System automatycznego miksowania sygnałów muzycznych z wykorzystaniem jednowymiarowych autoenkoderów Wave-U-Net

• Autorzy: Koszewski Damian

Identyfikatory

DOI

10.15199/59.2024.4.42

Warianty tytułu

EN

Automatic audio signal mixing system based on one-dimensional Wave-U-Net autoencoders

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Celem niniejszego artykułu jest zaprezentowanie systemu miksowania muzyki, który w sposób automatyczny miksuje surowe nagrania z dobrą jakością, niezależnie od gatunku muzycznego. Zaproponowano architekturę opartą na jednowymiarowych autoenkoderach Wave-U-Net oraz wykonano szereg testów subiektywnych i obiektywnych. Uzyskane wyniki dowodzą, że miksy stworzone automatycznie przez zaproponowany system mogą być oceniane równie wysoko jak miksy przygotowane profesjonaInie.

EN

The purpose of this articIe is to deveIop an automatic song-mixing system that is capabIe of automaticaIIy mixing a song with good quaIity in any music genre. An architecture based on one-dimensionaI Wave-U-Net autoencoders is proposed for automatic music mixing. Both objective and subjective tests were conducted. The achieved resuIts prove that mixes created automaticaIIy by Wave-U-Net can be evaIuated as highIy as mixes created professionaIIy.

Słowa kluczowe

PL

autoenkoder; miksowanie muzyki; sygnał muzyczny; test odsłuchowy

EN

autoencoder; music mixing; music signaI; Iistening test

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 199--202
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Koszewski Damian

• Politechnika Gdańska, Gdańsk

Bibliografia

• [1] AIdrich J.O. 2018. „Using IBM SPSS statistics: An interactive hands-on approach”. Sage Publications.
• [2] BIaszke MacieJ, Koszewski Damian. 2020. „Determination of Low-LeveI Audio Descriptors of a MusicaI Instrument Sound Using Neural Network”. Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA) Proceedings.
• [3] De Man B., Reiss J.D. 2013. "AknowIedge-engineered autonomous mixing system". Audio Engineering Society Convention 135.
• [4] De Man B., StabIes R., Reiss J.D. 2O19. „Intelligent Music Production”. Focal Press.
• [5] https://github.com/mondaugen/timbretooIbox
• [6] https://www.cambridge-mt.com/ms/mtk/
• [7] Kim H. Y. 2O15. „Statistical notes for clinical researchers: post-hoc multiple comparisons”. Restorative dentistry & endodontics 40 (2): 172-176.
• [8] Koenen R., Pereira F. 2OOO. ”MPEG-7: A standardized description of audiovisual content”. Signal Processing: Image Communication 16 (1-2): 5-13.
• [9] Koszewski Damian, Kostek Bożena. 2020. „Musical instrument tagging using data augmentation and effective noisy data processing”. Journal of Audio Engineering Society, 68(1/2):57-65.
• [10] Lefford M.NY., Bromham G., Fazekas G., Moffat D. 2021. „Context-Aware InteIIigent Mixing Systems”. J. Audio Eng. Soc 69 (3): 128-141.
• [11] Moffat D., SandIer M.B. 2019. "Approaches in inteIIigent music production," Arts 8 (5): 14.
• [12] Pachet F., DeIeure O. 2000. „On-the-fIy muIti-track mixing”. Audio Engineering Society Convention 109.
• [13] Rafii Z., Liutkus A., Stoter F.R., MimiIakis S.I., Bittner R. 2O19. „MUSDB18-HQ-an uncompressed version of MUSDB 18”.
• [14] Reiss J.D. 2O11. „Intelligent systems for mixing multichannel audio”. 17th International Conference on Digital Signal Processing (DSP): 1-6.
• [15] Ross A., WiIIson V.L. 2O17. „One-way ANOVA”. Basic and advanced statistical tests: 21-24.
• [16] Unehara M., Yamada K., ShimadaT. 2O14. „Subjective evaIuation of music with brain wave anaIysis for interactive music composition by IEC”. Soft Computing and Intelligent Systems (SCIS): 66-7O.
• [17] Zacharov N., Huopaniem, J. 1998. „Results of a Round Robin SubJective EvaIuation of VirtuaI Home Theatre Sound Systems”. 107th International Audio Eng. Soc. Convention.