Etapes de réalisation du projet :
Questions en prérequis :
Sur quelle base de sons allons-nous tester nôtre IA ? :
Faut-il se concentrer sur un seul style musical en particulier ? Ou faire une playlist très
variée ?
Se renseigner vite fait sur les techniques de mixage (quelqu’un pourrait se renseigner et
trouver une bonne vidéo pour qu’il puisse la partager)
Faire un résumé dans les grandes lignes des étapes et du déroulement des séances afin
d’avoir une vision claire sur le projet. (Constant s’en chargera)
1) Collecte de la base de données :
Quelle qualité audio privilégier ?
Quel format audio le plus approprié à analyser ?
Faut-il des fichiers audio non-compressés (WAV) ou
compressés (MP3,AAC,ect…)?
Ajouter des critères spécifiques pour la qualité audio?
Où trouver des enregistrements de sets de DJ ?
Où récolter notre base de données ?
Quelles plateformes ou sites web offrent des enregistrements de sets/mix de
DJ ?
Existe-t-il des archives en ligne, des forums spécialisés, des communautés de
DJ où vous pourriez trouver des enregistrements intéressants ?
Comment organiser et structurer la base de données ?
Quelle est la meilleure méthode pour stocker les bases de données ?
Faut-il y mettre une partie du budget de 100€ ?
Devrions-nous envisager des solutions cloud, des bases de données locales,
etc. ?
Recherche sur les DJs et les styles musicaux :
Se renseigner sur les DJs dans un style précis où multiple
Faut-il classifier et catégoriser les enregistrements de DJ en fonction de
différents styles musicaux pour constituer une base de données variée ?
Droits d'auteur et licences :
Quelles sont les implications en matière de droits d'auteur lors de la collecte
et de l'utilisation d'enregistrements de DJ ? Comment obtenir les
autorisations nécessaires pour utiliser ces enregistrements à des fins de
recherche ? Si non, y a-t-il des alternatives ?
2) Traitement des données :
Segmentation des enregistrements de DJ :
Comment allons nous séparer les mix de DJ existants ? Existe-t-il des
techniques automatisées ou semi-automatisées pour diviser les
enregistrements en morceaux distincts, en tenant compte des transitions et
des pistes musicales ?
Annotation et métadonnées :
Quelles informations doivent être associées à chaque segment de
l'enregistrement pour une analyse efficace ? (BPM, clé, artiste, titre,
moments de transition, etc.)
Comment obtenir ou générer automatiquement ces métadonnées pour
chaque segment ?
Nettoyage et prétraitement des données :
Y a-t-il des artefacts ou du bruit indésirable dans les enregistrements qui
pourraient affecter l'analyse des transitions ?
Comment nettoyer ou prétraiter les données pour minimiser ces problèmes ?
Normalisation des données :
Comment normaliser les données musicales pour garantir une cohérence
dans les caractéristiques analysées (BPM, niveaux sonores, etc.) entre les
différents segments de morceaux ?
Représentation des données :
Quel type de représentation des données musicales serait le plus approprié
pour l'IA ? (Spectrogrammes, données temporelles, caractéristiques extraites,
etc.)
Comment transformer les données audios en formats exploitables par les
algorithmes d'apprentissage automatique pour l'analyse des transitions ?
Validation des données :
Comment vérifier et valider la qualité des données traitées pour s’assurer
qu’elles sont adaptées à l’entraînement de l’IA ?
Quels critères de qualité devraient être pris en compte ?
3) Le modèle de l’IA :
Choix du langage et des bibliothèques :
Quel logiciel de code utiliser ?
Existe-t-il des librairies pour l’analyse audio (Vérifier Librosa sur python) ?
Utilisation de méthodes de clustering :
Faut-il utiliser des méthodes de clustering pour segmenter les sets de DJ ou
bien doivent-elle être faites en amont par d’autres moyens ?
Choix des modèles d'IA :
Faut-il utiliser un seul modèle d'IA, spécifiquement centré sur l'analyse des
transitions dans les sets/mix de DJ ?
Ou serait-il plus avantageux d'utiliser plusieurs modèles et de les fusionner
pour une analyse plus complète ?
Si oui, Quels modèles d'apprentissage automatique ou d'intelligence
artificielle seraient les plus adaptés pour capturer les transitions musicales ?
(Reinforcement learning, réseaux de neurones récurrents, modèles basés sur
les paramètres musicaux, etc.)
Comparaison et évaluation des modèles :
Comment évaluer et comparer les performances des différents modèles ?
Quels critères d'évaluation seront utilisés pour déterminer l'efficacité des
modèles dans la reproduction de transitions musicales ?
Entraînement et ajustement des modèles :
Quelles stratégies d'entraînement seront adoptées pour que les modèles
puissent apprendre efficacement à reproduire les transitions musicales ?
Comment seront ajustés les hyperparamètres pour améliorer les
performances des modèles ?
Intégration des caractéristiques musicales :
Comment les caractéristiques musicales extraites lors du traitement des
données seront-elles intégrées et utilisées par les modèles d'IA pour générer
des transitions musicales ? Comment ces caractéristiques pourraient-elles
influencer le choix du modèle ?
4) La suite…