VT2022 ASMR fiche - Revision history

Florian.Chappaz at 23:13, 8 January 2023

2023-01-08T23:13:13Z

← Older revision		Revision as of 23:13, 8 January 2023
Line 72:		Line 72:
	* Coûteux en temps et ressources informatiques, nécessite une certaine expertise technique		* Coûteux en temps et ressources informatiques, nécessite une certaine expertise technique
	* Peut susciter des préoccupations éthiques et réduire la valeur de l'art créé par les humains.		* Peut susciter des préoccupations éthiques et réduire la valeur de l'art créé par les humains.

			== Références ==

			'''ASMR Wikipedia definition'''<br/>
			https://fr.wikipedia.org/wiki/Autonomous_sensory_meridian_response

			'''ASMR pour ceux qui veulent bien dormir maintenant / 3 heures (Aucune conversation)''', ''Coromo Sara. ASMR''<br/>
			https://youtu.be/-SYwOAe6V_4

			'''More than a feeling: Autonomous sensory meridian response (ASMR) is characterized by reliable changes in affect and physiology''' - ''G.-L. Poerio, E. Blakey, T. J. Hostler, T. Veltri'' - Anglia Ruskin University, U.-K.<br/>
			https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0196645

			'''Reese: The Movie A Movie About Reese - An ASMR Experience'''<br/>
			https://www.youtube.com/watch?v=PHXTzrO9IGk

			'''Applying Autonomous Sensory Meridian Response on The Advertising of Towel Sound: A Pilot Study''', ''Chih-Chin Liang & Chao-Hui Li''<br/>
			https://dl.acm.org/doi/abs/10.1145/3504006.3504019

			'''Ambient music generation Pachyderm's project'''<br/>
			https://github.com/pachyderm/ambient-music-generation

			'''Magenta'''<br/>
			https://magenta.tensorflow.org/

			'''Onsets and Frames: Dual-Objective Piano Transcription''', ''Curtis Hawthorne, Erich Elsen, Jialin Song, Adam Roberts, Ian Simon, Colin Raffel, Jesse Engel, Sageev Oore, Douglas Eck''<br/>
			https://arxiv.org/abs/1710.11153

			'''Music Transformer''', ''Cheng-Zhi Anna Huang, Ashish Vaswani, Jakob Uszkoreit, Noam Shazeer, Ian Simon, Curtis Hawthorne, Andrew M. Dai, Matthew D. Hoffman, Monica Dinculescu, Douglas Eck''<br/>
			https://arxiv.org/abs/1809.04281

			'''jason9693/MusicTransformer-tensorflow2.0: GitHub project implementing the Music Transformer described by Google Brain's paper with Tensorflow'''<br/>
			https://github.com/jason9693/musictransformer-tensorflow2.0

Florian.Chappaz: /* Explication technique */

2023-01-08T22:55:40Z

Explication technique

@@ Line 35: / Line 35: @@
 # Les fichiers générés sont au format .midi, on les ouvre dans un éditeur musicale (FLStudio, GarageBand, ect.) afin d'appliquer un effet sur les notes pour rendre le résultat plus intéressant.
-== Explication technique ==
+== Explications techniques ==
 === MusicTransformer ===

Valentin.De-Oliveira at 20:19, 8 January 2023

2023-01-08T20:19:21Z

← Older revision		Revision as of 20:19, 8 January 2023
Line 9:		Line 9:
	ASMR is a sensation caused by specific sounds or movements, described as a relaxing tingling feeling on the scalp and spine. The GitHub ambient-music-generation project uses machine learning to generate music and create similar ASMR sounds. Technologies used include Pachyderm, a data management system, and Magenta, which generates music using neural networks. The MusicTransformer, a tool provided by Magenta, is used to analyze and create new music. The process for generating ASMR sounds on the project involves converting MP3 files to WAV, then MIDI, then a format called TFRecord for training, and finally generating sounds. The generated files can be edited with music software to add effects.		ASMR is a sensation caused by specific sounds or movements, described as a relaxing tingling feeling on the scalp and spine. The GitHub ambient-music-generation project uses machine learning to generate music and create similar ASMR sounds. Technologies used include Pachyderm, a data management system, and Magenta, which generates music using neural networks. The MusicTransformer, a tool provided by Magenta, is used to analyze and create new music. The process for generating ASMR sounds on the project involves converting MP3 files to WAV, then MIDI, then a format called TFRecord for training, and finally generating sounds. The generated files can be edited with music software to add effects.

	== ~~Présentation du sujet~~ ==		== Résumé ==

			L'ASMR est une sensation causée par des sons ou des mouvements spécifiques, décrite comme un picotement agréable et relaxant sur le cuir chevelu et la colonne vertébrale. Le projet GitHub ambient-music-generation utilise l'apprentissage automatique pour générer de la musique et créer des sons ASMR similaires. Les technologies utilisées incluent Pachyderm, un système de gestion de données, et Magenta, qui génère de la musique à l'aide de réseaux de neurones. Le MusicTransformer, un outil fourni par Magenta, est utilisé pour analyser et créer de nouvelles musiques. Le processus de génération de sons ASMR sur le projet implique la conversion de fichiers MP3 en WAV, puis en MIDI, puis en un format appelé TFRecord pour l'entraînement, et enfin la génération de sons. Les fichiers générés peuvent être édités avec un logiciel de musique pour ajouter des effets. L'objectif du projet est d'utiliser l'intelligence artificielle dans l'optique de générer des effets sonores similaires à ceux que l'on peut trouver sur Internet.
	L'ASMR (Autonomous Sensory Meridian Response) est un phénomène qui se produit lorsqu'une personne écoute ou regarde quelque chose de spécifique et qui ressent une sensation de picotement ou de frisson le long de la colonne vertébrale et du cuir chevelu. Cette sensation est souvent décrite comme étant agréable et relaxante, et peut être déclenchée par différents types de stimuli, tels que des sons doux ou des mouvements lents.

	L'objectif du projet est d'utiliser l'intelligence artificielle dans l'optique de générer des effets sonores similaires à ceux que l'on peut trouver sur Internet.

	== Technologies utilisées ==		== Technologies utilisées ==

	Le projet GitHub '''''ambient-music-generation''''' est un projet open-source qui utilise l'apprentissage automatique pour générer de la musique.		Le projet GitHub '''''ambient-music-generation''''' est un projet open-source qui utilise l'apprentissage automatique pour générer de la musique. On peut lui fournir en entrée un ensemble de musique sur lequel s'entraîner afin qu'il puisse générer des musiques dans un style similaire. Dans notre cas, nous avons utilisé des playlist disponible sur spotify pour générer des sons ASMR.

	Il utilise plusieurs technologies :		Le projet utilise plusieurs technologies :
	# '''Pachyderm''' : système de gestion de données en pipeline qui permet de traiter et de gérer des données massives de manière distribuée et sécurisée.		# '''Pachyderm''' : système de gestion de données en pipeline qui permet de traiter et de gérer des données massives de manière distribuée et sécurisée.
	# '''Magenta''' : Le projet Magenta utilise des réseaux de neurones et d'autres techniques d'apprentissage automatique pour générer de la musique, des dessins et d'autres formes de création artistique. Il fournit également un kit de développement logiciel (SDK) qui permet aux développeurs de créer leurs propres applications d'IA pour la création artistique.		# '''Magenta''' : Le projet Magenta utilise des réseaux de neurones et d'autres techniques d'apprentissage automatique pour générer de la musique, des dessins et d'autres formes de création artistique. Il fournit également un kit de développement logiciel (SDK) qui permet aux développeurs de créer leurs propres applications d'IA pour la création artistique.
Line 29:		Line 27:

	# On commence par créer un dossier dans lequel on met des fichiers au format MP3 sur lequel on veut entraîner notre IA.		# On commence par créer un dossier dans lequel on met des fichiers au format MP3 sur lequel on veut entraîner notre IA.
	# Un script est fourni nous permettant de normaliser nos fichiers. Ce script supprime tous les espaces et caractères spéciaux du nom du fichier		# Un script est fourni nous permettant de normaliser nos fichiers. Ce script supprime tous les espaces et caractères spéciaux du nom du fichier.
	# On utilise Pachyderm pour convertir nos fichier au format mp3 vers le format wav		# On utilise Pachyderm pour convertir nos fichier au format mp3 vers le format wav
	# Une fois les fichiers wav convertis, on les convertit vers un fichier midi. La conversion vers le format midi se fait en 2 temps car on utilise une librairie Magenta pour réaliser la conversion vers le format midi. Cette fonction prend en entrée un fichier .wav et nous donne le fichier .midi correspondant.		# Une fois les fichiers wav convertis, on les convertit vers un fichier midi. La conversion vers le format midi se fait en 2 temps car on utilise une librairie Magenta pour réaliser la conversion vers le format midi. Cette fonction prend en entrée un fichier .wav et nous donne le fichier .midi correspondant.
	# Il faut convertir nos fichier midi vers un format que Tensorflow peut comprendre. Dans notre cas, on va convertir les fichier midi vers un format intitulé TFRecord. C’est un format pour stocker une séquence d’enregistrements binaire		# Il faut convertir nos fichier midi vers un format que Tensorflow peut comprendre. Dans notre cas, on va convertir les fichier midi vers un format intitulé TFRecord. C’est un format pour stocker une séquence d’enregistrements binaire.
	# On peut maintenant entraîner notre modèle avec les fichier TFRecord que l’on a récupérés. Une fois le modèle entraîner on peut le sauvegarder pour éviter à entraîner le modèle à chaque fois que l’on veut l’utiliser		# On peut maintenant entraîner notre modèle avec les fichier TFRecord que l’on a récupérés. Une fois le modèle entraîner on peut le sauvegarder pour éviter d'entraîner le modèle à chaque fois que l’on veut l’utiliser.
	# On peut commencer la génération qui prendra plus ou moins de temps en fonction de la puissance de calcul de la machine utilisé.		# On peut commencer la génération qui prendra plus ou moins de temps en fonction de la puissance de calcul de la machine utilisé.
	# Les fichiers générés sont au format .midi, on les ouvre dans un éditeur musicale (FLStudio, GarageBand, ect.) afin d'appliquer un effet sur les notes pour rendre le résultat plus intéressant.		# Les fichiers générés sont au format .midi, on les ouvre dans un éditeur musicale (FLStudio, GarageBand, ect.) afin d'appliquer un effet sur les notes pour rendre le résultat plus intéressant.
Line 40:		Line 38:
	=== MusicTransformer ===		=== MusicTransformer ===

	Dans une chanson, il y a souvent des éléments qui reviennent à différents niveaux, comme des petits motifs, des phrases et des parties comme le couplet et le refrain. Pour créer une chanson qui a du sens, un modèle doit se souvenir de choses qui se sont déjà passées et les utiliser de nouveau, en changeant un peu ou en les développant davantage pour ajouter du contraste et de la surprise. Un Transformer est un type de réseau neuronal artificiel utilisé pour des tâches de traitement du langage naturel. Pour générer de la musique, on utilise un modèle de Transformer dit d''''auto-attention relative''' . L'auto-attention relative est capable de capturer, pour une note, les différences relatives de timing et de hauteur qui sont des dimensions importantes en musique. Une différence relative entre plusieurs notes permet de contribuer à la structure et l’ambiance générale d’une composition		Dans une chanson, il y a souvent des éléments qui reviennent à différents niveaux, comme des petits motifs, des phrases et des parties comme le couplet et le refrain. Pour créer une chanson qui a du sens, un modèle doit se souvenir de choses qui se sont déjà passées et les utiliser de nouveau, en changeant un peu ou en les développant davantage pour ajouter du contraste et de la surprise. Un Transformer est un type de réseau neuronal artificiel utilisé pour des tâches de traitement du langage naturel. Pour générer de la musique, on utilise un modèle de Transformer dit d''''auto-attention relative''' . L'auto-attention relative est capable de capturer, pour une note, les différences relatives de timing et de hauteur qui sont des dimensions importantes en musique. Une différence relative entre plusieurs notes permet de contribuer à la structure et l’ambiance générale d’une composition.

	=== Différence relative ===		=== Différence relative ===

	Une différence relative est la différence de timing et de hauteurs entre plusieurs notes. Plus cette différence est faible, plus la note que l’on génère aura une hauteur et / ou un timing proche de la note que l’on a en entrée. A l’inverse, une différence relative élevée suggère que la note générée aura une hauteur et / ou un timing très différent de la note en entrée. Il n’y a pas forcément de meilleure différence relative, tout dépend de ce que l’on veut faire. On utilisera une différence relative faible si on veut générer quelque chose de cohérent. ~~A l’inverse,~~ on utilisera une différence relative forte si on veut créer un contraste.		Une différence relative est la différence de timing et de hauteurs entre plusieurs notes. Plus cette différence est faible, plus la note que l’on génère aura une hauteur et / ou un timing proche de la note que l’on a en entrée. À l’inverse, une différence relative élevée suggère que la note générée aura une hauteur et / ou un timing très différent de la note en entrée. Il n’y a pas forcément de meilleure différence relative, tout dépend de ce que l’on veut faire. On utilisera une différence relative faible si on veut générer quelque chose de cohérent. Mais on utilisera une différence relative forte si on veut créer un contraste.

	== Avantages et inconvénients de la génération d'ASMR ==		== Avantages et inconvénients de la génération d'ASMR ==

Valentin.De-Oliveira at 20:04, 8 January 2023

2023-01-08T20:04:31Z

← Older revision		Revision as of 20:04, 8 January 2023
Line 38:		Line 38:

	== Explication technique ==		== Explication technique ==
			=== MusicTransformer ===
⚫	~~'''Explication MusicTransformer''':~~ Dans une chanson, il y a souvent des éléments qui reviennent à différents niveaux, comme des petits motifs, des phrases et des parties comme le couplet et le refrain. Pour créer une chanson qui a du sens, un modèle doit se souvenir de choses qui se sont déjà passées et les utiliser de nouveau, en changeant un peu ou en les développant davantage pour ajouter du contraste et de la surprise. Un Transformer est un type de réseau neuronal artificiel utilisé pour des tâches de traitement du langage naturel. Pour générer de la musique, on utilise un modèle de Transformer dit d''''auto-attention relative''' . L'auto-attention relative est capable de capturer, pour une note, les différences relatives de timing et de hauteur qui sont des dimensions importantes en musique. Une différence relative entre plusieurs notes permet de contribuer à la structure et l’ambiance générale d’une composition

⚫	~~'''Différence relative''' : une~~ différence relative est la différence de timing et de hauteurs entre plusieurs notes. Plus cette différence est faible, plus la note que l’on génère aura une hauteur et / ou un timing proche de la note que l’on a en entrée. A l’inverse, une différence relative élevée suggère que la note générée aura une hauteur et / ou un timing très différent de la note en entrée. Il n’y a pas forcément de meilleure différence relative, tout dépend de ce que l’on veut faire. On utilisera une différence relative faible si on veut générer quelque chose de cohérent. A l’inverse, on utilisera une différence relative forte si on veut créer un contraste.
		⚫	Dans une chanson, il y a souvent des éléments qui reviennent à différents niveaux, comme des petits motifs, des phrases et des parties comme le couplet et le refrain. Pour créer une chanson qui a du sens, un modèle doit se souvenir de choses qui se sont déjà passées et les utiliser de nouveau, en changeant un peu ou en les développant davantage pour ajouter du contraste et de la surprise. Un Transformer est un type de réseau neuronal artificiel utilisé pour des tâches de traitement du langage naturel. Pour générer de la musique, on utilise un modèle de Transformer dit d''''auto-attention relative''' . L'auto-attention relative est capable de capturer, pour une note, les différences relatives de timing et de hauteur qui sont des dimensions importantes en musique. Une différence relative entre plusieurs notes permet de contribuer à la structure et l’ambiance générale d’une composition
			=== Différence relative ===
		⚫	Une différence relative est la différence de timing et de hauteurs entre plusieurs notes. Plus cette différence est faible, plus la note que l’on génère aura une hauteur et / ou un timing proche de la note que l’on a en entrée. A l’inverse, une différence relative élevée suggère que la note générée aura une hauteur et / ou un timing très différent de la note en entrée. Il n’y a pas forcément de meilleure différence relative, tout dépend de ce que l’on veut faire. On utilisera une différence relative faible si on veut générer quelque chose de cohérent. A l’inverse, on utilisera une différence relative forte si on veut créer un contraste.

			== Avantages et inconvénients de la génération d'ASMR ==

			=== Avantages ===

			* Permet de produire de l'ASMR de manière automatisée et en grande quantité
			* S'adapte aux goûts et préférences des utilisateurs en temps réel
			* Projet open-source favorisant la collaboration et l'innovation
			=== Inconvénients ===

			* Peut produire des résultats imprévisibles ou peu souhaitables
			* Coûteux en temps et ressources informatiques, nécessite une certaine expertise technique
			* Peut susciter des préoccupations éthiques et réduire la valeur de l'art créé par les humains.

Valentin.De-Oliveira at 19:51, 8 January 2023

2023-01-08T19:51:14Z

← Older revision		Revision as of 19:51, 8 January 2023
Line 5:		Line 5:
	Valentin DE OLIVEIRA: [mailto:valentin.de-oliveira@etu.univ-grenoble-alpes.fr valentin.de-oliveira@etu.univ-grenoble-alpes.fr]		Valentin DE OLIVEIRA: [mailto:valentin.de-oliveira@etu.univ-grenoble-alpes.fr valentin.de-oliveira@etu.univ-grenoble-alpes.fr]

			== Abstract ==

			ASMR is a sensation caused by specific sounds or movements, described as a relaxing tingling feeling on the scalp and spine. The GitHub ambient-music-generation project uses machine learning to generate music and create similar ASMR sounds. Technologies used include Pachyderm, a data management system, and Magenta, which generates music using neural networks. The MusicTransformer, a tool provided by Magenta, is used to analyze and create new music. The process for generating ASMR sounds on the project involves converting MP3 files to WAV, then MIDI, then a format called TFRecord for training, and finally generating sounds. The generated files can be edited with music software to add effects.

	== Présentation du sujet ==		== Présentation du sujet ==
Line 16:		Line 19:
	Le projet GitHub '''''ambient-music-generation''''' est un projet open-source qui utilise l'apprentissage automatique pour générer de la musique.		Le projet GitHub '''''ambient-music-generation''''' est un projet open-source qui utilise l'apprentissage automatique pour générer de la musique.

	Il utilise ~~deux~~ technologies ~~principales~~:		Il utilise plusieurs technologies :
	# '''Pachyderm''' : système de gestion de données en pipeline qui permet de traiter et de gérer des données massives de manière distribuée et sécurisée.		# '''Pachyderm''' : système de gestion de données en pipeline qui permet de traiter et de gérer des données massives de manière distribuée et sécurisée.
	# '''Magenta''' : Le projet Magenta utilise des réseaux de neurones et d'autres techniques d'apprentissage automatique pour générer de la musique, des dessins et d'autres formes de création artistique. Il fournit également un kit de développement logiciel (SDK) qui permet aux développeurs de créer leurs propres applications d'IA pour la création artistique.		# '''Magenta''' : Le projet Magenta utilise des réseaux de neurones et d'autres techniques d'apprentissage automatique pour générer de la musique, des dessins et d'autres formes de création artistique. Il fournit également un kit de développement logiciel (SDK) qui permet aux développeurs de créer leurs propres applications d'IA pour la création artistique.
Line 36:		Line 39:
	== Explication technique ==		== Explication technique ==
	'''Explication MusicTransformer''': Dans une chanson, il y a souvent des éléments qui reviennent à différents niveaux, comme des petits motifs, des phrases et des parties comme le couplet et le refrain. Pour créer une chanson qui a du sens, un modèle doit se souvenir de choses qui se sont déjà passées et les utiliser de nouveau, en changeant un peu ou en les développant davantage pour ajouter du contraste et de la surprise. Un Transformer est un type de réseau neuronal artificiel utilisé pour des tâches de traitement du langage naturel. Pour générer de la musique, on utilise un modèle de Transformer dit d''''auto-attention relative''' . L'auto-attention relative est capable de capturer, pour une note, les différences relatives de timing et de hauteur qui sont des dimensions importantes en musique. Une différence relative entre plusieurs notes permet de contribuer à la structure et l’ambiance générale d’une composition		'''Explication MusicTransformer''': Dans une chanson, il y a souvent des éléments qui reviennent à différents niveaux, comme des petits motifs, des phrases et des parties comme le couplet et le refrain. Pour créer une chanson qui a du sens, un modèle doit se souvenir de choses qui se sont déjà passées et les utiliser de nouveau, en changeant un peu ou en les développant davantage pour ajouter du contraste et de la surprise. Un Transformer est un type de réseau neuronal artificiel utilisé pour des tâches de traitement du langage naturel. Pour générer de la musique, on utilise un modèle de Transformer dit d''''auto-attention relative''' . L'auto-attention relative est capable de capturer, pour une note, les différences relatives de timing et de hauteur qui sont des dimensions importantes en musique. Une différence relative entre plusieurs notes permet de contribuer à la structure et l’ambiance générale d’une composition
			'''Différence relative''' : une différence relative est la différence de timing et de hauteurs entre plusieurs notes. Plus cette différence est faible, plus la note que l’on génère aura une hauteur et / ou un timing proche de la note que l’on a en entrée. A l’inverse, une différence relative élevée suggère que la note générée aura une hauteur et / ou un timing très différent de la note en entrée. Il n’y a pas forcément de meilleure différence relative, tout dépend de ce que l’on veut faire. On utilisera une différence relative faible si on veut générer quelque chose de cohérent. A l’inverse, on utilisera une différence relative forte si on veut créer un contraste.

Valentin.De-Oliveira at 19:43, 8 January 2023

2023-01-08T19:43:56Z

← Older revision		Revision as of 19:43, 8 January 2023
Line 33:		Line 33:
	# On peut commencer la génération qui prendra plus ou moins de temps en fonction de la puissance de calcul de la machine utilisé.		# On peut commencer la génération qui prendra plus ou moins de temps en fonction de la puissance de calcul de la machine utilisé.
	# Les fichiers générés sont au format .midi, on les ouvre dans un éditeur musicale (FLStudio, GarageBand, ect.) afin d'appliquer un effet sur les notes pour rendre le résultat plus intéressant.		# Les fichiers générés sont au format .midi, on les ouvre dans un éditeur musicale (FLStudio, GarageBand, ect.) afin d'appliquer un effet sur les notes pour rendre le résultat plus intéressant.

			== Explication technique ==
			'''Explication MusicTransformer''': Dans une chanson, il y a souvent des éléments qui reviennent à différents niveaux, comme des petits motifs, des phrases et des parties comme le couplet et le refrain. Pour créer une chanson qui a du sens, un modèle doit se souvenir de choses qui se sont déjà passées et les utiliser de nouveau, en changeant un peu ou en les développant davantage pour ajouter du contraste et de la surprise. Un Transformer est un type de réseau neuronal artificiel utilisé pour des tâches de traitement du langage naturel. Pour générer de la musique, on utilise un modèle de Transformer dit d''''auto-attention relative''' . L'auto-attention relative est capable de capturer, pour une note, les différences relatives de timing et de hauteur qui sont des dimensions importantes en musique. Une différence relative entre plusieurs notes permet de contribuer à la structure et l’ambiance générale d’une composition

Valentin.De-Oliveira at 19:41, 8 January 2023

2023-01-08T19:41:26Z

← Older revision		Revision as of 19:41, 8 January 2023
Line 18:		Line 18:
	Il utilise deux technologies principales:		Il utilise deux technologies principales:
	# '''Pachyderm''' : système de gestion de données en pipeline qui permet de traiter et de gérer des données massives de manière distribuée et sécurisée.		# '''Pachyderm''' : système de gestion de données en pipeline qui permet de traiter et de gérer des données massives de manière distribuée et sécurisée.
	# '''Magenta''' : ~~kit~~ de ~~développement~~ ~~logiciel~~ ~~qui~~ ~~utilise~~ l'apprentissage automatique pour générer de la musique, du ~~dessin~~ et d'autres formes de création artistique		# '''Magenta''' : Le projet Magenta utilise des réseaux de neurones et d'autres techniques d'apprentissage automatique pour générer de la musique, des dessins et d'autres formes de création artistique. Il fournit également un kit de développement logiciel (SDK) qui permet aux développeurs de créer leurs propres applications d'IA pour la création artistique.
			# '''MusicTransformer''' : un transformer fournit par magenta permettant de produire de la musique en analysant de la musique existante et en utilisant ce qu'il a appris pour en créer de nouvelle.

	== Fonctionnement du projet Github ==		== Fonctionnement du projet Github ==

Valentin.De-Oliveira at 17:42, 8 January 2023

2023-01-08T17:42:23Z

← Older revision		Revision as of 17:42, 8 January 2023
Line 4:		Line 4:

	Valentin DE OLIVEIRA: [mailto:valentin.de-oliveira@etu.univ-grenoble-alpes.fr valentin.de-oliveira@etu.univ-grenoble-alpes.fr]		Valentin DE OLIVEIRA: [mailto:valentin.de-oliveira@etu.univ-grenoble-alpes.fr valentin.de-oliveira@etu.univ-grenoble-alpes.fr]


			== Présentation du sujet ==

			L'ASMR (Autonomous Sensory Meridian Response) est un phénomène qui se produit lorsqu'une personne écoute ou regarde quelque chose de spécifique et qui ressent une sensation de picotement ou de frisson le long de la colonne vertébrale et du cuir chevelu. Cette sensation est souvent décrite comme étant agréable et relaxante, et peut être déclenchée par différents types de stimuli, tels que des sons doux ou des mouvements lents.

			L'objectif du projet est d'utiliser l'intelligence artificielle dans l'optique de générer des effets sonores similaires à ceux que l'on peut trouver sur Internet.

			== Technologies utilisées ==

			Le projet GitHub '''''ambient-music-generation''''' est un projet open-source qui utilise l'apprentissage automatique pour générer de la musique.

			Il utilise deux technologies principales:
			# '''Pachyderm''' : système de gestion de données en pipeline qui permet de traiter et de gérer des données massives de manière distribuée et sécurisée.
			# '''Magenta''' : kit de développement logiciel qui utilise l'apprentissage automatique pour générer de la musique, du dessin et d'autres formes de création artistique

			== Fonctionnement du projet Github ==

			Afin de générer des sons ASMR, il y a sur le projet github une marche à suivre pour y parvenir:

			# On commence par créer un dossier dans lequel on met des fichiers au format MP3 sur lequel on veut entraîner notre IA.
			# Un script est fourni nous permettant de normaliser nos fichiers. Ce script supprime tous les espaces et caractères spéciaux du nom du fichier
			# On utilise Pachyderm pour convertir nos fichier au format mp3 vers le format wav
			# Une fois les fichiers wav convertis, on les convertit vers un fichier midi. La conversion vers le format midi se fait en 2 temps car on utilise une librairie Magenta pour réaliser la conversion vers le format midi. Cette fonction prend en entrée un fichier .wav et nous donne le fichier .midi correspondant.
			# Il faut convertir nos fichier midi vers un format que Tensorflow peut comprendre. Dans notre cas, on va convertir les fichier midi vers un format intitulé TFRecord. C’est un format pour stocker une séquence d’enregistrements binaire
			# On peut maintenant entraîner notre modèle avec les fichier TFRecord que l’on a récupérés. Une fois le modèle entraîner on peut le sauvegarder pour éviter à entraîner le modèle à chaque fois que l’on veut l’utiliser
			# On peut commencer la génération qui prendra plus ou moins de temps en fonction de la puissance de calcul de la machine utilisé.
			# Les fichiers générés sont au format .midi, on les ouvre dans un éditeur musicale (FLStudio, GarageBand, ect.) afin d'appliquer un effet sur les notes pour rendre le résultat plus intéressant.

Florian.Chappaz: Created page with "'''Authors''' Florian CHAPPAZ: [mailto:florian.chappaz@etu.univ-grenoble-alpes.fr florian.chappaz@etu.univ-grenoble-alpes.fr] Valentin DE OLIVEIRA: [mailto:valentin.de-olive..."

2022-11-18T13:50:05Z

Created page with "'''Authors''' Florian CHAPPAZ: [mailto:florian.chappaz@etu.univ-grenoble-alpes.fr florian.chappaz@etu.univ-grenoble-alpes.fr] Valentin DE OLIVEIRA: [mailto:valentin.de-olive..."

New page

'''Authors'''

Florian CHAPPAZ: [mailto:florian.chappaz@etu.univ-grenoble-alpes.fr florian.chappaz@etu.univ-grenoble-alpes.fr]

Valentin DE OLIVEIRA: [mailto:valentin.de-oliveira@etu.univ-grenoble-alpes.fr valentin.de-oliveira@etu.univ-grenoble-alpes.fr]