Infinite Bad Guy
👨‍👩‍👦

Infinite Bad Guy

Entry
Infinite Bad Guy—YouTubeに上がっている動画の自動ミックス
Simple Title
Infinite Bad Guy (IYOIYO, Kyle McDonald)
Description
YouTube上で史上最も多くカバーされた楽曲ビリー・アイリッシュのBad Guy。YouTube上にあがっている曲を解析、分類し、リズムに合わせてスムーズに繋いでいく。無限に続くBad Guyジュークボックス。
Type
Project
Posted at
May 1, 2021
Tags
music
Year
2020
Arxiv
image

Overview - 何がすごい?

YouTube上で史上最も多くカバーされた楽曲ビリー・アイリッシュのBad Guy。YouTube上にあがっている曲を解析、分類し、リズムに合わせてスムーズに繋いでいく。無限に続くBad Guyジュークボックス。

Technology/System

この作品における機械学習の目的は

  1. ビートを認識して、原曲のどこに当たるのかを推定
  2. 映像コンテンツの分類
  3. 映像的な類似度の推定

1. ビートを揃える

1.1 原曲をそのまま使ってる場合。

SpectrogramのCosine Similarityを取る。少しずつずらして、一番マッチする場所を探す

image
image

1.2 アコースティックカバーなど...

テンポが揺れるので簡単な手法は使えない。DTW(Dynamic Time Warping)もループするセクションがあるとうまく行かない → RNNモデルを構築

RNNの入力は のマトリクス。出力は 。各拍が原曲の拍のうちのどこにあるのかの確率分布を出力。曲全体で420拍 ()。

学習データは自作。5000曲(!!)に手作業でタグを打った。

音の特徴量としては学習済みのモデル 学習済みのモデル YAMNet のアウトプットも試したが、Constant-Q transformの方が結果はよかった。

2/3. 映像コンテンツの分類/類似度の判定

自作のインタフェースでタグ付けをマニュアルで行う → 学習データとした。

映像の特徴量はMobileNetのアウトプットを使う。ただ異なる長さのビデオを比較するために、特徴量を組み合わせて新しい特徴料を作る作り方を工夫した。

1. 均等な感覚をあけてフレームを抽出 → それぞれの特徴量を抽出

2. フーレムごとの特徴量の差分の平均 (activity)

3. 1で抽出したサンプルのフレーム間の差分 (diversity)

def feature_fingerprint(features, sample_count=9):
  """Compute more sparse fingerprint from dense video features."""
  sample_features = select_evenly_spaced(features, sample_count)
  activity_features = np.abs(np.diff(features, axis=0)).mean(axis=0)
  diversity_features = np.abs(np.diff(sample_features, axis=0)).max(axis=0)
  fingerprint = np.vstack(
      (sample_features, activity_features, diversity_features))
  return fingerprint.reshape(-1)

Results

Webサイトを見れば一目瞭然。面白い!

Further Thoughts

  • librosaのLaplacian segmentationで音楽のセグメンテーション(パートごとに分ける)ができそう?
  • CinemaNetという映像の詩的な感覚?を推定するようなモデルの存在をはじめて知る。
  • 細かい試行錯誤の過程がわかりやすく書かれていて、blog記事として優秀。真似したい...
  • 誰がやってるんだろうと思って調べてみると...なんとあのKyle McDonaldが新しくはじめた会社らしい。そりゃ優秀だよね。

Links

制作チームによる機械学習の詳細

他の事例: EchonestのAPIを使って曲の類似する部分をブリッジすることで無限に続く曲を生成

Google AI Exeperiments