Figure title (preferably 1280x720 pixels)

Influence des paramètres de contrôle de la corde frottée sur certains descripteurs audio en conditions réelles de jeu

Les modèles classiques de la corde frottée reposent sur trois paramètres principaux : la vitesse d’archet, la force d’archet et la distance de l’archet au chevalet. Dans l’article “The Violinist’s Sound Palette: Spectral Centroid, Pitch Flattening and Anomalous Low Frequencies.”, Schoonderwaldt et al. étudient l’influence de ces paramètres sur le spectroïde central à l’aide d’un monocorde et d’une machine à frotter. Cependant, cette étude se limite à des conditions expérimentales éloignées des conditions réelles de jeu et à l’analyse des parties stables des sons. Pour pallier ces limites, nous avons analysé des enregistrements réalisés par des violonistes jouant sur différents violons et en explorant diverses configurations de paramètres de jeu. Plusieurs descripteurs audio ont été calculés, et des tests statistiques ont permis d’identifier ceux les plus sensibles aux variations des paramètres. Nous avons étudié à la fois les parties stables et les notes dans leur entièreté. Nos résultats confirment que, sur la partie stable, la force d’archet a le plus d’influence sur le centroïde spectral, suivie de la vitesse, tandis que la distance au chevalet joue un rôle mineur. En revanche, l’analyse des notes dans leur entièreté révèle une influence dominante de la vitesse d’archet sur les descripteurs étudiés. En particulier, ceux liés à l’enveloppe du signal présentent une forte corrélation avec ce paramètre. En accord avec les modèles de corde frottée, les variations de la force et de la distance par rapport au chevalet se traduisent par des modifications du contenu spectral (fréquence fondamentale, contenu harmonique, etc.). De plus, le large nombre de descripteurs étudiés permet de comprendre plus précisément comment le geste du violoniste module la sonorité de l’instrument.

May 10, 2025
Figure title (preferably 1280x720 pixels)

Identification de violons par apprentissage automatique à partir de descripteurs audio issus d'enregistrements de plusieurs violonistes

Peu d’articles ont abordé la question de l’identification d’instruments d’une même famille à partir d’enregistrements audio. Dans cet article, nous étudions l’identification de violons à l’aide de deux ensembles de données. Tous deux sont constitués d’enregistrements de plusieurs violons joués par plusieurs violonistes. Nous comparons différents descripteurs audio à long terme et évaluons leurs performances pour la classification des violons à l’aide d’algorithmes classiques d’apprentissage automatique. Les MFCCs à long terme se sont révélés capables de distinguer efficacement les violons, et ce au-delà des variabilités induites par les violonistes, permettant ainsi la reconnaissance des violons à partir d’enregistrements. L’influence de paramètres clés (notamment le nombre de violonistes, la durée d’enregistrement et les extraits musicaux joués) sur les performances de la reconnaissance a été évaluée. Cette étude fournit des lignes directrices pour optimiser la collecte de données lors de futures expériences portant sur l’identité sonore des violons.

May 10, 2025
An example of a printed sonagram

Read Your Voice

Read Your Voice is a playful interactive multimedia system that allows the user to record a sound, encode it as an image, and then play it back using his smartphone, while controlling the speed and direction of playback.

October 10, 2022