Klangdatenanalyse - klingt statisch, steckt aber voller Energie
In den letzten 20 Jahren hat der Musikmarkt eine bedeutende Entwicklung durchlaufen. Von analogen Technologien bis hin zu zunehmenden digitalen Formen der Musik. Nicht zuletzt ist das Musikstreaming eine der derzeit populärsten Arten Musik zu hören. Und dies nicht ohne Grund, denn Musikstreamingplattformen, wie z.B. Spotify, bieten nicht nur die Möglichkeit Musik zu hören, sondern auch neue Musik zu entdecken. Dies geschieht meist durch personalisierte Empfehlungen in Form von Playlisten. Dabei wird das Hörverhalten der Nutzer durch diverse Techniken analysiert, um personalisierte Empfehlungen zu erstellen. Das gute an „Am Beat der Zeit“? Hier sammeln wir keinerlei Daten von dir. Du sagst uns einfach wie, wofür und und mit welcher Art von Musik deine Playlist gefüllt sein soll. Dazu musst du nur drei Fragen beantworten und wir erledigen den Rest. Wie das möglich ist? Durch automatisierte Klangdatenanalyse, genauer das computergenerierte Verarbeiten und Weiterverarbeiten von Musikdaten. Die Daten erhalten wir in Form dieses Testprojekts von Spotifys API (Webschnittstelle). Also wenn du z.B. eine Playlist zum Lernen, aber nur mit Liedern aus einem Genre haben möchtest, ist das hier möglich. Dir wird eine Playlist erstellt, die nur mit Liedern gefüllt ist, wie du sie brauchst. Viel Spaß 🙂
Du hast genug erfahren und bist jetzt bereit für deine Playlist? Klick auf den Button rechts
Du möchtest noch mehr über die Klangdatenanalyse zu erfahren? Alles klar, let's get into it:
Die Segmentierung
Beim Prozess der Verarbeitung von Musikdaten ist eine automatisierte Segmentierung und Gliederung der Daten von zentraler Wichtigkeit. Tracks werden durch die Musiksegmentierung in semantisch Sinn ergebende Segmente und grundlegende Einheiten eingeteilt. Daraufhin können die Musikdaten weiter verarbeitet und z.B. zur Klassifikation (also der Einteilung in unterschiedliche Genre) genutzt werden. Häufig weisen die sinnvollen Abschnitte eines Tracks eine homogene Struktur bezüglich konkreter musikalischer Faktoren auf, sie unterscheiden sich aber meist in ihrer Instrumentierung, Klangfarbe und rhythmischen, melodischen oder harmonischen Merkmalen. Hierbei werden oft homogenitätsbasierte Segmentierungsverfahren angewendet, bei welchen Segmente unterteilt werden, die in bestimmten Aspekten einheitlich sind.
Die Merkmalsextraktion
Nach der Segmentierung werden die Musikdaten mithilfe der Merkmalsextraktion weiter untersucht. Bei der Merkmalsextraktion werden Daten aus dem Audiosignal extrahiert. Grundvoraussetzung hierfür ist, dass die Audiosignale vorher ein Berechnungsverfahren durchlaufen haben und in digitaler Form zur Verfügung stehen. Die klanglichen Eigenschaften sind durch Frequenzspektren zeitlich abgegrenzter Intervalle charakterisiert. Mithilfe von unterschiedlichen Verfahrensmethoden der Signalverarbeitung können die Daten dann extrahiert, gesichert und weiter verwendet werden. Diese klanglichen Eigenschaften werden allgemein als Merkmale bezeichnet. Der positive Aspekt der automatisierten Extraktion von Merkmalen eines Audiosignals ist die entstehende Objektivität. Da Musik etwas sehr individuelles ist, ist es häufig schwer sie zu kategorisieren, jedoch können einzelne objektive Merkmale analysiert werden. Die geläufigsten extrahierten Merkmale sind Rhythmus, Lautstärke, Tonhöhe, Akkordwechsel oder Instrumentierung.
Häufig extrahierte Merkmale können zudem in drei Kategorien unterteilt werden: Timbral Texture Features, Rhythmic Content Features und Chroma Features. Timbral Texture Features widmen sich dem Tonumfang und der Stärke eines Klangs. Bei den Rhymthmic Content Features werden rhythmische Regelmäßigkeiten betrachtet und bei den Chroma Merkmalen geht es darum den Harmonieverlauf eines Tracks darzustellen. Hierdurch können Klangfarben und Tonarten erkannt werden.
Die Thematik der Klangdatenanalyse erfasst noch sehr viel mehr und es existieren technischere und präzisere Erklärungen. Da ich aber Musik- und Medienwissenschaft und nicht Informatik studiere, soll diese Seite nur ein grundlegendes Verständnis für Tonspuranalyse geben und der Fokus auf der Erstellung von Playlisten liegen. 🙂
