El proyecto ABC_DJ investiga y desarrolla el futuro de Audio Branding. Los investigadores de ABC_DJ han creado un poderoso algoritmo que elige automáticamente la música relevante para la marca basándose únicamente en el contenido de audio de las propias canciones. en lugar de en etiquetas asignadas manualmente. Con este software, las marcas y las agencias de publicidad pueden encontrar automáticamente la música adecuada para cualquier marca o campaña determinada, dando a la planificación estratégica una dimensión sonora.
"El algoritmo de recomendación ABC_DJ puede predecir el ajuste de marca de la música o la expresión musical percibida con una precisión del 80,1 por ciento. El valor máximo teórico del 100 por ciento nunca se puede alcanzar, porque la gente es y siempre tendrá una reacción diferente a la música; esto significa que la coincidencia del 80,1 por ciento será excepcionalmente valiosa para la industria, "dice el Dr. Jochen Steffens de TU Berlin.
El algoritmo extrae las expresiones musicales percibidas por diferentes grupos objetivo de las señales de audio y proporciona música personalizada que se ajusta a la marca para cada contexto. Para crear tal sistema, Los investigadores de ABC_DJ desarrollaron por primera vez un vocabulario con el que describir sistemáticamente la música en el contexto de la marca. Este novedoso "Inventario general de marcas musicales" se estableció con nueve expertos en marcas de audio y fue perfeccionado por 305 expertos en marketing. El siguiente paso en el proceso de desarrollo fue probar este inventario semántico en el campo. A 28, Se utilizó un conjunto de 543 canciones de las cuales se seleccionaron 549 canciones para una evaluación detallada. Luego se llevó a cabo un experimento de escucha a gran escala en el que 10, 144 participantes en Alemania, Se pidió a España y el Reino Unido que hicieran coincidir las características semánticas con las canciones (por ejemplo, modernas, apasionado, innovador, contento, digno de confianza).
Análisis estadístico de los resultados - más de 53, 344 mediciones basadas en 2, 018, 704 puntos de datos:identificaron las 36 funciones más relevantes tanto para la música como para las marcas. La muestra fue equilibrada en cuanto a edad, país y educación para garantizar conocimientos representativos sobre cómo los diferentes grupos destinatarios perciben la expresión semántica en la música. Para hacer operativos estos hallazgos, era necesario mapear características semánticas en características acústicas.
El socio del proyecto ABC_DJ, con sede en París, IRCAM (el Instituto de Investigación y Coordinación en Acústica / Música) extrajo una gran cantidad de información de las 549 canciones utilizadas en el experimento de escucha, rompiendo sus armonías, ritmos instrumentación, géneros y estilos en un nivel de señal por señal. Usando procedimientos de aprendizaje automático altamente efectivos (como la llamada regresión de bosque aleatorio), Luego se desarrolló un algoritmo que encuentra las características acústicas más capaces de predecir las valoraciones reales de la música por parte de los oyentes. Este módulo de predicción es el corazón del sistema ABC_DJ.
"El procedimiento ABC_DJ ahora se puede considerar como un estándar para que lo utilicen las agencias creativas para describir marcas y música de marca, "dice Robin Hofmann, Co-Fundador y Director Creativo de HearDis !.
Pero, ¿cómo funciona exactamente el algoritmo de recomendación ABC_DJ? Se basa en cuatro factores básicos:valencia emocional, excitacion emocional, autenticidad, y puntualidad. Aunque los diferentes grupos destinatarios describirán inevitablemente una pieza musical determinada de diferentes maneras, En general, es posible destilar y armonizar sus descripciones utilizando estos factores:p. ej. una pieza determinada puede describirse como más o menos alegre (valencia emocional), intenso (excitación emocional), auténtico, y progresivo.
Haga clic aquí para escuchar un extracto de música que el algoritmo predijo que sonaría brillante, juguetón y divertido:listen.heardis.com/compilation… 84-9bc0-1bb5c4e1f5f7
Haga clic aquí para escuchar un extracto musical que el algoritmo predijo que sonaría amoroso, amigable y cálido:listen.heardis.com/compilation… 0e-a4ab-ff92fd7be67a
