Spectralmind und Gracenote: Musikauswahl nach Stimmung

Mit Prototyp einer Spotify-App zeigen die beiden Unternehmen auf der ISMIR die Zukunft der Navigation durch digitale Musiksammlungen

Porto/Wien/Emeryville, 8. Oktober 2012. Spectralmind (http://www.spectralmind.com) und Gracenote (www.gracenote.com) geben auf der 13th International Society for Music Information Retrieval Conference (ISMIR) in Porto, Portugal, einen Einblick, wie wir in Zukunft digitale Musik auswählen und hören könnten. Die beiden Unternehmen zeigen eine Demo-App für den Spotify-Player, der Musik für jeden Anwender personalisiert nach Stimmung und Geschmack darstellt. Die Navigation erfolgt intuitiv durch grafische Darstellung auf mehreren Ebenen – Listendarstellungen sind damit passé. Im zusätzlich verfügbaren „Discovery Mode“ der App wird der Musikkonsument auf eine Musikentdeckungsreise geschickt. Er bekommt nicht nur bereits bekannte Lieder zu hören, sondern Musik aus einem 18 Millionen Titel umfassenden Katalog vorgeschlagen – alles abgestimmt auf seinen individuellen Geschmack und seine Stimmung. Spectralmind macht mit der nun gezeigten Demo-App für Spotify nach einer Reihe von unter dem Brand „Sonarflow“ veröffentlichten Musik-Apps für iOS erstmals eine App für Notebook- und Desktop-Rechner.

Wenn Gracenote, Sony-Tochterunternehmen und weltgrößter Anbieter von Musik-Metadaten, und Spectralmind, führender Anbieter intuitiv-grafischer Medieninterfaces, zusammenarbeiten, bekommt man einen Einblick in die (nahe) Zukunft des Musikkonsums. Starre, willkürliche und in Listen gezwängte Musikeinteilung gehört der Vergangenheit an. Stattdessen wird die Musiksammlung des Nutzers mittels Software intelligent interpretiert und in persönliche, individuell gestaltete Bereiche gegliedert, die auf den emotionalen Musikhören viel näherliegenden Ebenen „Gefühl“ und „Stimmung“ basieren.

Die individualisierten Bezeichnungen der Musik-„Bubbles“ werden durch einen Algorithmus gebildet. Sie sind immer leicht verständlich sowie semantisch präzise und sinnvoll. Musik-Bubbles könnten beispielsweise als „Energetic Anxious Indie Dance“ oder „Arousing Groove Hip-Hop/Rap by male artist“ heißen. Die Interpretation der Stile ist sehr exakt und erfolgt auf Song-Ebene. Damit wird den unterschiedlichen Stilen einzelner Künstler Rechnung getragen – sie werden nicht pauschal in einen Stil-„Topf“ geworfen.

Die nach Stimmung angeordnete Musik wird nicht in Listen, sondern in verschiedenfarbigen Blasen, den „Bubbles“, dargestellt. Diese bestehen aus mehreren Ebenen, in die sich der Nutzer durch stufenloses Zoomen vertiefen kann. Auf jeder Ebene findet er mehr Information und immer weiter verfeinerte Musik-Empfehlungen – jeweils immer auf Basis der initial gewünschten Musikstimmung. Die Songs können natürlich auf jeder Ebene im Player abgespielt werden.

Musikreise im „Discovery Mode“

Aktiviert der Nutzer den „Entdeckungs“-Modus, den Discovery Mode der App, begibt er sich auf eine Musikentdeckungsreise auf Basis seiner favorisierten Musik-Empfindung. Dabei holt die App Musik aus dem Millionen von Titeln umfassenden Spotify-Katalog – ein beinahe unerschöpfliches Reservoire an neuer, vom Hörer bisher unentdeckter Musik.

„Die bunten Bubbles, die auf jeder Ebene immer mehr Details eröffnen, sind perfekt für die Auswahl von Musik nach Gefühl und Stimmung geeignet“, sagt Thomas Lidy, CEO von Spectralmind. „Durch die visuell ansprechende Darstellung wird der Umgang mit Musik wieder emotionaler, intuitiver, spielerischer – wir bieten damit einen völlig ungekannten Zugang zum Musikhören und -entdecken. Die bekannten Listendarstellungen sind im Zeitalter von Touch-Screens und Musik aus der Cloud anachronistisch.“

Gracenote liefert dabei die dahinterstehende Technologie zur Gruppierung von Musik nach Stimmungen und Geschmäckern.

Anmerkung: Bei der von Spectralmind und Gracenote auf der ISMIR gezeigten Spotify-App handelt es sich um einen funktionierenden Prototypen, der einen Einblick in die aktuellen technischen und visuellen Möglichkeiten des Musikkonsums gibt. Wann die Anwendung verfügbar sein wird, ist derzeit noch offen.

About Spectralmind:

Spectralmind is a technology leader in the field of media intelligence. Spectralmind offers fully fledged media discovery solutions in both consumer and professional markets. The solution stands out by its unique combination of intuitive visual interfaces and advanced content discovery technologies to provide the latest in media discovery and content recommendation. The company’s proprietary audio matching engine is capable of suggesting similar music titles based on a song’s acoustic content and a user’s preferences. The technology is used for media discovery in a wide range of domains, such as music and video portals, smartphone and tablet apps and professional media solutions.

The company’s vision is to revolutionize the media discovery space through its unique combination of intelligent content discovery and visual user experience.

About Gracenote

A pioneer in digital media, Gracenote, Inc. provides music and video content and technologies to the world’s hottest entertainment products and brands. The company’s partners in the entertainment community include major music publishers and labels, prominent independents and movie studios and television networks. A wholly owned, independent subsidiary of the Sony Corporation of America (SCA), Gracenote has offices in Tokyo, Munich, Berlin, Seoul, and Taipei with worldwide headquarters in Emeryville, California. For more information, follow us at @GracenoteTweets and www.facebook.com/PoweredbyGracenote.

Spectralmind im Internet: http://www.spectralmind.com/

Sonarflow App: http://www.sonarflow.com

Sonarflow auf Facebook: http://www.facebook.com/Sonarflow

Ansprechpartner für redaktionelle Rückfragen:

i5comm für Spectralmind

Bernhard Lehner

Tel.: +43 664 439 86 09
E-Mail: sonarflow [at] i5comm.com

Louis Mazetier introduces harlem stride piano

Today, only a few pianists are capable to play stride, and I was curious to find out about contemporary ”Harlem Stride Piano” interpreters and recordings.

The textual search for “Harlem Stride Piano” in iTunes led to zero results. Even in the advanced search of iTunes, you can only search for artists and interpreters, title- or track names, but not for genres. A search just for “stride piano” brought up one album, fortunately carrying both terms in its title. Similar, Spotify´s search for “Harlem Stride Piano” did not match anything, whereas a search for “stride piano” returned a few albums because of the use of the terms “piano” and “stride” in their titles or tracks.

Still unsatisfied, i continued the search for contemporary stride players in Google, YouTube and Wikipedia to find out about artists like Louis Mazetier, Günther Straub or Bernd Lhotzky. Knowing their names finally helped me to find the desired tunes in iTunes and Spotify.

This little research clearly depicts the limits of text based music search. It´s results depend largely on the coincidental presence of the chosen search terms in the title or artist name. If you have nothing but a tune, search is often impossible. What´s missing is search for music based on the sounds of a sample track.

While chasing contemporary “Harlem Stride Piano” records through Spectralmind´s audio intelligence platform, I certainly would have used Fats Wallers “Ain´t Misbehavin“. For sure, a sound-similarity search would have brought up more and better results in far less time.

Musical similarity is a very complex area and the reason for the deviations in judgement stems from the fact that similarity has so many dimensions. This raises the question, to which dimension do people relate when asked about the similarity of music?

Personally I observe that people try to exemplify similarity first of all from melody. The particular succession of higher and lower tones that form a melody is clearly a distinctive feature, which allows the listener to determine the degree of likeness or even closeness between two musical works.

Trombone Shorty at the Jazzfest Wien, 2011

But there are other dimensions of similarity as well:

• Timbral similarity: timbre refers to the the tone color of a sound, which varies significantly among the characteristics of the sound-creating device, such as voice, string or wind instruments. As a listener we are able to identify the kinds of instruments playing, even in an ensemble like a band or an orchestra. The same melody played by a piano or a saxophone or a guitar makes a big difference in terms of timbral similarity.

• Rhythmic similarity: rhythm is made up of a repeating pattern of sounds and silences. We perceive rhythm as fast or slow. Through rhythmic beats alone, we can set apart musical genres from each other, like rock from reggae.  Music, dance and even spoken language rely on rhythm as a main and defining element. Different rhythms can be put underneath the same melody (which can be highly entertaining or massively disturbing). This practical example of melodic similarity combined with rhythmic dissimilarity highlights the difficulty to assess an overall measure of similarity between two pieces of music.

• Structural similarity: this refers to the occurrence of specific sections within a piece of music. Common sections are intro, verse, chorus (also known as refrain), interlude and outro among many more. These are formal criteria, which can be applied to describe constructive or sequential similarities of e.g. pop music songs or symphonic compositions.

There are many more dimensions of similarity beyond the ones mentioned. Some of them are even inaccessible to human perception, but very perceptible to musical data-mining programs such as the Spectralmind Audio Intelligence Platform.

Similarity decisions need to be judged by the rationale of the similarity search. Sometimes, melodic resemblance is the searched-for attribute. In other cases it might be rhythmic conformity or timbral affinity.  Or a mix of multiple qualities. The crucial factor is the intended use of the similar-sounding music. Having this intention in mind helps to escape a possible bias.

We are striving to improve our software in a way that makes its similarity opinion more comprehensible and transparent. Users have a desire to understand which dimensions of similarity the software uses to suggest something as similar.