjänst. De är ambitiösa när det gäller att säkra en plats i framkanten av streamingbranschen. Tecken är att de jobbar med teknik som kan göra skillnad för tjänstesökande musiklyssnare. En banjospelares blåfågel, trots allt, är ett helt annat djur för en jazzsångare och basist.

Deezer arbetar nu med artificiell intelligens för att höja kvaliteten på personliga streamingtjänster. Deras forskare har väckt uppmärksamhet i media med sin tidning, som nu finns på arXiv.

"Music Mood Detection Based on Audio and lyrics with Deep Neural Net" presenterar deras forskningsmetod och resultat. De beskrev sin väg mot ett artificiellt intelligenssystem som kan matcha spår med humör. Det är en väg där de uppmärksammar hur man uppnår upptäckter via ljudsignalen och texterna.

Olivia Tambini in TechRadar silade igenom tidningens tekniska beskrivningar för att sammanfatta vad de gjorde. "Forskare på Deezer har tränat AI-systemet att känna igen känslorna och intensiteten i en låt med hjälp av ljudsignaler, språkliga data inklusive sångtexter, och en samling av Last.FM-låttaggar som beskriver spår (till exempel, optimistisk eller ledsen)."

Jon Fingas in Engadget gick läsarna igenom verktygen och teknikerna de använde. "Deezer tränade AI med hjälp av råa ljudsignaler, språkliga kontextrekonstruktionsmodeller och en datauppsättning för miljoner låtar som samlar Last.fm-taggar som beskriver låtar (som "lugnt" eller "tråkigt"). Forskarna kartlade MSD till Deezers bibliotek med hjälp av låtmetadata, extrahera enskilda ord från texterna i processen. Resultatet blev 18, 644-låtars databas teamet kunde använda för att både träna AI på sångstämningar och testa dess teorier. "

(Tidningens författare definierade MSD som en stor datamängd som vanligtvis används för MIR-uppgifter. Spåren var associerade med taggar från LastFM, varav några var relaterade till humör.)

Deezers team sa i sin tidning, "Music Information Retrieval (MIR) har varit ett ständigt växande forskningsfält de senaste åren, drivs av behovet av att automatiskt bearbeta massiva samlingar av musikspår, en viktig uppgift för, till exempel, streamingföretag."

Melissa Daniels förra året tittade på uppkomsten av musikupptäckt genom åren, i Forbes .

"Före den digitala revolutionen, musikupptäckten skedde genom en blandning av öde och slump - som att slå på radion vid rätt tidpunkt eller hämta en ny sampler -CD i indie -skivbutiken. På något sätt, den helt nya melodin och de där ohörda texterna lät otroligt bekanta, ansluta på en känslomässig nivå som exakt den låt du behövde höra. Men med streamingplattformar som tar över mainstreamlyssnandet, upptäcktens magi ligger nu i själva metoden."

TGIF låtar. Coola låtar. Det är ganska häftigt att veta att det finns tjänster där om du känner det, AI kan spika det. En AI-workup som så korrekt som möjligt kan klassificera musik efter intensitet och humör är uppmuntrande.

PCMag gick vidare med att säga att den tycker att den är bättre än tidigare modeller.

Varför? Rätt tid, rätt plats.

"Deezer kan i teorin tillhandahålla mer exakta spellistor och låtsortering specifik för en prenumerants humör, ", sa Adam Smith. "Detta kan resultera i att Deezer föreslår låtar som får dig att känna dig lyckligare utan att nödvändigtvis ta till ostlik pop, eller spår som kan kyla dig utan att du glider iväg."

Varför är det viktigt:Ett passande svar kan vara "skojar du?" En artikel i The Daily Star sammanfattade den frustration man kan behöva hantera med branschens lyssningsverktyg. "När det kommer till spellistor och automatisk uppspelning, "musiklyssnare letar efter strömmar som passar både deras nuvarande humör och känslans intensitet. När du känner dig nere, det finns inget värre än att din trista låtspellista blir avbruten av nattklubbens sommarbop; låt oss vara verkliga, inte varje tid och plats är den rätta."

Vad kommer härnäst? Forskarna är fortfarande intresserade av att gå vidare om detta, med en ambitiös önskelista över områden där de kan fokusera. "Framtida arbete kan också förlita sig på en databas med etiketter som indikerar graden av tvetydighet i stämningen i ett spår, eftersom vi vet att i vissa fall, det kan finnas betydande variationer mellan lyssnarna. Sådana databaser skulle vara särskilt användbara för att gå längre för att förstå musikaliska känslor."

De sa att de också lämnade det till framtida arbete "att sträva efter förbättringar av textbaserade modeller, med djupare arkitekturer eller genom att optimera ordinbäddningar som används som input."

© 2018 Tech Xplore