Job offers / Offres de visites, stages, thèses et emploi

2023

M√©diation scientifique. √Čtudiant¬∑es en m√©diation pour un atelier d’informatique musicale (open)

Permanent position (French required, with French qualification). Un poste de MdC en section 27 √† l’Universit√© de Picardie Jules-Verne (UPJV) √† Amiens, avec un profil recherche ouvert contenant “informatique musicale” est publi√© dans le cadre de la session synchronis√©e de recrutement EC 2023. Les enseignements seront effectu√©s au d√©partement informatique de l‚ÄôUFR sciences de l’UPJV. Contacter Florence Lev√©.

Visits of PhD students or post-docs (between 2-3 weeks and 2-3 months) can be also arranged through mobility fundings. Contacts should be taken several months in advance. (open)

Two 12-month post-doc positions

Internship positions are available (2-6 months), this year be around the following themes:

Feel free to contact us at contact@algomus.fr if you are interested in joining our team, even if the subject is not detailed below.

Stages 2023 de recherche et/ou développement en informatique musicale


Stage de recherche (M1/M2): Cartographie des tags musicaux sur Bandcamp

L’√©quipe d’informatique musicale Algomus, du laboratoire CRIStAL (UMR CNRS 9189, Universit√© de Lille), en collaboration avec le MIS (UPJV, Amiens) s‚Äôint√©resse √† l‚Äôanalyse informatique de partitions musicales.

Contexte et objectifs

Bandcamp est un site de vente et de streaming pour artistes ind√©pendants. Les artistes utilisent des tags pour identifier eux-m√™mes les genres musicaux qui d√©crivent leur musique. La classification par genre musicaux est un probl√®me complexe car mal d√©fini et subjectif. La classification automatique est cependant tr√®s utilis√©es dans le domaine de la Music Information Retrieval (MIR) pour la recherche mais aussi dans l’industrie (notamment par les plateformes de ventes et de streaming (Spotify, Youtube, Apple Music, etc.)

Nous souhaitons √† obtenir une meilleure compr√©hension de comment les artistes utilisent les tags sur Bandcamp pour d√©finir leur musique. Nous nous int√©ressons donc plut√īt √† une t√Ęche de musicologie computationnelle descriptive de la pratique des artistes.

Travail à effectuer

  • R√©cup√©ration automatique des tags et des metadata sur Bandcamp par data crawling
  • Cr√©ation d’une cartographie relationnelles entre tags
  • Cr√©ation d’une application web permettant de naviguer la cartographie

Profil recherché

Master d’informatique avec des comp√©tences en th√©orie des graphes et technologies web. Pratique musicale appr√©ci√©e mais non obligatoire.

Débouchés

Des opportunit√©s de poursuite en th√®se pourraient √™tre envisag√©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre r√©seau de collaborateurs en France et √† l’√©tranger. L’√©quipe est √©galement en contact avec des entreprises travaillant sur des sujets connexes.

Références

  • [1] Vitos, B. (2021). Dance Librarian: Sonic Explorations of the Bandcamp Underground. DanceCult 13:1.
  • [2] Haworth, C., & Born, G. (2022). Music and intermediality after the internet: aesthetics, materialities and social forms. Music and Digital Media, 378.
  • [3] Sturm, B. L. (2017). The ‚Äúhorse‚ÄĚ inside: Seeking causes behind the behaviors of music content analysis systems. Computers in Entertainment (CIE), 14(2), 1-32.

Stage L3/M1: √Čcouter, voir et analyser Schubert et du Jazz

Contexte et objectifs

L’√©quipe Algomus d√©veloppe Dezrann, une application web fullstack open-source (TypeScript, Vue.js, node.js) pour lire et annoter des partitions musicales. L’annotation se fait en ajoutant des √©tiquettes (labels), √©l√©ments graphiques sur la partition, pour d√©crire par exemple la structure, l’harmonie, le rythme, la m√©lodie ou la texture.

Dezrann est utilis√©e d’un c√īt√© par des classes de coll√®ges pour d√©couvrir activement la musique, et de l’autre, par des musicologues annotant des corpus. C’est un v√©ritable service permettant d’acc√©der √† plusieurs centaines de pi√®ces musicales.

Plusieurs √©quipes de recherche dans le monde ont produit les derni√®res ann√©es des corpus ‚ÄĚmultimodaux‚ÄĚ, comme par example le Schubert Winterreise Dataset (SWD) et le Weiner Jazz Database (WJD). Ces corpus contiennent des partitions (images ou symboliques), des fichiers audio, mais aussi des annotations comme par exemple des accords ou de la structure. Ces projets ont parfois des visualisations mais qui ne sont pas aussi commodes que celles propos√©es par Dezrann.

Travail à effectuer

  • Int√©grer ou am√©liorer l’int√©gration √† Dezrann de deux corpus publi√©s par d’autres √©quipes, dont au moins un nouveau corpus. √Ä titre d’exemple, en 2022 un projet avait travaill√© sur le Schubert Winterreise Dataset et la Weimar Jazz Database.

  • Contribuer √† quelques fonctionnalit√©s sur le front de Dezrann pour am√©liorer la plateforme

  • R√©aliser une premi√®re √©tude d’analyse et/ou de g√©n√©ration d’informatique musicale en s’appuyant sur les corpus int√©gr√©s et en mettant en oeuvres des m√©thodes simples d’IA.

D√©veloppement en TypeScript et/ou python dans un cadre de d√©veloppement agile (conception, tests, int√©gration continue, documentation) et reproductible. Le ou la stagiaire sera aussi en contact avec nos utilisateurs, fran√ßais et √©trangers, notamment avec les classes du secondaire de la r√©gion utilisant Dezrann. Elle ou il participera enfin aux projets de m√©diation mont√©s par l’√©quipe.

Références

Stage de recherche (L3/M1/M2): √Čvaluation du co√Ľt carbone de l’intelligence artificielle en informatique musicale

  • Stage 2023, avec gratification, de 2 √† 4 mois en informatique musicale et apprentissage automatique
  • Lieu: Lille (CRIStAL, CNRS, Universit√© de Lille, √† Villeneuve d’Ascq), t√©l√©travail √©galement possible selon l’√©volution de la situation
  • Encadrant et contacts : Mathieu Giraud (DR CNRS, CRIStAL, Universit√© de Lille),
  • Annonce et liens: http://www.algomus.fr/jobs
  • Candidatures ouvertes

L’√©quipe d’informatique musicale Algomus, du laboratoire CRIStAL (UMR CNRS 9189, Universit√© de Lille), en collaboration avec le MIS (UPJV, Amiens) s‚Äôint√©resse √† l‚Äôanalyse informatique de partitions musicales.

Contexte et objectifs

Comme dans de nombreux domaines, l’apprentissage automatique est pr√©sent dans beaucoup de travaux en informatique musicale, que ce soit en analyse ou en g√©n√©ration de musique [1].

Ces travaux s’appuient sur des corpus de plus en plus cons√©quents, qu’ils soient audio, de partitions ou d’autres repr√©sentations symboliques, et/ou de m√©tadonn√©es, et des mod√®les de plus en plus complexes, en particulier GAN et auto-encodeurs variationnels.

Il y a heureusement une prise de conscience de l’empreinte √©cologique croissante du num√©rique en g√©n√©ral et de l’IA en particulier [2, 3, 4]. Cependant, en informatique musicale, tr√®s peu de travaux sont explicites sur le calcul n√©cessaire √† l’apprentissage de ces mod√®les, m√™me si par ailleurs on trouve de plus en plus d’√©tudes sur l’IA et carbone [5, 6].

Ce stage fera un premier bilan du co√Ľt en calcul, et id√©alement du co√Ľt carbone, des recherches en MIR utilisant l’intelligence artificielle. Il passera par une revue syst√©matique des articles publi√©s dans une ou deux conf√©rences majeures de la derni√®re ann√©e.

Le stage pourra en particulier regarder quels modèles sont les plus consommateurs et/ou économes et quel effort les équipes cherchent (ou pas) à faire dans ce domaine.

Profil recherché

Master d’informatique et/ou master li√© √† l’environnement, avec dans les deux cas comp√©tences en IA/science des donn√©es. Pratique musicale appr√©ci√©e mais non obligatoire.

Débouchés

Des opportunit√©s de poursuite en th√®se pourraient √™tre envisag√©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre r√©seau de collaborateurs en France et √† l’√©tranger. L’√©quipe est √©galement en contact avec des entreprises travaillant sur des sujets connexes.

Références

2022 (archive)

Permanent positions (session synchronisée Galaxie 2022, 31 mars) (closed)

  • Poste en section 27 au CRIStAL, avec un profil recherche contenant “informatique musicale, corpus, co-cr√©ativit√©”: 27 MCF 0035
  • En dehors d’Algomus, poste en section 18 au CEAC / d√©partement Arts, profil recherche “musique et nouvelles technologies”: 18 MCF 0016

PhD positions, 2022-25

Ingénieur·e développement web Vue fullstack, rendu/synchro partitions musicales, CollabScore (CDD 18 mois) (closed)

Internship positions are available (2-6 months), this year be around the following themes:

Stages 2022 de recherche et/ou développement en informatique musicale


Stage L3/M1/M2: Vers un corpus de musique pour les grands prématurés

Contexte

Ce stage est propos√© dans le cadre d‚Äôune collaboration avec le GRAMFC (Groupe de Recherche sur l‚ÄôAnalyse Multimodale de la Fonction C√©r√©brale), visant √† √©valuer l‚Äôimpact de l‚Äôexposition des b√©b√©s n√©s tr√®s pr√©matur√©ment (√† partir de 28 semaines d‚Äô√Ęge gestationnel) √† des interventions musicales adapt√©es sur leur d√©veloppement neural et comportemental, en particulier concernant leur compr√©hension des m√©canismes du langage et de la musique.

L’enjeu de la mission est de proposer un corpus de musique adapté aux grands prématurés, afin que les morceaux sélectionnés soient diffusés/joués dans le service de soin intensif de néonatologie du Centre Hospitalier Universitaire d’Amiens quotidiennement. Il s’agit de proposer un corpus de taille conséquente assurant une diversité musicale (a minima rythmique, mélodique, texturale, voire harmonique), tout en s’adaptant aux capacités auditives des bébés prématurés, qui ne leur permettent pas d’écouter tout type de musique, certains sons ou fréquences pouvant les agresser ou les stresser.

Les t√Ęches r√©alis√©es seront, en particulier:

  • Bibliographie (m√©thodologie de constitution de corpus multi-modaux, contraintes physiologiques et li√©es √† la diffusion de musique en soin intensif)
  • Choix/constitution d‚Äôun corpus de d√©part
  • D√©veloppement de descripteurs permettant de s√©lectionner (automatiquement) les partitions selon certaines caract√©ristiques musicales (notamment rythmiques, explorant les m√©triques binaires et ternaires)
  • √Čvaluation de la diversit√© des partitions du corpus gr√Ęce √† des descripteurs adapt√©s
  • Proposition d’une m√©trique permettant d‚Äô√©valuer l‚Äôacceptabilit√© d‚Äôune partition
  • Proposition d’une m√©thode d‚Äôextraction/simplification permettant de respecter les contraintes tout en maintenant la diversit√©

A priori, la majorité de l’étude sera réalisée sur des musiques représentées sous forme symbolique (encodage de la partition : MIDI, MusicXML, …), qui semblent plus adaptées pour développer les descripteurs requis. Une connaissance des principes audio sera appréciée, qui permettra d’évaluer la piste du filtrage à partir de formes d’onde.

Profil recherché

√Čtudes d‚Äôinformatique, avec comp√©tences musicales et int√©r√™t pour les sciences cognitives

Débouchés

Des opportunit√©s de poursuite en stage et/ou th√®se pourraient √™tre envisag√©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit √† Amiens ou bien dans notre r√©seau de collaborateurs en France et √† l’√©tranger.

Références

  • Cirelli, L. K., Spinelli, C., Nozaradan, S., & Trainor, L. J. (2016). Measuring Neural Entrainment to Beat and Meter in Infants: Effects of Music Background. Frontiers in neuroscience, 10, 229. doi:10.3389/fnins.2016.00229

  • Haslbeck, F. B., et al. (2020). Creative music therapy to promote brain function and brain structure in preterm infants: A randomized controlled pilot study. NeuroImage: Clinical, 25, 102171. doi:10.1016/j.nicl.2020.102171

  • van der Heijden, M. J., Oliai Araghi, S., Jeekel, J., Reiss, I. K. M., Hunink, M. M., & van Dijk, M. (2016). Do hospitalized premature infants benefit from music interventions? A systematic review of randomized controlled trials. PloS one, 11(9). doi:10.1371/journal.pone.0161848

  • Foroushani, S.M., Herman, C.A., Wiseman, C.A. et al. Evaluating physiologic outcomes of music interventions in the neonatal intensive care unit: a systematic review. J Perinatol 40, 1770‚Äď1779 (2020). doi:10.1038/s41372-020-0756-4


Stage M1/M2: G√©n√©ration d’accompagnements √† la guitare basse

Contexte

Ce stage s’inscrit dans le cadre d’une collaboration entre l’équipe Algomus (Université de Lille, CRIStAL) et la société Arobas Music. L’équipe d’informatique musicale Algomus s’intéresse à la modélisation informatique de partitions musicales. La société lilloise Arobas Music développe le logiciel Guitar Pro dédié à la saisie et à la consultation de tablatures de guitare, et plus généralement de partitions musicales. Plus de 10 millions de musiciens l’utilisent régulièrement pour l’apprentissage, la transcription ou la composition. La société s’intéresse à l’ajout de nouvelles fonctionnalités pour assister de manière intelligente le processus d’écriture et de composition de l’utilisateur.

Le corpus mySongBook (MSB), produit et maintenu par la société Arobas Music, comprend plus de 2500 pièces, majoritairement dans le style pop/rock, encodées symboliquement sous la forme de fichiers au format Guitar Pro. Les fichiers Guitar Pro consistent en un alignement de plusieurs parties, chacune associée à un instrument, indiquant le contenu musical joué par cet instrument. Comme fréquemment dans le style pop/rock, une grande partie de ces pièces comprend une partie de guitare basse alignée à une ou plusieurs parties de guitares.

Objectifs

La premi√®re t√Ęche de ce stage consistera √† entrainer un mod√®le √† pr√©dire le contenu d’une partie de guitare basse √©tant donn√© la (les) parties(s) de guitare avec laquelle la partie de basse est align√©e. On s’inspirera en premier lieu de m√©thodes issues de la traduction automatique de s√©quences (Neural Machine Translation) o√Ļ un mod√®le dit Sequence To Sequence (LSTM ou Transformer) est entra√ģn√© √† produire une s√©quence de sortie pour toute s√©quence donn√©e en entr√©e. Diff√©rentes exp√©riences seront men√©es et compar√©es en faisant varier l’architecture du mod√®le, l’uniformit√© stylistique du corpus d’apprentissage, la repr√©sentation et la r√©solution des donn√©es.

Dans une seconde partie, on √©tudiera le potentiel d’utilisation de ce type de mod√®les comme outil dans un contexte d’√©criture ou de composition musicale. On √©tudiera en particulier les possibilit√©s de contr√īle du mod√®le au cours de la g√©n√©ration, permettant √† l’utilisateur d’influer sur certains param√®tres comme le style ou l’originalit√© de la s√©quence produite.

Profil recherché

Master d’informatique, avec compétences en programmation et apprentissage automatique. Connaissances et pratique musicales souhaitées, idéalement pratique de la guitare/basse et une familiarité avec les tablatures.

Débouchés

Des opportunit√©s de poursuite en th√®se pourraient √™tre envisag√©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre r√©seau de collaborateurs en France et √† l’√©tranger.

Références

  • Makris, D., Agres, K. R., & Herremans, D. (2021). Generating lead sheets with affect: A novel conditional seq2seq framework.
  • Grachten, M., Lattner, S., & Deruty, E. (2020). BassNet: A Variational Gated Autoencoder for Conditional Generation of Bass Guitar Tracks with Learned Interactive Control.
  • Ren, Y., He, J., Tan, X., Qin, T., Zhao, Z., & Liu, T. Y. (2020, October). Popmag: Pop music accompaniment generation.
  • McVicar, M., Fukayama, S., & Goto, M. (2015). AutoGuitarTab: Computer-aided composition of rhythm and lead guitar parts in the tablature space.

Stage M1/M2: Pr√©-entra√ģnement de mod√®les s√©quentiels musicaux

Contexte

Les techniques modernes en apprentissage automatique, notamment autour des réseaux de neurones, suscitent de nombreuses recherches dans les domaines du traitement automatique du langage naturel (Natural Language Processing) d’une part et du traitement automatique des données musicales (Music Information Retrieval) d’autre part. Ces recherches ont de multiples applications allant de l’analyse de corpus textuels/musicaux à la génération automatique de texte/musique.

Parmis les diff√©rents types de r√©seaux de neurones, les mod√®les Sequence To Sequence d√©di√©s √† la transformation de s√©quences, ont permis d’important progr√®s en NLP dans des t√Ęches de traduction automatique ou de question-r√©ponse. C’est le cas des transformers [1], dont le fonctionnement repose sur le principe de self-attention, qui incite un mod√®le, lors de son entra√ģnement, √† mesurer les relations mutuelles entre les termes composant une s√©quence, par exemple une s√©quence de caract√®res ou de mots. L’aspect s√©quentiel de la musique a suscit√© une vari√©t√© d’initiatives consistant √† entra√ģner des transformers sur des donn√©es musicales symboliques (par exemple des s√©quences de notes issues de fichiers MIDI), qui ont permis d’important progr√®s en g√©n√©ration, harmonisation et analyse automatique de musique [3].

Le principe d’apprentissage par transfert consiste √† entra√ģner un mod√®le pour une t√Ęche cible, en partant d’un mod√®le entra√ģn√© en amont sur une t√Ęche plus abstraite (phase dite de pr√©-entra√ģnement), et pour laquelle on dispose d’un plus grand nombre de donn√©es. Par exemple, un mod√®le entra√ģn√© √† reconna√ģtre des images de camion gagnera √† √™tre entra√ģn√© en partant d’un mod√®le entra√ģn√© au pr√©alable √† reconna√ģtre des v√©hicules plut√īt qu’√† partir de z√©ro.

Le traitement de donn√©es s√©quentielles, par exemple pour l’entra√ģnement d’un mod√®le, pose la question de la d√©coupe des s√©quences en √©l√©ments atomiques (ou tokenization). En langage naturel par exemple, une phrase peut √™tre vue comme un s√©quence de caract√®res, une s√©quence de mots, de groupes de mots, ou toute segmentation interm√©diaire qui fait sens. La question de la d√©coupe se pose particuli√®rement en musique, o√Ļ le contexte et les relations entre les diff√©rentes notes jouent un r√īle fondamental.

Objectifs

Inspir√©s par le pr√©-entra√ģnement de mod√®les Sequence To Sequence en NLP, ce projet consiste √† exp√©rimenter diff√©rentes strat√©gies de d√©coupe des s√©quences de donn√©es musicales pour le pr√©-entra√ģnement de mod√®les musicaux. Des t√Ęches cibles en MIR (d√©tection de fin de phrase musicales ou encore d√©tection de tonalit√©) associ√©es √† des corpus annot√©s permettront d’√©valuer la performance des mod√®les pr√©-entra√ģn√©s.

Outre les diff√©rentes strat√©gies de d√©coupe, on pourra exp√©rimenter diff√©rents corpus de fichiers musicaux pour le pr√©-apprentissage : le corpus MAESTRO, issu d’enregistrements de performances, ainsi qu’un regroupement de fichiers fichiers MIDI issus de partitions musicales. Le recours comparatif √† ces deux corpus permettra d’√©valuer l’impact de l’interpr√©tation musicale (pr√©sente uniquement dans le corpus MAESTRO) sur la qualit√© du pr√©-entra√ģnement.

Profil recherché

Master d’informatique, avec compétences en programmation et apprentissage automatique.

Débouchés

Des opportunit√©s de poursuite en th√®se pourraient √™tre envisag√©es sur ce sujet ou sur d’autres sujets proches en informatique musicale, que ce soit dans l’un des laboratoires des encadrants ou bien dans notre r√©seau de collaborateurs en France et √† l’√©tranger.

Références

  • Vaswani, Ashish, et al. “Attention is all you need.” Advances in neural information processing systems. 2017.
  • Huang, Cheng-Zhi Anna, et al. “Music transformer.”
  • Devlin, Jacob, et al. “Bert: Pre-training of deep bidirectional transformers for language understanding.”
  • Wang, Ziyu, and Gus Xia. “Musebert: pre-training of music representation for music understanding and controllable generation.”
  • Fradet, Nathan, et al. “MidiTok: A Python Package for MIDI File Tokenization.”

Stage L3/M1/M2: Un r√©seau social pour l’annotation de musique

L’√©quipe Algomus d√©veloppe Dezrann, une application web fullstack open-source (TypeScript, Vue.js, node.js) pour lire et annoter des partitions musicales. L’annotation se fait en ajoutant des √©tiquettes (labels), √©l√©ments graphiques sur la partition, pour d√©crire par exemple la structure, l’harmonie, le rythme, la m√©lodie ou la texture. Si Soundcloud permet d’√©couter un morceau de musique et d’y laisser ses impressions, Dezrann donne acc√®s avec bien plus de finesse au contenu musical, forme d’onde ou partition.

Dezrann est utilis√©e d’un c√īt√© par des classes de coll√®ges pour d√©couvrir activement la musique, et de l’autre, par des musicologues annotant des corpus. C’est un v√©ritable service permettant d’acc√©der √† plusieurs centaines de pi√®ces musicales. Certaines de ces pi√®ces ne sont accessibles que par des utilisteurs poss√©dant un compte. Ce projet a donc pour objectif de faciliter la communication entre les diff√©rents utilisateurs pour faire de l’application un v√©ritable espace collaboratif d’analyse musicale, o√Ļ chacun¬∑e peut proposer et partager une analyse.

Dans un cadre de d√©veloppement agile (conception, tests, int√©gration continue, documentation), le ou la stagiaire travaillera ainsi sur la conception, l’impl√©mentation et le test de l'espace de travail et de gestion des pi√®ces et d’analyses d’un utilisateur, pour permettre notamment:

  • le partage de l’analyse √† un ou plusieurs collaborateurs, ou bien au puvlic, en lecture voire en √©criture
  • la proposition d’une nouvelle version d’une analyse existante
  • la modification l’analyse d’un collaborateur
  • la publication d’une analyse

Le ou la stagiaire sera aussi en contact avec nos utilisateurs, fran√ßais et √©trangers, notamment avec les classes du secondaire de la r√©gion utilisant Dezrann. Elle ou il participera enfin aux projets de m√©diation mont√©s par l’√©quipe.

2021 (archive)

PhD positions, 2021-24

Médiation scientifique, 2021-2022

Stages de recherche 2021 en informatique musicale