Soutenance de thèse de Léopold Crestel 43:05
- Soutenances de thèses/HDR - None - None > Soutenance de thèse de Léopold Crestel
- Dec. 19, 2018
- Ircam, Paris
Participants
- Léopold Crestel (conférencier)
Soutenance de thèse de Léopold Crestel
« Réseaux de neurones pour l’orchestration musicale automatique »
Le jury sera composé de :
Philippe Esling - Sorbonne Université
Jean-Gabriel Ganascia - Sorbonne Université
Maarten Grachten - Independent consultant
Florence Levé - Université de Picardie Jules Verne
Yan Maresz - CNSMDP
Geoffroy Peeters - Télécom Paristech
Kamel Smaïli - LORIA, Nancy
Résumé :
L’orchestration est l’art de composer un discours musical en combinant les timbres instrumentaux. La complexité de la discipline a longtemps été un frein à l’élaboration d’une théorie de l’orchestration. Ainsi, contrairement à l’harmonie ou au contrepoint qui s’appuient sur de solides constructions théoriques, l’orchestration reste de nos jours encore essentiellement enseignée à travers l’observation d’exemples canoniques.
Notre objectif est de développer un système d’orchestration automatique de pièce pour piano en nous appuyant sur des méthode d’apprentissage statistique. Nous nous focalisons sur le répertoire classique, cette technique d’écriture étant à l’époque courante pour des compositeurs tels que Mozart ou Beethoven qui réalisaient d’abord une ébauche pianistique de leurs pièces orchestrales. Ainsi, notre premier objectif a été de réaliser un système capable d’orchestrer en temps réel l’improvisation d’un pianiste. Dans un second temps, nous abandonnons les contraintes liées au temps réel afin d’utiliser des modèles de génération non linéaires dans le temps, plus proches du processus compositionel d’un humain, mais dont l’étape de génération est plus lente.
En observant une large base de donnée de pièces pour orchestre et leurs réductions pour piano, nous évaluons l'aptitude des réseaux de neurones à apprendre les mécanismes complexes qui régissent l’orchestration. La vaste capacité d’apprentissage des architectures profondes semble adaptée à la difficulté du problème. Cependant, dans un contexte orchestrale, les représentations musicales symboliques traditionnelles donnent lieu à des vecteurs parcimonieux dans des espaces de grande dimension. Nous essayons donc de contourner ces difficultés en utilisant des méthodes auto-régressives ou en cherchant des représentations mieux adaptées.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-
"Nonlinear system identification using Volterra series representation: application to audio systems "
Abstract:
Orchestration is the art of composing a musical discourse over a combinatorial set of instrumental possibilities. For centuries, musical orchestration has only been addressed in an empirical way, as a scientific theory of orchestration appears elusive. Indeed, whereas harmony and counterpoint can rely on solid theoretical grounds, orchestration remains taught from collections of examples drawn from the repertoire.
In this work, we address these questions within the machine learning framework, by proposing the first projective orchestration system. Hence, we start by formalizing this novel task. We focus our effort on projecting a piano piece (seen as an harmonic draft) onto a full symphonic orchestra, in the style of notable classic composers such as Haydn, Mozart or Beethoven. Hence, the first objective is to design a system of live orchestration, which takes as input the sequence of chords played by a pianist and generate in real-time its orchestration. Afterwards, we relax the real-time constraints in order to use slower but more powerful models and to generate scores in a non-causal way, which is closer to the writing process of a human composer.
By observing a large dataset of orchestral music written by composers and their reduction for piano, we hope to be able to capture through statistical learning methods the mechanisms involved in the orchestration of a piano piece. Deep neural networks seem to be a promising lead for their ability to model complex behaviour from a large dataset and in an unsupervised way. More specifically, in the challenging context of symbolic music which is characterized by a high-dimensional target space and few examples, we investigate autoregressive models. At the price of a slower generation process, auto-regressive models allow to account for more complex dependencies between the different elements of the score, which we believe to be of the foremost importance in the case of orchestration.