Group Admins

  • Profile picture of picasso
  • Profile picture of Axel Roebel

AudioSculpt

Public Group active 3 hours, 29 minutes ago

User Group for AudioSculpt, AudioSculpt Lite and Analysis/Synthesis Command-line Tool users.

Détection transitoires de chute & rugosité rythmique

Author 2 Subscribed Users |
JulienVincenot
JulienVincenot

Bonjour

Je suis en train de préparer une analyse de l’album Multistability de Mark Fell

pour laquelle j’aurais besoin de générer une très grande quantité de marqueurs pour m’aider à mettre en évidence
les évolutions de tempo des onsets, durée de chaque son, corrélés avec le contenu spectral et la “rugosité rythmique”
(je ne sais trop comment nommer cela, disons lorsque le “tempo” passe sous la barre des 50ms).

La détection de transitoires dans Audiosculpt est évidemment déjà très utile pour obtenir les onsets mais
dans mon cas il me manque notamment deux informations pour aller plus loin.

1) existe-t-il un moyen d’obtenir facilement des marqueurs pour les transitoires de chute (release)?
L'”épaisseur” de chaque son est un paramètre important dans cet album et je n’ai pas trouvé le moyen efficace d’obtenir ce type de marqueurs,
bien que les release transients soient mentionnés dans la doc ici : http://support.ircam.fr/docs/AudioSculpt/3.0/co/Transien%20Markers.html
J’ai tenté d’utiliser le spectral differencing (negative) mais le résultat est beaucoup moins clair que le transient detection, mais peut-être que
je m’y prends mal avec les réglages de la FFT.

2) pour la question de “rugosité rythmique”, auriez vous des pistes à me suggérer pour la mesurer de manière convaincante?
Ce moment de l’album donne une idée : https://www.youtube.com/watch?v=PHIGHpWKcw0&feature=youtu.be&t=151
Notamment cela me semble important lorsque la rugosité prends une fonction de marqueurs rythmiques qui ne sont pas pris en compte dans la détection d’attaques standard.
J’ai essayé certains des Ircam descriptors disponibles dans l’interface d’Audiosculpt sans obtenir de résultats vraiment convaincants. Je peux me débrouiller avec le terminal, s’il existe quelque chose dans le moteur de SuperVP, mais j’aurais besoin dans ce cas de quelques pistes pour démarrer :)

Merci d’avance !

Julien

March 15, 2019 at 00:01 #30032
Axel Roebel
Axel Roebel

Salut Julien,

Concernant les transitoires de chute: la methode basé sur le “spectral differencing” est beaucoup plus vielle et moins sophistiqué que la methode “Transient detection” et du coup effectivement ca marche moins bien. Tres siuvent les transitoires de chute sont moins marqué que les transitoires d’attaque et c’est une raison pourquoi tres souvent la difference spectral negative marche moins bien que la difference spectrale positive. Cela dit dans ce musique tres synthétique c’est bien possible que les transitoire de chute sont ausi marque que les transitoire d’attaque, personnellement j’essayerai de renverser le son d’appliquer la detection de transitoire
et puis – si les resultat te semble interessant de faire un mapping temporelle des marquers ainsi obtenu afin d’obtenir les marquers correspondant dans le son original. La plupart de ces operations n’est par contre pas possible a faire dans AudioSculpt.

Pour retourner le son: tu pourrais le faire avec l’effet reverse repeat en selectionnant l’effet backwards pour l’ensemble du son. Par contre
ici entre en jeu le vocodeur de phase et du coup il est tres probable que les relations des phases entre les sinusoides ne persistent pas exactement
et que les positions temporelles des evenements aussi sont legerement modifié a cause de la granularité du traitement avec la fenetre d’analyse.
Du coup ce serait beaucoup mieux de faire cela avec un outil qui permet a jongler avec des echantillonnes individuel
comme par exemple avec l’outil ligne de comande sox et son effet reverse ou – tu l’auras deviner – python.

Apres detection des transitoire dans AS export les marquers en SDIF ou via select all marquers et la commande copy du clavier de ton mac pour par la suite faire paste de tous les position des marquers dans un fichier text. Par la suite avec python, awk, matlab ou perl tu pourras facilement faire le mapping des marquers pour les repositionner la ou il devrait etre dans le fichier original en gros ce sera pour chaque position T la position D-T ou D est la durée totale de ta musique.

Concernant la rugosité, autant que je vois n’avons nous rien dans notre boite a outil qui directement characterise la rugosite.
Comme tu le dis dans cette musique la rugosité viens d’une repetition rapide des memes evenements, donc la position entre deux evenements
sequentiel pourrait evt etre une indice la qualifiant. Le probleme des marquers standard pour ces evennements rapides c’est le fait que cette analyse ne peut jamais detecter plus qu’un seul evenement par chaque fenetre d’analyse. Tu pourrais donc essayer de reduire la taille de la fenetre d’analyse pour l’analyse de transitoire afin d’ameliorer la resolution temporelle et ainsi characteriser les evenement plus proche entre eux.

A+
Axel

March 15, 2019 at 10:22 #30033
JulienVincenot
JulienVincenot

Salut Axel

Merci beaucoup pour ta réponse !

Ok je comprends le problème avec le spectral differencing, j’ignorais que c’était une technique plus ancienne.
Alors effectivement c’est drôle que tu suggères de travailler sur le reverse du son car c’est précisément ce que j’imaginais de faire l’autre jour,
comme solution de secours. Le résultat n’est pas incroyable notamment car les transitoires d’attaques sont également présentes mais je vais insister un peu sur les réglages et voir si j’obtiens quelque chose de plus précis. Merci de confirmer que mon intuition initiale n’était pas totalement stupide ! :)

Je n’ai pas utilisé AS depuis un moment, je ne connaissais pas le raccourcis pour copier les marqueurs en texte, c’est super !
Du coup par rapport à l’encodage ce que je ne comprends pas tout à fait, c’est la présence de doublons dans les dates et, en 2e position, soit 0 soit 1. Est-ce que ça correspond au début et à la fin d’une même transitoire?

Pour la rugosité temporelle, je suis “rassuré” de voir que ce n’est pas vraiment un problème trivial. Merci pour ta suggestion de baisser la taille de la fenêtre, ça me paraît très clair je vais regarder ça !
Du coup j’avais une question : quand j’étais au cursus en 2014, je me souviens que quelqu’un (peut-être toi ou Marco?) était venu nous présenter le nouveau système de taille de fenêtre adaptative. Je viens de retrouver justement dans le menu le fameux AAAS, c’est bien ça?
Est-ce que cela pourrait s’appliquer d’une manière ou d’une autre à la détection de transitoires? Si oui, est-ce que tu vois un moyen de faire varier la taille de la fenêtre justement en fonction de la “clarté” des attaques?

Aussi, dernière question j’en profite. Je n’ai pas suivi les dernières évolutions dans ce sens mais l’une des choses les plus intéressantes que j’avais vues dans AS à l’époque est la matrice de similarité. Existe-t-il depuis des moyens d’extraire de cette matrice des informations supplémentaires en termes de contraste, en gros une symbolisation au dessus du sonogram qui aide à mettre en évidence le flux de différences et répétitions? Je n’ai pas compris s’il était même possible de récupérer les données de la matrice pour les analyser à l’extérieur dans PWGL ou Max par exemple. Si oui cela m’intéresserait beaucoup !

March 16, 2019 at 01:12 #30079

You must be logged in to reply to this topic.

Log in now