Notebook Python untuk Dasar-Dasar Pemrosesan Musik

• FMP notebooks adalah materi pembelajaran berbasis Jupyter untuk mempelajari dan mengajarkan Fundamentals of Music Processing yang berfokus pada audio
• Berdasarkan skenario aplikasi Music Information Retrieval (MIR), materi ini menghubungkan teori, rumus, gambar, contoh audio, dan contoh kode Python dalam satu alur
• HTML statis bisa langsung dilihat tanpa instalasi, tetapi untuk menjalankan kode perlu mengunduh notebook dan data serta menyiapkan lingkungan server Jupyter
• Versi saat ini adalah 1.2.6; teks dan gambar disediakan di bawah lisensi CC BY-NC-SA 4.0, sedangkan paket Python libfmp disediakan dengan lisensi MIT
• Mengikuti 8 bab buku ajar, materinya mencakup representasi musik, analisis Fourier, sinkronisasi, analisis struktur, pengenalan chord, pelacakan tempo dan beat, pencarian audio, hingga dekomposisi audio

---

Tujuan FMP notebooks

• FMP notebooks adalah kumpulan materi edukasi untuk pembelajaran dan pengajaran Fundamentals of Music Processing
• Berfokus pada ranah audio dan menggunakan topik-topik terkenal dalam Music Information Retrieval (MIR) sebagai skenario aplikasi
• Mengintegrasikan elemen-elemen berikut dalam satu framework berbasis Jupyter notebook
  • pengenalan skenario MIR
  • gambar dan contoh suara
  • konsep teknis dan detail matematis
  • contoh kode Python yang menunjukkan implementasi teori
• Mahasiswa dapat mempelajari teori dan praktik secara bersamaan, pengajar dapat memanfaatkannya sebagai materi kuliah, dan peneliti dapat merujuk implementasi acuan untuk pekerjaan MIR

Cara membaca dan menjalankan

• Jika hanya membutuhkan tampilan statis, versi HTML yang diekspor bisa langsung digunakan tanpa instalasi
  • penjelasan, gambar, dan contoh audio dapat diakses melalui tautan HTML
• Untuk menjalankan sel kode Python, diperlukan langkah-langkah berikut
  • mengunduh notebook dan data
  • membuat lingkungan eksekusi
  • memulai server Jupyter
  • menggunakan tautan IPYNB di dalam sesi Jupyter
• Prosedur eksekusi yang lebih rinci dirangkum di Get Started

Versi dan lisensi

• FMP notebooks terus diperbarui, dan versi saat ini adalah 1.2.6
• Teks dan gambar dalam notebook didistribusikan di bawah Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License
• Paket Python libfmp menggunakan lisensi MIT dan tersedia di GitHub
• Materi audio masing-masing mengikuti lisensi aslinya
• Situs ini memuat sebagian teks dan gambar dari buku Fundamentals of Music Processing

Susunan notebook

• FMP notebooks disusun mengikuti 8 bab buku ajar

• Basics

  • membahas cara memulai, framework Jupyter, Anaconda, multimedia, pemrograman Python, visualisasi, audio, Numba, anotasi, libfmp, dan sumber daya MIR

• Music Representations

  • membahas notasi musik, MIDI, sinyal audio, bentuk gelombang, pitch, loudness, dan timbre

• Fourier Analysis of Signals

  • membahas sinyal diskret dan analog, gelombang sinus, fungsi eksponensial, transformasi Fourier, representasi Fourier, DFT, FFT, dan STFT

• Music Synchronization

  • membahas fitur chroma, dynamic programming, dynamic time warping (DTW), alignment, dan antarmuka pengguna

• Music Structure Analysis

  • membahas matriks kemiripan, pengulangan, thumbnail, homogenitas, kebaruan, evaluasi, precision, recall, F-measure, visualisasi, dan scape plot

• Chord Recognition

  • membahas harmoni, teori musik, chord, tangga nada, template, hidden Markov model (HMM), dan evaluasi

• Tempo and Beat Tracking

  • membahas onset, novelty, tempo, tempogram, beat, periodicity, analisis Fourier, dan autokorelasi

• Content-Based Audio Retrieval

  • membahas identifikasi, fingerprint, pencocokan audio, identifikasi versi, dan cover song

• Musically Informed Audio Decomposition

  • membahas pemisahan harmonic/percussive, rekonstruksi sinyal, instantaneous frequency, fundamental frequency (F0), trajectory, dan nonnegative matrix factorization (NMF)

Referensi dan paket

• Saat menggunakan materi ini, disarankan untuk mengutip buku Fundamentals of Music Processing – Using Python and Jupyter Notebooks
• Referensi terkait adalah sebagai berikut
  • Meinard Müller, Fundamentals of Music Processing – Using Python and Jupyter Notebooks, 2nd edition, Springer Verlag, 2021
  • Meinard Müller and Frank Zalkow, FMP Notebooks: Educational Material for Teaching and Learning Fundamentals of Music Processing, ISMIR 2019
  • Meinard Müller and Frank Zalkow, libfmp: A Python Package for Fundamentals of Music Processing, JOSS 2021
  • Meinard Müller, An Educational Guide Through the FMP Notebooks for Teaching and Learning Fundamentals of Music Processing, Signals 2021
• Sebagian contoh kode dipengaruhi oleh koleksi kode lain, dan secara khusus terhubung dengan LibROSA, Notes on Music Information Retrieval, dan kursus Fundamentals of Music Processing

[GN⁺]

Komentar Hacker News

• Ini juga bisa membantu: https://allendowney.github.io/ThinkDSP/
  • Ada juga beberapa alat open source untuk produksi musik dan suara yang layak dilihat
    "Raspberry Pi for Dummies" memiliki bab yang membahas SonicPi dan PyGame
    SonicPi adalah lingkungan live coding untuk produksi musik dan pendidikan, dan setahu saya mirip dengan ChucK
    PyGame tampaknya memiliki pygame.mixer berbasis SDL mixer
    Mesin gim Godot mendukung efek audio: https://docs.godotengine.org/en/stable/tutorials/audio/audio...
    BespokeSynth memiliki modul "script" yang memungkinkan penggunaan Python untuk menyintesis nada dan chord serta mentransformasikan stream audio: https://github.com/BespokeSynth/BespokeSynth/blob/main/resou... ( https://github.com/BespokeSynth/BespokeSynth/blob/main/bespo... )
    Notebook AllenDowney/ThinkDSP merujuk ke NumPy, freesound, dan lainnya: https://github.com/AllenDowney/ThinkDSP
  • Saya melihat ini sebagai referensi pertama saat sama sekali belum tahu pemrosesan sinyal digital, dan ini benar-benar luar biasa
    Sangat membantu membangun model berpikir tentang pemrosesan suara, dan repositori ini juga punya banyak materi bagus: https://github.com/BillyDM/Awesome-Audio-DSP
• Adakah materi yang bagus untuk mempelajari algoritme pemrosesan audio digital seperti kompresi dan reverb?
• Ini termasuk salah satu materi terbaik untuk audio DSP+ML
  Fokusnya memang musik, tetapi sangat relevan juga untuk audio lain seperti suara manusia atau suara lingkungan
• Ini juga referensi yang bagus dan membantu saat menangani jenis sinyal lain
• Apakah ini juga cocok untuk orang yang tidak punya pengetahuan musik, tetapi suka pemrograman dan ingin belajar tentang audio serta pembangkitan suara?
  • Ini terutama membahas analisis musik dan suara, dan hampir tidak membahas sintesis suara
    Selain itu, ini tetap bagus
• Halaman web Columbia milik Dan Ellis dan librosa yang sangat bagus juga layak dilihat bersama ini