🇫🇷 Français
🇬🇧 English

Thèse 2021-2024 – Modélisation informatique de la texture musicale pour l’analyse et l’aide à la composition.

  • Thèse 2021-2024 en informatique musicale, algorithmes et apprentissage machine
  • Lieu: Amiens (UPJV, Laboratoire MIS) collaboration avec l’Université de Lille (CRIStAL, CNRS)
  • Encadrement et contacts: Florence Levé (MdC HDR MIS, UPJV), Louis Bigo (CRIStAL)
  • Candidatures ouvertes jusqu’au 30 avril (CV et lettre de motivation, par mail)
  • Annonce et liens: http://www.algomus.fr/jobs

Contexte

La musique est faite de mélodies et d’harmonies structurées dans le temps. La partition musicale constitue un support majeur pour transmettre, échanger et préserver les œuvres musicales en Occident. Aujourd’hui, les approches informatiques combinant expertise musicale, techniques algorithmiques et apprentissage automatique permettent de classifier, d’analyser et de générer de la musique. Ces avancées permettent d’envisager la réalisation d’applications où l’humain et la machine collaborent dans l’analyse ou l’écriture de la musique.

La plupart des approches existantes, basées sur des ensembles de règles explicites ou des méthodes d’apprentissage automatique, considèrent la ‘note’ comme objet principal afin de modéliser l’harmonie et la tonalité. À plus haut niveau, la musique peut se caractériser par sa « texture » : les principes de solo, d’accompagnement, d’homorythmie ou encore d’imitation sont des procédés texturaux auxquels le compositeur a recours lors de l’écriture d’une pièce. La combinaison des voix (seules, en groupe) selon ces différentes textures joue un grand rôle dans notre perception de la musique. La modélisation informatique de la texture a fait l’objet d’études préliminaires [Giraud2014, Levé2017]. L’objectif de cette thèse est d’étudier et de comparer la modélisation informatique de la texture musicale dans différents corpus de partitions :

  • Les quatuors à cordes classiques de Haydn, Mozart et Beethoven
  • Le répertoire MySongBook (guitare) maintenu par la société Arobas Music avec laquelle collabore l’équipe Algomus.
  • Un corpus de musique pour piano (e.g. le corpus Maestro maintenu par l’équipe Google Magenta).

Améliorer notre capacité à modéliser numériquement la texture musicale pourra servir de base à l’élaboration d’outils aidant à la composition ou à la pédagogie de la composition musicale.

Objectifs

  • Production et mise à disposition comme ressource libre d' analyses de référence de la texture sur plusieurs répertoires musicaux.
  • Développement d’algorithmes (de règles ou d’apprentissage) permettant l’analyse texturale des pièces musicales des répertoires choisis.
  • Validation des algorithmes proposés en comparant leurs résultats avec l’analyse de référence réalisée précédemment.
  • Évaluation de la capacité des réseaux de neurones profonds à améliorer l’analyse de la texture musicale
  • Évaluer la capacité de modèles d’apprentissage non supervisés, utilisés notamment dans le domaine de la détection de motifs, à découvrir les éléments texturaux prépondérants dans les corpus dont nous disposons d’annotations de texture.
  • Application des algorithmes de reconnaissance de texture sur de larges corpus pour constituer des sous-corpus consistants (corpus de mélodies, corpus d’accompagnements, corpus d’imitations, etc.) qui seront mis à disposition auprès de la communauté MIR pour l’étude spécifique de ces différentes notions musicales et pour la génération de musique.
  • Développement de scénarios texturaux et méthode d’aide à la composition musicale guidée par la texture.

Les corpus, modèles et outils créés au cours de cette thèse seront diffusés librement. Un accent sera mis sur la création d’outils réutilisables, à savoir un module permettant à la fois aux musiciens débutants et confirmés d’expérimenter avec l’analyse et la composition par texture. Un module de visualisation et d’interaction avec l’analyse sera mis à disposition via la plateforme Dezrann, permettant aux musiciens comme au grand public d’étudier cette texture dans des musiques variées, ainsi qu’à des classes de collège dans le cadre d’un atelier pédagogique.

Pour l’ensemble de ces objectifs, la thèse s’inscrira dans un réseau de collaborations tissées par le MIS et le CRIStAL au cours des dernières années, que ce soit des collaborateurs académiques en informatique musicale tout comme en musicologie, des professeurs de musique, et des laboratoires de R&D.

Profil recherché

Informatique niveau master 2. Compétences en algorithmique, science des données et apprentissage automatique. Pratique musicale et compétences en théorie musicale fortement souhaitées (analyse, écriture…)

Déroulement de la thèse, publications et collaborations

L’équipe a une grande habitude de publication dans les conférences majeures du domaine, notamment ISMIR. La·le doctorant·e sera guidé pour rédiger et soumettre des articles à ces conférences, que ce soit sur son propre travail ou sur des collaborations à l’intérieur ou à l’extérieur de l’équipe. La·le doctorant·e participera régulièrement à des conférences et autres événements sur le domaine, et sera encouragé à développer les liens avec scientifiques et artistes. Chaque doctorant·e dans l’équipe effectue aussi un séjour de recherche à l’international au cours de sa thèse.

Le déroulement est individualisé à chaque doctorant·e, mais, dans les grandes lignes, pourrait être le suivant:

  • T0 à T0+6 mois: bibliographie
  • T0+6 à T0+16: premiers modèles et algorithmes, première soumission d’article
  • Au cours de la deuxième année, séjour de 2 mois dans une université étrangère partenaire pour consolider le travail et ouvrir sur de nouveaux projets
  • T0+18 à T0+26: confirmation des modèles et algorithmes, soumission d’articles sur le travail personnel tout comme sur la collaboration internationale
  • T0+26 à T0+34: rédaction de la thèse, possiblement nouvelle soumission d’article
  • T0+35 et T0+36: soutenance et élargissement des projets et des collaborations

Références

  • [Briot2019] J. P. Briot, G. Hadjeres, F. Pachet, Deep Learning Techniques for Music Generation - A Survey, 2019, https://arxiv.org/abs/1709.01620
  • [Bigo2017] L. Bigo et al., Sketching Sonata Form Structure in Selected Classical String Quartets, ISMIR 2017, https://hal.archives-ouvertes.fr/hal-01568703/document
  • [Duane2012] B. Duane, Texture in Eighteenth- and Early Nineteenth- Century String-Quartet Expositions, PhD thesis, North-western University Evanston, 2012
  • [Esling2020] P. Esling, N. Devis, Creativity in the era of artificial intelligence, https://arxiv.org/abs/2008.05959
  • [Giraud2014] M. Giraud, F. Levé et al., Towards Modeling Texture in Symbolic Data, ISMIR 2014, https://hal.archives-ouvertes.fr/hal-01057017/document
  • [Komlos 1986] K. Komlos, Haydn’s Keyboard Trios Hob. XV:5-17: Interaction between Texture and Form, Studia Musicologica Academiae Scientiarum Hungaricae, 28:1-4, 351-400, 1986
  • [Levé2017] F. Levé, M. Rigaudière, F. Doé, Vers une analyse informatique des textures dans le quatuor classique, EuroMAC 2017
  • [Levy1982] J. M. Levy, Texture as a Sign in Classic and Early Romantic Music, Journal of the American Musicological Society, Vol. 35:3, 482-531, 1982
  • [Medeot2018] G. Medeot, et al., StructureNet: Inducing Structure in Generated Melodies, ISMIR 2018, http://ismir2018.ircam.fr/doc/pdfs/126_Paper.pdf
  • [Trimmer1981] M. A. Trimmer, Texture and sonata form in the late string chamber music of Haydn and Mozart, PhD thesis, 1981