Machine Translated by Google

Veja discussões, estatísticas e perfis de autor para esta publicação em: https://www.researchgate.net/publication/341251492

Criação Musical por Exemplo

Documento de Conferência · Maio de 2020

DOI: 10.1145/3313831.3376514

CITAÇÕES LER

29 904

3 autores, incluindo:

Emma Frid Celso Gomes

KTH Instituto Real de Tecnologia / IRCAM Universidade de Aveiro

39 PUBLICAÇÕES 285 CITAÇÕES 137 PUBLICAÇÕES 1.695 CITAÇÕES

VER PERFIL VER PERFIL

Alguns dos autores desta publicação também estão trabalhando nos seguintes projetos relacionados:

Projeto Clay Ver projeto

uso de argilas em aplicações médicas Ver projeto

Todo o conteúdo desta página foi enviado por Emma Frid em 08 de maio de 2020.

O usuário solicitou aprimoramento do arquivo baixado.

Machine Translated by Google
Papel CHI 2020
Criação Musical por Exemplo
Emma Frid Laboratório de
Sound and Music Computing, KTH Inteligência Criativa Celso
Royal Institute of Gomes , Adobe
Technology Research
Estocolmo, Suécia Seattle, EUA cegomes@adobe.com
emmafrid@kth.se
RESUMO
Vídeos online curtos se tornaram a mídia dominante nas plataformas
sociais. No entanto, encontrar músicas adequadas para acompanhar os
vídeos pode ser uma tarefa desafiadora para alguns criadores de vídeos,
devido a restrições de direitos autorais, limitações nos mecanismos de
pesquisa e experiência necessária em edição de áudio. Uma possível
solução para esses problemas é usar a geração de música AI. Neste artigo,
apresentamos um paradigma de interface de usuário (UI) que permite aos
usuários inserir uma música em um mecanismo de IA e, em seguida,
regenerar e misturar interativamente a música gerada por IA. Para chegar
a esse design, realizamos estudos de usuários com um total de 104
criadores de vídeo em vários estágios de nosso processo de design e
desenvolvimento. Os estudos de usuários apoiaram a eficácia de nossa
abordagem e forneceram informações valiosas sobre a interação humano-
IA, bem como o design e a avaliação de interfaces de iniciativa mista na
prática criativa.
Palavras-chave do autor
Geração Musical; Inteligência artificial; Iniciativa Mista
Interação; Composição algorítmica
Conceitos de
CCS •Computação aplicada ÿ Computação de som e música;
•Computação centrada no ser humano ÿ Design centrado no
usuário; Design de interação;
INTRODUÇÃO
Vídeos curtos, como trailers, vlogs, comerciais, anúncios de eventos e
tutoriais fornecem experiências envolventes e de ritmo acelerado aos
consumidores de conteúdo. No entanto, do lado do criador , obter e editar
música para essa mídia pode ser um desafio para alguns, especialmente
para aqueles sem experiência em áudio. Devido a restrições de direitos
autorais, muitos criadores de vídeo dependem de músicas que podem ser
baixadas de bibliotecas de estoque ou de domínio público. Uma prática
comum é usar música protegida por direitos autorais como espaço reservado
e, em seguida, procurar músicas que tenham a mesma funcionalidade.
Esse processo é demorado e os usuários podem não encontrar as músicas
de que gostam. Se a fonte de
A permissão para fazer cópias digitais ou impressas de todo ou parte deste trabalho para uso
pessoal ou em sala de aula é concedida sem taxa, desde que as cópias não sejam feitas ou
distribuídas com fins lucrativos ou vantagens comerciais e que as cópias contenham este aviso e a
citação completa na primeira página . Os direitos autorais dos componentes deste trabalho
pertencentes a terceiros que não a ACM devem ser respeitados. Abstraindo com crédito é permitido.
Para copiar de outra forma, ou republicar, postar em servidores ou redistribuir para listas, requer
permissão específica prévia e/ou uma taxa. Solicite permissões de permissions@acm.org.
CHI '20, 25 a 30 de abril de 2020, Honolulu, HI, EUA. ©
2020 Association for Computing Machinery.
ACM ISBN 978-1-4503-6708-0/20/04 ...$15,00.
http://dx.doi.org/10.1145/3313831.3376514
Papel 387
CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA
Zeyu Jin
Creative Intelligence Lab,
Adobe Research
São Francisco, EUA
zeyin@adobe.com
a música não está documentada corretamente, postar músicas com o tipo
de licença errado, por exemplo, no Youtube, também pode resultar em
multas consideráveis e remoção do vídeo. Além disso, as soluções
existentes para pesquisa de música são baseadas principalmente em
consultas de palavras-chave com foco em gênero (por exemplo, "cinemático"
e "pop") ou emoções (por exemplo, "triste" e "energético"). Portanto, os
criadores de vídeo podem ter que percorrer uma grande seleção de músicas
para encontrar uma faixa apropriada. Como as tags de palavra-chave
podem ser mais ou menos representativas de uma música, o processo de
encontrar uma música adequada pode facilmente se tornar tedioso. Além
disso, a música de estoque geralmente vem com uma duração fixa que
pode não corresponder ao vídeo desejado. Existem bibliotecas de áudio
que permitem ao usuário baixar várias faixas com duração e instrumentação
diferentes, mas esses serviços de música costumam ser bastante caros.
Consequentemente, a variedade de material musical disponível para
criadores de vídeo é um tanto limitada, resultando em uma paisagem
sonora homogênea.
Avanços recentes em aprendizado de máquina e inteligência artificial (IA)
abrem a possibilidade de gerar música com som profissional para produção
de vídeo. Estão disponíveis várias soluções existentes que requerem vários
níveis de envolvimento humano no processo de geração de música. De um
lado do espectro, existem geradores de música AI que podem criar partes
musicais de alta qualidade de áudio (consulte, por exemplo, [3, 71]). No
entanto, essas ferramentas geralmente exigem aprendizado de máquina e
habilidades de programação para operar.
Existem também geradores de música processual (ver, por exemplo, [54])
que fornecem interfaces que permitem a personalização de composições
geradas por computador, mas essas ferramentas requerem um
conhecimento substancial de teoria musical. Embora existam exemplos de
interfaces que fornecem geração autônoma de música por IA e um alto
nível de personalização e controle (ver, por exemplo, Orb Composer [30]),
tais aplicativos podem ter o custo de uma curva de aprendizado mais
acentuada. Do outro lado do espectro, existem exemplos de serviços
desenvolvidos para não-músicos e aqueles sem experiência em
programação e IA (ver, por exemplo,
Aiva [68] e Boomy [21]). No entanto, essas ferramentas permitem
principalmente que os usuários especifiquem um conjunto limitado de
parâmetros ou palavras-chave para geração de música, resultando no
mesmo tipo de problemas descritos para pesquisa de música, veja acima.
Neste artigo, exploramos uma nova solução de interface que conecta
soluções de IA com usuários não especialistas, equilibrando entre
automação e controle, tornando a geração de música direta e facilmente
acessível. Apresentamos um novo paradigma de interface de usuário (UI)
para criação de música que permite aos usuários fornecer uma música de
exemplo como entrada para um sistema de música AI.
Página 1
Machine Translated by Google
Papel CHI 2020
Essa abordagem, que aqui chamamos de "criação de música por
exemplo", permite que criadores de vídeo criem e personalizem música
gerada por máquina sem passar pelo processo de especificar palavras-
chave abstratas (como clima e gênero) ou aprender interfaces de
composição complicadas. Em vez disso, o usuário fornece uma peça
musical como entrada para a geração da música.
Esta referência pode ser qualquer música, incluindo música com direitos
autorais. Um analisador extrai recursos musicais da(s) música(s)
fornecida(s) e opera um gerador de música AI para criar um conjunto de
versões alternativas que atendem à mesma funcionalidade do exemplo
fornecido. As faixas geradas possuem vários recursos musicais associados
a elas, como andamento, linha de base, acordes e melodia. Os usuários
podem então misturar e combinar esses aspectos musicais e/ou adicionar
mais músicas de referência para ter uma variedade maior de aspectos
musicais para combinar.
O projeto final do sistema descrito neste artigo foi verificado por
extensos estudos de usuários, apresentados nas seções subsequentes.
Identificamos três contribuições para a área de IHC no contexto deste
trabalho:
1. Um paradigma de interface de usuário (UI) para criação de música,
informado por uma abordagem de design
centrado no usuário 2. Um protótipo de sistema que provou permitir com
sucesso que os usuários criem músicas em colaboração com um
sistema de música AI
3. Insights e descobertas de estudos de usuários que podem informar o
design de interações de iniciativa mista [4] e pesquisas sobre interação
humano-IA na prática criativa
No presente estudo focamos principalmente em criadores de vídeo que
são iniciantes musicais ou músicos amadores. No entanto, o paradigma
de UI proposto pode ser empregado em vários contextos de interação de
iniciativa mista.
FUNDO
Interação Humano-IA
As técnicas de IA podem ser usadas para gerar novas ideias,
produzindo novas combinações de ideias familiares, explorando o
potencial de espaços conceituais e fazendo transformações que
permitem a geração de ideias anteriormente impossíveis [12]. Neste
estudo, focamos nas interações de iniciativa mista entre um sistema
de computador e um ser humano. A interação de iniciativa mista
refere-se a “uma estratégia de interação flexível em que cada agente
(humano ou computador) contribui com o que é mais adequado no
momento mais apropriado” [4]. Essa dualidade pode ser
compreendida da seguinte maneira: a IA (computador) tenta modelar
a maneira como um humano pensa, a fim de criar um sistema que
possa realizar ações inteligentes, enquanto a pesquisa de IHC se
concentra em projetar interfaces de computador que alavancam um
usuário humano a fim de auxiliar o usuário na execução de ações inteligentes [74].
A crescente presença da inteligência artificial no campo da Interação
Homem-Computador levanta muitas questões sobre design e avaliação
de sistemas envolvendo humanos e IA.
Um conjunto de diretrizes para interação humano-IA foi publicado
recentemente em [7]. Neste trabalho, foram apresentados 18 princípios
grosseiramente categorizados por quando eles podem ser aplicados
durante a interação com os usuários (inicialmente, durante a interação,
quando algo está errado e ao longo do tempo). Diretrizes incluídas:
deixar claro o que o sistema pode fazer e quão bem ele pode fazer
Papel 387
CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA
isto; serviços de cronometragem com base no contexto; mostrar
informações contextualmente relevantes; corresponder às normas
sociais relevantes; mitigação de preconceitos sociais; apoiando
eficiente invocação, dispensa e correção; serviços de escopo em caso
de dúvida; deixando claro por que o sistema fez o que fez; lembrando
interações recentes; aprender com o comportamento do usuário;
atualizando e adaptando com cautela; encorajar feedback granular;
transmitir as consequências das ações do usuário; fornecendo
controles globais e notificando os usuários sobre mudanças. Neste
estudo, empregamos as diretrizes descritas acima para avaliação de nosso protótipo.
Criatividade Computacional
As novas tecnologias estão mudando drasticamente a natureza dos
processos criativos. Hoje, os computadores estão se tornando cada
vez mais ferramentas essenciais na prática criativa. O termo
“criatividade computacional ” refere-se ao estudo da construção de
software que exibe comportamento que pode ser considerado criativo em humanos [1
Vários livros sobre computadores e criatividade foram publicados, veja
por exemplo [13, 48]. A pesquisa em criatividade computacional tem
explorado sistemas generativos autônomos em uma ampla gama de
áreas, como matemática, poesia, pintura e composição musical [18].
O termo "generativo" neste contexto refere-se a técnicas de design
generativo que usam codificação algorítmica de conhecimento de
domínio para automatizar partes de um processo de design [74]. O
design generativo envolve considerar o computador como um parceiro
colaborativo no processo de design capaz de gerar ideias e estimular
soluções em resposta a modelos de condições de design e desempenho
[64]. Devido à natureza dos sistemas de design generativo, tem sido
sugerido que os sistemas de prototipagem generativa devem atuar
como ferramentas de brainstorming para produzir prompts criativos,
ou seja, designs preliminares, que podem ser posteriormente refinados
usando fluxos de trabalho de design humano [74].
Nos últimos anos, algoritmos de aprendizado de máquina foram
adotados como ferramentas musicais criativas, motivando uma nova
linha de algoritmos conhecida como aprendizado de máquina interativo
[27]. Foi levantada a hipótese de que o aprendizado de máquina irá
confundir a linha entre o consumo de música e a criação de música [5].
No entanto, várias preocupações relacionadas à automação da
criatividade também foram levantadas. Por exemplo, alguns expressam
ceticismo sobre o potencial criativo do software de computador, pois
acreditam ser impossível simular o pensamento criativo usando
algoritmos ou sistemas de processamento de informações [67]. Outros
descreveram a criatividade como algo “misterioso” que é “aparentemente
impossível de ensinar” [61]. Por outro lado, também foram apresentados
contra-argumentos baseados na ideia de que os humanos são, em
algum nível, apenas capazes de fazer o que fomos projetados ou
programados pela evolução para fazer [61]. Curiosamente, alguns
afirmam que a criatividade não está além do estudo científico e que a
pesquisa sobre criatividade computacional pode contribuir para a
compreensão da criatividade humana, permitindo-nos produzir
programas onde o software atue como um colaborador criativo ao
invés de uma mera ferramenta [18].
AI Music
A composição algorítmica, ou seja, a criação de música por meio do
uso de algoritmos, é um campo motivado por “estender o pensamento
musical por meio de abstrações formalizadas” [49]. Envolve a
automação parcial ou total dos processos de composição musical
através do uso de computadores [26]. A área foi estudada
Página 2
Machine Translated by Google
Papel CHI 2020
extensivamente por mais de cinquenta anos [8] e amplamente discutido
dentro das comunidades de New Interfaces for Musical Expression (NIME)
[57] e Computer Music (veja, por exemplo, [56, 51, 60] para uma visão
geral). Curiosamente, a música algorítmica foi descrita como uma
ferramenta de composição que modela a criatividade como um algoritmo [33].
Contribuições notáveis incluem o projeto “Experiments in Musical
Intelligence” (EMI) de David Cope [19], que se concentrou na emulação
de estilos de compositores específicos, e a peça “Analogique” de Iannis
Xenakis [75], que fez uso de cadeias de Markov. Visão geral da história e
princípios da composição algorítmica são apresentados em [47, 20, 50].
Embora o trabalho sobre modelagem de música usando redes neurais
tenha sido publicado em 1988 [11], avanços mais recentes no campo do
aprendizado profundo abriram caminho para uma série de novos métodos
para geração de música (consulte [14] para uma visão geral). .
Os atuais sistemas de aprendizado profundo para geração de música
concentram-se amplamente na geração autônoma; pouco trabalho
neste domínio ainda abordou questões relacionadas ao controle
humano e interação [14]. A importância dos processos de design
centrados no usuário tem sido enfatizada no contexto do aprendizado
de máquina interativo [10]. Quando se trata de avaliação de sistemas
de geração de música, o foco tem sido tradicionalmente comparar
resultados musicais usando testes de Turing, em vez de melhorar a
interação humana com IA; se os sons gerados soam como (ou são
preferidos) a saída humana, a máquina teve sucesso [8].
A música algorítmica levanta questões sobre a musicalidade da
música gerada pelo sistema e a estética do material gerado pela IA
em geral (ver, por exemplo, [46]). Mesmo que os modelos generativos
de hoje sejam bastante sofisticados, eles geralmente não incluem
um elemento de reflexão ou avaliação; não é incomum que esses
sistemas dependam de designers humanos para presidir questões
de estética [2]. Essa discussão está relacionada ao conceito de
música funcional, chamada Muzak [35], que tem sido frequentemente
criticada por não ter valor estético e também resultar na perda de
encomendas por parte dos compositores. Afirmações semelhantes
às vezes são feitas para a música de IA. Uma discussão sobre
música algorítmica para consumo em massa e produção universal
foi apresentada em [38]. Curiosamente, em um estudo recente sobre
AI versus música de estoque conduzido em 626 criadores de vídeo,
os usuários não tinham preferência entre AI versus música gerada
por humanos para edição de vídeo [53]. Algumas tentativas de
desenvolver métricas para a evolução de resultados musicalmente
satisfatórios de composições musicais geradas por computador foram feitas line
[15]). A necessidade de uma avaliação mais sistemática da
metacriação musical foi enfatizada, por exemplo, em [2]. Mais
investigações neste campo são necessárias. Queremos enfatizar
que o objetivo do trabalho atual não é substituir o papel do compositor, média foi de 33,9 anos (mediana 26,5, min 19,0, máx 72,0 anos). A
mas tornar a música de IA mais acessível a não músicos por meio
do HCI.
Trabalho Relacionado - AI Music for
Video Quando se trata de som e música para filmes, as produções
profissionais de vídeo geralmente contam com compositores para criar
música de fundo e artistas de Foley [6] para criar efeitos sonoros. Para
conteúdo publicado em plataformas sociais, várias bibliotecas de música
de estoque fornecem serviços de download para música de fundo.
Exemplos incluem Marmoset [43], Epidemic Sound [66], Musicbed [55],
Audio Jungle [45], Premium Beat [65], Bensound [69],
Papel 387
CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA
Faixa sonora [42] e SmartSound [37]. Até este ponto, pouco trabalho
se concentrou na geração automática de música com base em
conteúdo de vídeo, mas há exemplos de pesquisa com foco na
recomendação de trilhas sonoras com base no mapeamento de
características acústicas e visuais de baixo nível em um espaço
emocional [72, 63, 39, 40 ] e edição automática de vídeos gerados
pelo usuário em vídeos profissionais compatíveis com música,
usando recomendação de trilha sonora [41].
Quando se trata de geração de música baseada em computador baseado
em aprendizado profundo, dois tipos principais de sistemas podem ser
distinguidos: 1) sistemas autônomos de criação de música voltados para
a criação de música original para comerciais e documentários (por exemplo,
Amper Music [52] e Jukedeck [36]), e 2) ambientes baseados em
computadores que auxiliam músicos humanos (por exemplo,
FlowComposer [59] e OpenMusic [9]) [14]. Até onde sabemos, existe
apenas uma solução de software usando IA para gerar música para
vídeo: Muzeek [32]. Existem, no entanto, sistemas que permitem a
criação de música para vídeo sem usar métodos de IA, como o
Filmstro [28]. Além disso, algumas soluções de software fornecem
recursos para personalizar a duração da música, algo muito útil para
fins de vídeo (consulte, por exemplo,
SonicFire [44] e Audition [1]). Entretanto, até o momento, nenhum
dos sistemas citados permite ao usuário selecionar uma música de
referência para guiar o processo de geração musical, que é o foco
do trabalho apresentado neste artigo.
Embora a ideia de design por exemplo tenha sido empregada em outros
domínios de pesquisa, por exemplo, no uso de modelos em design e
fabricação [62], ela ainda não foi amplamente adotada no domínio da
música. Trabalhos anteriores empregando tal método em um contexto
musical incluem o trabalho apresentado em [23], gerando performances
solo expressivas de alta qualidade de baladas de jazz com base em
exemplos de performance humana, e o sistema MorpheuS, gerando
novas peças musicais baseadas em ritmos, padrões repetidos, e perfis
de tensão de uma peça de exemplo [29].
PRESTUDIOS
Questionário
Método
Inicialmente, realizamos um estudo formativo para entender melhor
as necessidades dos usuários no fluxo de trabalho de adição de
música a vídeos. O estudo foi concebido como um questionário on-
(ver,anônimo distribuído aos criadores de vídeo (criando vídeos do
por exemplo,
Youtube ou vlogs) por meio da plataforma User Testing [70], um
sistema de estudo de usuários on-line de origem coletiva. Um total
de 30 participantes (17 F, 13 M) completaram a pesquisa. A idade
maioria dos participantes (n=26) era dos Estados Unidos, 2 do
Canadá e 2 do Reino Unido. A triagem do usuário foi feita com base
no tipo de criação de conteúdo (vlogs e vídeos do Youtube) e se os
usuários adicionaram música aos seus vídeos usando bibliotecas de estoque ou ou
Usuários que compõem ou produzem música para seus próprios
vídeos não podem participar.
O questionário consistia em perguntas de múltipla escolha com
foco no uso de áudio no contexto da criação de vídeos e
perguntas abertas sobre o mesmo tema. As questões de múltipla
escolha foram analisadas por meio de métricas de frequência
(contagem/número total de participantes). Perguntas abertas foram analisadas
Página 3
Machine Translated by Google
Papel CHI 2020
usando análise temática de conteúdo [73] com contagem de categorias;
respostas de texto livre foram inicialmente codificadas em diferentes
categorias com base em palavras-chave. As respostas relacionadas a
palavras-chave semelhantes foram agrupadas e a ocorrência da
respectiva categoria de palavra-chave foi calculada. As categorias mais
frequentes são apresentadas na seção Resultados abaixo. O
questionário e os dados estão disponíveis como material suplementar.
Resultados
Os participantes descreveram que usaram uma ampla gama de
diferentes soluções de software para edição de vídeo e áudio. Os
softwares mais utilizados foram iMovie (10/30) e Adobe Premiere Pro
(8/30). No total, 22 participantes descreveram que usaram música
para todos os aspectos de seus vídeos ( música de fundo, introdução/
final e clipes no meio), enquanto 8 participantes a usaram apenas
como música de fundo. Em média, os participantes afirmaram
precisar de 4,67 músicas novas para seus vídeos por mês. Eles
usaram uma grande variedade de gêneros musicais em seus vídeos,
mas a maioria afirmou que raramente ou nunca usou efeitos sonoros
(19/30). A maioria dos participantes usou bibliotecas de música
gratuitas (24/30), enquanto apenas alguns usaram bibliotecas de
música premium pagas (4/30) ou pagas isentas de royalties (2/30).
A biblioteca de música mais utilizada foi a YouTube Audio Library
[76] (21/30), mas foram mencionados um total de 20 serviços diferentes.
Os participantes afirmaram que não usavam música algorítmica
(12/30), não tinham certeza se sua música era algorítmica ou não
(10/30) ou não sabiam o que significa o termo música algorítmica
(8/30).
Identificamos três temas com base nas descrições do fluxo de
trabalho do usuário ao adicionar música aos vídeos. Os participantes
mencionaram editar a duração de um vídeo ou cortar e sincronizar a
música com o vídeo (12/30), adicionar música como etapa final na
edição do vídeo (11/30) e ajustar o nível de áudio da música (5/30 ).
Curiosamente, foram discutidos três grandes desafios encontrados
na busca e mixagem de músicas para vídeos : procurar uma peça
musical/encontrar uma música adequada (principalmente em termos
de duração, mas também de humor) (15/30), licença/direitos autorais/
ter que compra de música (9/30) e processos de edição demorados
(alteração de andamento/BPM, corte e corte, mudança de tom,
mudança de duração, sincronização com vídeo, ajuste de volume )
(7/30). Quando questionados sobre o que facilitaria o processo de
edição musical, foram mencionadas as seguintes sugestões: 1) uma
grande biblioteca de músicas (9/30); melhor pesquisa/filtragem/
rotulagem de música (8/30); uma ferramenta completa, ou seja, uma
biblioteca de sons dentro da ferramenta de edição, incluindo recursos
de pesquisa e download (5/30); música livre de royalties sem
problemas de direitos autorais (5/30); facilitar os ajustes de corte/
duração (4/30); música grátis (4/30) e melhores interfaces de usuário (3/30).inspiração por meio de exemplos [links, sons, imagens]... quais são
Método do Workshop de
Brainstorming Sabendo da necessidade da música no contexto da
criação de vídeos, realizamos um workshop informal com pesquisadores
do HCI para buscar orientação para o design da interface do sistema
idealizado para geração de música. Um total de 21 pesquisadores (8
mulheres, 13 homens) participaram. Eles estavam todos trabalhando
no mesmo laboratório em uma grande empresa de tecnologia (esta foi
a única parte do estudo que envolveu pesquisadores em vez de
criadores de vídeo reais, embora um dos pesquisadores também fosse um criador de vídeo).
Papel 387
CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA
O workshop começou com uma apresentação do projeto, incluindo
pesquisas anteriores e relacionadas, grupo de usuários pretendido
(iniciantes com formação musical limitada) e demonstrações de
sugestões de design (maquetes) da interface. Exemplos de soluções
de interface propostas incluem GUIs de tela que permitem desenhar
música usando traços ou seleções em uma grade para gerar música
em uma linha de tempo de vídeo. As seguintes questões foram
apresentadas como pontos de discussão: 1) possíveis estratégias de
interação para a criação musical, 2) métodos para definir as funções
desejadas de uma ferramenta de criação musical, 3) recursos
musicalmente relevantes extraídos do vídeo e 4) usando métodos de
design iterativos e centrados no usuário no contexto do projeto atual.
A sessão durou 1 hora (15 minutos foram dedicados à introdução do
projeto). O feedback e as discussões foram transcritos pelo primeiro
autor, que resumiu a discussão ocorrida, extraindo citações que
poderiam ser relevantes para o desenvolvimento posterior do protótipo.
Resultados Várias ideias interessantes surgiram durante a sessão de
brainstorming. Uma conclusão que pode ser tirada é que precisávamos
de um entendimento mais aprofundado do fluxo de trabalho do
usuário. Assim, foi realizado um segundo estudo com criadores de
conteúdo em vídeo , conforme descrito na próxima seção. Outro
ponto de discussão interessante foi que pode ser proveitoso focar
principalmente na modificação de aspectos de alto nível da música,
em vez de aspectos de baixo nível, uma vez que o grupo de usuários
pretendido consiste em novatos musicais. Por exemplo, os usuários
podem saber qual emoção a música deve transmitir, mas não estar
interessados em sintonizar frequências ou definir estruturas rítmicas.
Permitir “orquestração de diferentes camadas da música” foi
mencionado no mesmo contexto.
Uma sugestão levantada foi o desenvolvimento de um sistema que
permitisse a mixagem de alguns aspectos da música, dando assim
liberdade e controle criativo aos usuários, sem exigir conhecimentos
musicais prévios. Curiosamente, o participante que também era criador
de vídeos descreveu: “Muitas vezes quando estou editando vídeos para
mim ou para outras pessoas, quando se trata da partitura, geralmente
alguém fica tipo 'eu quero algo que soe assim' , e então eles me dão
um exemplo de outro vídeo. Então, eu sinto que poder dizer (...) eu
quero uma música assim, e daí você pode pegar essa geração (...)
esses blocos de construção que são gerados a partir de um tipo de
música ou música que você escolhe." Essa participante também
mencionou que algumas pessoas com quem ela trabalhava cantarolavam
uma melodia para descrever a música que queriam para o vídeo.
Outro participante disse: “Posso imaginar que você insere sua
as partes de que gosto e posso gerar algo com base nisso?” Com
base nessa ideia, os participantes discutiram ter um moodboard ou
um “Pinterest of Songs” como ponto de partida para a geração
musical.
Cenários de Interação
Método
A fim de explorar possíveis direções de design, um estudo de usuário
adicional com criadores de conteúdo de vídeo foi realizado usando
um questionário online. Foi demonstrado que a prototipagem
paralela, ou seja, a geração de vários protótipos que podem receber
página 4
Machine Translated by Google

Papel CHI 2020 CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA

Vantagens Desvantagens mencionado. Um resumo das vantagens e desvantagens para o

A) fazer música rapidamente (14) sem falta de personalização (18) respectivo cenário de interação é apresentado na Tabela 1.
direitos autorais ou taxas (11) saída muito semelhante à entrada Curiosamente, a estratégia de interação mais comumente preferida foi
simples/direto (12) (5) som não original/único (5)
B) personalização/controle criativo (23) criação de seleção ruim ÿ resultados ruins (11)
B), o método no qual a música foi gerada com base em uma seleção
remixes/músicas híbridas (18) sons únicos/ muito complexo/consumidor de tempo de músicas, combinada com uma interface de grade que permite a
novos/pessoais (16) (8) requer habilidades
usuário para misturar e combinar diferentes propriedades (tempo,
C) bom se uma música ficar grudada na sua cabeça (16) musicais (7) requer habilidades
fácil/rápido (8) musicais (14) dúvida se daria certo instrumento e humor) da música AI gerada (n = 31, 51,7%). A segunda
você pode especificar tempo/tom (7) (11) requer ideia de melodia (9) opção mais preferida foi A), ou seja, fornecer uma música de exemplo
Tabela 1. Vantagens e desvantagens do respectivo cenário, onde A) geração (n=17, 28,3%). A grande maioria dos participantes preferiu fornecer
de música com base em uma música de exemplo, B) geração de música com uma música conhecida como referência de exemplo, em vez de usar
base em uma seleção de músicas de exemplo e mistura de camadas/ uma música genérica. A opção menos preferida foi C) assobiar ou
propriedades dessa música e C) geração de música com base em cantarolar
cantarolar uma melodia de entrada (n=12, 20,0%).
ou assobiando uma melodia. Os números entre parênteses correspondem
ao número de participantes que mencionaram o respectivo tema. No geral, o cenário B) foi o preferido devido ao seu alto nível de controle
criativo e capacidade de personalização, possibilidade de selecionar
feedback em paralelo, leva a melhores resultados de design [24].
várias referências de entrada e criar remixes ou músicas híbridas, além
Com base nas ideias da sessão de brainstorming, definimos três
de permitir a criação de sons únicos, novos e pessoais. Um participante
possíveis cenários de design para geração de música e os avaliamos
afirmou o seguinte sobre este cenário de interação: ”O fluxo de trabalho
com criadores de vídeo. Cada cenário tinha um método de entrada
em si é fácil de entender e quase divertido de certa forma, dando a
diferente para geração de música: A) geração de música com base em
você mais controle de um processo amplamente automatizado. Faz
uma música de exemplo, B) geração de música com base em uma
você se sentir ajudando no processo de criação, em vez de depender
seleção de músicas de exemplo, permitindo ao usuário misturar
apenas da máquina.” Em geral, houve muitos comentários positivos
camadas/propriedades da música gerada e C) música geração baseada
sobre a grade interativa apresentada neste cenário de interação, que
em cantarolar ou assobiar uma melodia. O questionário do Cenário de
permitiu aos usuários selecionar humor, andamento ou instrumento
Interação foi distribuído no User Testing, usando métodos de triagem
para a respectiva faixa. Um sujeito declarou: “Decidir quais partes de
semelhantes aos do questionário anterior. Um total de 60 criadores de
quais faixas geraram e, em seguida, juntar tudo é legal. Eu nunca vi
vídeo (37 F, 23 M) participaram do estudo.
nada assim antes, onde ela gera [música] por si mesma, em vez de ter
A idade média foi de 30,9 anos (mediana 30,0, min 18,0, máx 63,0
que criá-la você mesmo.”
anos). Em termos de experiência musical, 26 não tocavam nenhum
instrumento musical nem cantavam, 25 eram músicos amadores e 9
eram músicos com vários anos de prática. A maioria dos participantes
era dos Estados Unidos (47/60), seguido do Reino Unido (9/60), Canadá
RESUMO DAS CONCLUSÕES
(3/60) e Bélgica (1/60).
Os três estudos descritos nas seções anteriores levaram às seguintes
Inicialmente, os participantes foram questionados sobre quais aspectos conclusões:
musicais eles consideravam na busca de músicas para seus vídeos.
• Os principais desafios dos usuários estão relacionados a encontrar música,
Nossa hipótese é que essas informações podem ser relevantes para o
direitos autorais e edição apropriados (principalmente duração e
design da interface, bem como para a seleção de parâmetros de
volume) • Os usuários se beneficiariam de ter acesso a uma biblioteca maior
controle para geração de música. Em seguida, os diferentes cenários
de música, melhores ferramentas de pesquisa e melhor classificação de
de interação foram apresentados na forma de videoclipes curtos,
música e um tudo-em-um ferramenta de edição de música
juntamente com instruções descritivas e exemplos de música para o
e vídeo • Os usuários não usam música algorítmica ou não sabem o que é
respectivo fluxo de trabalho. Os vídeos, assim como o questionário
é
online apresentado junto com eles, estão disponíveis como material
• Os usuários novatos podem querer se concentrar principalmente
complementar. A fim de reduzir o risco de efeitos de transferência, a
nas propriedades de
ordem de apresentação foi aleatória para que todas as condições (ou
seja, ordem dos cenários) ocorressem para 10 participantes cada. Para
nível superior da música • Os usuários podem se beneficiar ao
fornecer exemplos, ou quadros de humor, de músicas que
cada cenário, os participantes descreveram as potenciais vantagens e
lembram o som que estão buscando • Os usuários desejam criar
desvantagens do respectivo modelo. No final, os participantes foram
música em colaboração com uma IA , mantendo assim um
convidados a selecionar qual cenário eles preferiam. Para os cenários
certo nível de liberdade
de interação A e B, também perguntamos aos participantes se eles
criativa, personalização e controle • Os usuários preferem ter a
prefeririam fornecer exemplos de música na forma de músicas genéricas
capacidade de fornecer ao sistema de música vários
(isto é, desconhecidas) ou bem conhecidas.
exemplos de músicas conhecidas • Uma interface de grade que
A análise dos dados de texto livre foi feita usando métodos
permite misturar e combinar diferentes aspectos de faixas
semelhantes aos do questionário anterior.
geradas por IA pode ser uma solução potencial para personalização de músi

SISTEMA
Resultados Os participantes afirmaram que consideram
principalmente emoção/humor (56,7%), gênero (18,3%) e andamento Processo de
(13,3%) na busca por música. Curiosamente, aspectos como design Usamos uma abordagem de design centrada no usuário; as
instrumentos e composição (por exemplo, estrutura temporal, como decisões foram informadas por estudos de usuários e baseadas em
introdução, ponte, refrão e outro), bem como a progressão de acordes, eram menosde
métodos comuns
design centrados no usuário e prototipagem iterativa. Uma visão geral do

Papel 387 Página 5

Machine Translated by Google
Papel CHI 2020
Figura 1. Visão geral do design de interface para diferentes iterações do protótipo. As interfaces 1 e 2 fizeram uso de uma metáfora de desenho
para geração de música. Este paradigma de interação foi rejeitado, uma vez que nenhum dos estudos iniciais parecia apoiar tal abordagem. O
cenário preferido do estudo do Cenário de Interação foi a interface número 3. Além de permitir que o usuário insira uma música na geração de
música, esta GUI também incluiu uma interface de grade para personalização. A primeira versão do aplicativo desenvolvido é apresentada na interface 4.
diferentes versões do protótipo do sistema são visualizadas na Figura
1. No total, 104 criadores de vídeo participaram desse processo de
design; participantes do questionário (n=30), participantes do cenário
de interação (n=60), avaliadores (n=12) e avaliadores especialistas
(n=2) recrutados de uma grande empresa de tecnologia. Nenhum dos
criadores do vídeo era membro do laboratório de pesquisa dos autores
ou tinha qualquer relação com os pesquisadores. Cada etapa do
processo de desenvolvimento foi informada por estudos de usuários.
Nosso primeiro estudo, o questionário, focou nas necessidades dos
criadores de conteúdo ao adicionar música aos vídeos. Os resultados
sugeriram que era difícil para os criadores de vídeo encontrar e editar
músicas com base em palavras-chave. O aspecto mais importante a
considerar neste contexto foi a emoção/humor. Os usuários também
solicitaram um serviço que fornecesse acesso fácil a música gratuita.
Conhecendo as dificuldades associadas às palavras-chave como ponto
de partida para pesquisa ou geração de música, desenvolvemos um
sistema de criação de música que permitiria implicitamente incorporar
propriedades como emoção na geração de música de IA, fornecendo
uma música de exemplo. Com base nessas descobertas, bem como
nas sugestões das sessões de brainstorming, apresentamos três
protótipos de sistemas (cenários de interação) a outro grupo de criadores
de vídeo, a fim de investigar o potencial de diferentes métodos de
entrada para geração de música. Os resultados do estudo do cenário
de interação revelaram que os participantes prefeririam inserir músicas
conhecidas em vez de cantar ou cantarolar uma melodia como entrada
para um sistema de IA. Além disso, os usuários queriam uma interface
que permitisse um alto nível de controle e personalização. Finalmente,
as sessões de avaliação resultaram em uma série de mudanças,
descritas em detalhes na seção Avaliação abaixo. O projeto final do
sistema é apresentado na Figura 2.
Fluxo de
Trabalho O fluxo de trabalho do projeto final do sistema é visualizado e
descrito nas Figuras 2 e 3. O usuário inicialmente seleciona uma ou
várias músicas de referência que se encaixam no vídeo. A análise da
música de referência selecionada resulta em um conjunto de parâmetros
extraídos para personalização da geração da música. O sistema atual
se baseia em uma solução de música AI de código aberto existente
chamada IBM Watson Beat [31], um sistema de geração de música
simbólica baseado em MIDI. Ele usa uma combinação de aprendizado
por reforço e redes neurais para criar várias camadas de música em
formato MIDI com base na seguinte entrada: um arquivo de melodia de
10 a 20 segundos e um conjunto de parâmetros para um mecanismo
criativo (por exemplo, complexidade, fórmula de compasso, andamento
em batidas por minuto, energia e duração, consulte o repositório do GitHub
Papel 387
CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA
para detalhes [16]). A saída é um conjunto de faixas, ou elementos
musicais, que podem ser misturados e combinados para criar uma
música para um vídeo por meio de seleções em uma grade. A grade
possui diferentes botões para seleção de melodia, pads, baixo e bateria
para a respectiva faixa gerada por computador e permite ao usuário
escolher e selecionar vários elementos e misturá-los em uma música
final, que pode ser renderizada na linha do tempo. Esse sistema permite
que os usuários gerem músicas exclusivas de forma criativa que
possam usar em seus vídeos sem os riscos de violação de direitos
autorais, pois a geração de músicas é inspirada apenas em músicas de
exemplo, não regenerando material protegido por direitos autorais.
Arquitetura do sistema
O sistema consiste em um aplicativo Electron [25] com funcionalidade
integrada do IBM Watson. O Electron permite o desenvolvimento de
aplicativos GUI de desktop usando tecnologias da Web, combinando
o mecanismo de renderização Chromium e o tempo de execução
Node.js. A interface do usuário se baseia em componentes do React.
Os seguintes parâmetros são definidos dependendo das propriedades
da música de entrada: gênero, tempo e densidade. Os parâmetros da
geração de música do IBM Watson Beat são especificados em scripts
Python, que por sua vez geram vários arquivos MIDI. A comunicação
em tempo real entre o aplicativo Electron e o software de síntese de
som é ativada por meio do uso de soquetes da Web integrados em
Max/MSP [22] e a síntese de áudio em tempo real é feita usando uma
seleção de VSTs. Cada faixa de música gerada tinha de 15 a 20
segundos de duração. Como a qualidade dos padrões de bateria
gerados usando o IBM Watson Beat não era suficiente, os padrões de
bateria foram obtidos de bibliotecas de amostras de loops de bateria predefinidas.
AVALIAÇÃO
Antes da avaliação do nosso primeiro protótipo, foi realizado um estudo
piloto com dois pesquisadores do nosso laboratório (ambos do sexo
masculino, 22 e 25 anos, respectivamente). Problemas e bugs observados
foram então resolvidos antes que o estudo de avaliação real fosse conduzido.
Avaliação do primeiro protótipo
de
método Um convite à participação para um estudo de usuário
com foco em música gerada por computador para vídeo foi
distribuído na lista de discussão de uma grande empresa de
tecnologia. No total, participaram 12 funcionários (5 F, 6 M, 1
Eles). A idade média foi de 31,9 anos (mediana 30,5, min 23,0,
máx 45,0 anos). Destes participantes, 2 eram músicos com vários
anos de formação musical, 5 eram músicos amadores e 5 não
tocavam/cantavam nenhum instrumento musical. Em termos de produção e ed
Página 6
Machine Translated by Google

Papel CHI 2020 CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA

Figura 2. Visão geral do fluxo de trabalho e GUI do sistema final. 1) Selecione um vídeo. 2) Selecione uma música de referência que combine bem com o vídeo. 3)
Pressione para gerar várias faixas de música AI baseadas, mas não exatamente semelhantes, à música de referência. 4) Misture e combine melodia, pads (acordes
sustentados), baixo e bateria de diferentes faixas geradas por IA. 5) Reproduza uma prévia das combinações selecionadas de melodia, pads, baixo e bateria de
diferentes faixas geradas por IA. 6) Renderize a mixagem na linha do tempo. 7) Sua mixagem aparece aqui.

Figura 3. Representação esquemática do pipeline para música gerada por computador, com anotações de processos envolvendo entrada humana. 1) O usuário insere
um vídeo. 2) O usuário especifica uma música de referência. 3) O usuário mistura e combina melodia, pads, baixo e bateria para faixas geradas por IA. 4) O usuário
salva a mixagem na linha do tempo.

Papel 387 página 7

Machine Translated by Google

Papel CHI 2020 CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA

experiência, 1 pessoa era especialista que trabalhava principalmente veja a Figura 8. As classificações dessa métrica variaram substancialmente
com edição de vídeo, 4 tinham experiência profissional, 4 tinham entre os participantes. Curiosamente, a análise da influência do conhecimento
alguma experiência e 3 tinham pouca experiência. musical nas avaliações do controle criativo não revelou nenhuma associação
forte entre as duas variáveis.
As sessões de avaliação duraram de 20 a 30 minutos por pessoa.
O autor principal atuou como líder de teste para as sessões de avaliação.
5
Depois de assinar um termo de consentimento, as sessões começaram 4
3
com uma descrição do procedimento experimental (as instruções foram
Frequência

2
1
lidas a partir de um manuscrito preparado) e uma pequena demonstração 0
0 123456 7 8 9 10
das funcionalidades do protótipo. As sessões, incluindo as interações na Dificuldade
tela, foram gravadas em vídeo. Os participantes foram solicitados a concluir
Figura 4. Dificuldade percebida da tarefa, variando de 0 = nada difícil
as duas tarefas a seguir: 1) criar música para um vídeo com base em UMA a 10 = muito difícil.
música de exemplo e 2) criar música para um vídeo com base em DUAS
músicas de exemplo. Para duas músicas, a exibição da grade incluía mais 5
opções, mas fora isso o procedimento era o mesmo. Os participantes foram 4
3
encorajados a pensar em voz alta [17] ao resolver essas tarefas.
Frequência

2
1
0
0 123456 7 8 9 10
Uma entrevista semi-estruturada foi realizada após as duas tarefas Tempo necessário para aprender o sistema

terem sido concluídas com sucesso. Os seguintes tópicos foram Figura 5. Tempo necessário para aprender a usar o sistema, variando
usados como ponto de partida: reflexões sobre o uso de músicas de 0 = nenhum tempo a 10 = muito tempo.
existentes como entrada para geração de música, reflexões sobre
5
mixagem e combinação de diferentes propriedades de trilhas geradas
4
pelo sistema (usando a grade que permite a personalização), nível de 3
Frequência

2
controle criativo fornecido pelo sistema , intuitividade do fluxo de 1
0
trabalho proposto e sugestões de recursos adicionais que poderiam 0 123456 7 8 9 10
Prazer
ser implementados para melhorar o sistema, ou seja, o que seria
necessário do software para que a pessoa realmente o utilizasse. Os Figura 6. Quão agradável foi gerar música usando o software,
participantes receberam um vale-presente de $ 10 da Amazon por sua variando de 0 = nada agradável a 10 = muito agradável.
participação.
5
Após a sessão, os participantes preencheram um questionário com foco 4
3
Frequência

em tópicos relacionados às perguntas da entrevista, bem como métricas 2

1
frequentemente usadas para avaliar sistemas interativos [34] (dificuldade 0
0 123456 7 8 9 10
da tarefa, tempo necessário para aprender o sistema, nível de controle Satisfação com Resultados

criativo fornecido pelo sistema, e como foi agradável interagir com o

Figura 7. Satisfação com os resultados, ou seja, a música gerada,
sistema). Os participantes foram solicitados a avaliar essas propriedades variando de 0 = nada satisfeito a 10 = muito satisfeito.
em um conjunto de escalas rotuladas de 0 a 10 (com notas para cada
etapa), com rótulos de “nada [adjetivo]” a “muito [adjetivo]” em extremos 5
opostos. Este questionário e a música gerada durante esses experimentos, 4
3
Frequência

bem como os dados quantitativos das sessões de avaliação, estão 2

1
disponíveis como material complementar. 0
0 123456 7 8 9 10
Controle Criativo

Após os experimentos, as sessões de reflexão e entrevista foram transcritas
e codificadas usando o mesmo método do questionário inicial e do estudo
do cenário de interação. Um resumo dos resultados qualitativos e
quantitativos é apresentado abaixo.
Resultados Um gráfico das avaliações dos usuários sobre a dificuldade da
tarefa é exibido na Figura 4. Todos os participantes classificaram a tarefa
como estando na extremidade inferior da escala de dificuldade. Resultados
semelhantes foram observados para o tempo necessário para aprender a
usar o sistema, veja a Figura 5. Com base nos resultados da entrevista,
concluímos que a experiência do usuário pode ser melhorada para a interação comajuda a encontrar algo semelhante, sem que eu tenha controle sobre mexer
No entanto, todos os participantes classificaram o sistema como sendo um
pouco agradável de usar, veja a Figura 6. Um gráfico mostrando a satisfação
dos participantes com a música gerada é visualizado na Figura 7.
Para o nível de controle criativo que o sistema fornecia,
Figura 8. Nível de controle criativo fornecido pelo sistema, variando
de 0 = nenhum controle criativo a 10 = muito controle criativo.
Em geral, os participantes pareceram gostar da interação com o sistema.
Por exemplo, um participante afirmou: “Sinto-me criativo. Como eu sei, [a
música gerada] é única.” Esta propriedade única foi considerada a principal
vantagem do sistema. Os participantes também gostaram da possibilidade
de explorar sons usando a interface de grade. Outro participante disse: “Eu
poderia fazer isso o dia todo; é tão divertido! (...) Isso é tão legal. [A IA está]
fazendo todo o trabalho duro em segundo plano para nós”.
No geral, os participantes foram positivos em gerar música pelo exemplo.
Curiosamente, um participante apontou que “...mesmo algo que apenas me
a grade.
com isso...quer dizer, só isso já é um grande problema”. Além disso, outro
sujeito descreveu que “Se [o sistema] é capaz de tirar diferentes padrões
de bateria e [...] remixar a melodia, isso é algo que eu já estou

Papel 387 página 8

Machine Translated by Google

Papel CHI 2020 CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA

Recurso Contar U/E

ajustar tempo/controle 9 7 U, 2 E
de volume BPM para faixas 5 4 U, 1 E
mais opções de instrumentos 3 1 U, 2 E
opções de chave/ 3 2 U, 1 E
pitch de saída 2 1 U, 1 E
multitrack recursos de vídeo 2 1 U, 1 E
correspondentes 2 1 U, 1 E
à função de loop de som definir 2 1 U, 1 E
pontos-chave/ 1 1E
marcações de 1 1E
tempo opções de humor opções de 1 1E
estilo definir 1 1E
segmentos (intro/final) 1 1E Figura 9. O desenho final da grade. Cinco faixas são aqui geradas com base
1 ajustar duração1 U
personalizar visualização da forma de onda do tom na música “Just Can't Get Enough”. As linhas correspondem às faixas
geradas pela IA. As colunas correspondem a diferentes elementos da
Tabela 2. Resumo dos recursos sugeridos pelos usuários. U=usuários respectiva faixa, como melodia, pads, baixo e bateria. Os usuários podem
participantes do teste (total n=12) e E=avaliadores especialistas (total n=2). selecionar qualquer combinação de elementos e visualizá-los em uma mistura
clicando em “reproduzir seleção”.
tentando fazer sozinho [...] de uma forma que não é tão rápida e nem tão limpa,
onde estou apenas cortando as coisas, então essa é uma maneira mais fácil de
sessões com dois especialistas em produção de vídeo (1 F, 1 M, idade média
fazer isso”. Ela também mencionou que o recurso de design por exemplo a
29,0 anos; mediana 29,0, min 28,0, máx 30,0 anos).
deixaria mais motivada a usar o sistema. Já outro participante descreveu que
Ambos os participantes foram recrutados em uma grande empresa de tecnologia.
gostou muito da abordagem, pois o fazia sentir que estava escolhendo “o clima
Os peritos também tinham alguma experiência musical: um era músico/compositor
da música”. Um resumo das funções e funcionalidades adicionais propostas para
profissional e o outro músico com vários anos de formação musical. O segundo
o sistema é apresentado na Tabela 2.
autor atuou como líder do teste e o primeiro autor se conectou por video-link,
observando as sessões, fazendo anotações. Pedimos aos participantes que
criassem um conjunto de trilhas para um vídeo de sua escolha. Como já havíamos
confirmado que o sistema preenchia os requisitos gerais de usabilidade (por
Alterações baseadas no feedback do usuário
O feedback da avaliação foi levado em consideração no desenvolvimento do exemplo, dificuldade da tarefa, etc.), bem como a qualidade do resultado musical,
esta avaliação final focou mais na interação humano-IA. Para tanto, utilizamos
protótipo final. Em particular, nos concentramos em melhorar a GUI da grade,
[7] como base de avaliação.
incluindo as funções de reprodução e mixagem, além de fornecer aos usuários
uma ampla gama de controle. Em vez de exigir que os participantes selecionem
uma melodia, baixo e bateria para sua mixagem, qualquer combinação de faixas
agora é permitida, incluindo selecionar apenas uma bateria ou uma melodia. As sessões de avaliação começaram com uma breve apresentação do fluxo de
trabalho do sistema. Os avaliadores foram solicitados a comparar nosso sistema
Também adicionamos uma função para gerar acordes sustentados em relação a um caso de linha de base, ou seja, outro sistema que permite a
(pads) para a música (as opções anteriores eram melodia, baixo e bateria). criação de música AI. Utilizamos o serviço de geração de músicas Aiva [68] para
Além disso, as faixas podem ser regeneradas usando diferentes instrumentos. esta comparação. O sistema Aiva permite que os usuários criem música definindo
Em termos de GUI, removemos o painel de entrada esquerdo e, em vez disso, os seguintes parâmetros em uma interface web: 1) estilo predefinido (por
focamos na linha do tempo e na interface de grade para personalização. Por fim, exemplo, cinemática moderna, favela do mar, jazz etc.) 2) armadura de clave,
o novo sistema permitiu que os usuários criassem várias mixagens e as fórmula de compasso, ritmo, instrumentação, duração e número de composições.
renderizassem na linha do tempo, antes de decidir qual usar para o vídeo. O sistema então gera o número especificado de faixas de acordo com os
parâmetros selecionados. Um participante começou usando nosso sistema e um
participante começou usando o sistema Aiva. Para ambos os sistemas, a tarefa
A interface final da grade é exibida na Figura 9. Essa grade 5x4 é criada a partir
era criar uma música. A avaliação com base nas diretrizes de IA humana foi
de uma seleção de música (um exemplo).
realizada apenas para o nosso sistema. Para esta tarefa, os participantes
Cinco faixas de música AI diferentes são geradas com base em uma música de
receberam uma tabela de [7] com exemplos da respectiva diretriz. Ao final das
entrada. Cada linha corresponde a uma faixa gerada por IA.
sessões, foi realizada uma entrevista semiestruturada com foco nas vantagens
Diferentes componentes da respectiva faixa podem ser selecionados e
e desvantagens do respectivo sistema. As avaliações duraram aproximadamente
visualizados sozinhos ou juntos. A interface permite que os usuários pulem entre
uma hora e os participantes receberam dois vales-presente de $ 10 da Amazon
diferentes combinações de música AI e ajustem sua seleção. Se outra música
por sua participação.
for selecionada para geração de música AI, mais 5x4 botões serão adicionados
à interface. Elementos de várias faixas podem ser combinados.

O número de faixas e elementos musicais disponíveis foram informados por

estudos de usuários, bem como pesquisas sobre memória visual de curto prazo.
Avaliação especializada do protótipo final
Método
A fim de obter insights sobre as possibilidades versus limitações de nosso
sistema, realizamos uma avaliação qualitativa informal
Resultados
As 18 diretrizes de IA humana foram úteis para nossos propósitos de avaliação.
As diretrizes serviram como uma ferramenta para identificar questões relacionadas
ao processo de geração de música, bem como o nível de feedback sobre os
processos de IA comunicados ao usuário. Os aspectos identificados como
possíveis problemas por ambos os participantes foram: suporte para demissão
eficiente, escopo

Papel 387 página 9

Machine Translated by Google
Papel CHI 2020
serviços em caso de dúvida e deixe claro por que o sistema fez o que fez.
Em geral, ambos os participantes mencionaram que gostariam de fornecer
mais informações (criativas) ao sistema. Um resumo dos recursos propostos
para um sistema futuro é apresentado na Tabela 2. O primeiro participante
mencionou que não achava que o sistema fornecesse muito controle, mas
disse que isso não era um problema, pois havia tantas opções para escolher .
Em geral, este usuário foi muito positivo sobre as possibilidades oferecidas
pelo sistema. Ele sugeriu mais recursos de personalização para a linha do
tempo e não queria necessariamente que a IA assumisse essas partes. Da
mesma forma, o segundo participante enfatizou a importância de poder definir
“pontos-chave” ou timestamps onde a música deve mudar e permitir que o
sistema de IA ajude nos aspectos relacionados ao tempo e à sincronização.
Além disso, ambos os participantes mencionaram que seria bom poder
ajustar os níveis dos respectivos componentes musicais, a fim de decidir
quais sons deveriam ser mais proeminentes na mixagem.
Ao comparar nosso protótipo de sistema com o Aiva, o primeiro participante
mencionou que a interface da linha de base o fazia se sentir “menos no
controle” e que parecia que toda a linha do tempo já estava definida,
descrevendo a música como “uma coisa inteira que tenho que explorar ”.
Curiosamente, o segundo participante foi mais positivo para Aiva, focando
principalmente nas vantagens de ter um conjunto de predefinições para
instrumentos (por exemplo, constelações de bandas específicas). No entanto,
ela mencionou que seria interessante ter uma forma mais “focada no ser
humano” de se referir aos sons. Por exemplo, seria melhor se referir à música
em termos de palavras-chave como “triste”, “rápido” ou “dinâmico”, em vez
de definir parâmetros musicais para uma escala e métrica específicas, como
é o caso do Aiva.
DISCUSSÃO
Neste estudo adotamos uma abordagem centrada no usuário para o projeto
de um sistema de geração de música baseado na “criação pelo exemplo”.
Através de diversos estudos de usuários observamos que há necessidade de
ferramentas mais simples e de fácil acesso para geração de música para
vídeo. Desenvolvemos um sistema que permite a curadoria de música de IA
com base em um paradigma de IU que permite a mixagem interativa e
iterativa de material gerado por IA. Nossos resultados provam que nosso
sistema projetado atendeu às necessidades do usuário, conforme especificado
nos estudos do usuário. Além disso, nosso sistema foi percebido como fácil
e agradável de usar, requer pouco tempo de aprendizado e produz resultados
musicais satisfatórios pela maioria dos participantes. O sistema proposto
pode ser útil aos criadores de vídeos, pois permite a criação de músicas para
vídeo sem exigir processos tediosos de pesquisa e edição.
Os estudos do usuário esclarecem o fato de que é importante equilibrar o
controle atribuído à IA versus a entrada humana; há uma distinção entre as
tarefas que os usuários desejam deixar para a IA e as tarefas que eles
desejam executar. Nosso trabalho levanta questões interessantes sobre
autonomia, agência e autoria na interação humano-IA na prática criativa. No
nosso caso, os usuários não queriam que o sistema tivesse muito controle
sobre o processo de criação da música. Isso porque eles não achavam que
haviam realmente criado qualquer material musical se muito controle fosse
atribuído à IA. Esta é uma descoberta interessante, considerando que os
avanços recentes
Papel 387
CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA
na aprendizagem profunda para a criação de música em grande parte se
concentrou na geração autônoma.
O sistema proposto neste artigo reduz a necessidade de conhecimento de
domínio específico em aprendizado de máquina ou métodos algorítmicos
para geração de música; ele permite que os usuários traduzam uma ideia
musical em sons sem exigir que eles tenham qualquer treinamento musical
formal, tornando a criação musical facilmente acessível por meio do design.
Desta forma, o design por exemplo é uma nova maneira de fornecer
informações para um processo de geração de música.
Acreditamos que essa metáfora do design também pode ser empregada em
outras áreas, por exemplo, em design generativo para jogos, artes visuais,
aplicativos de desenho e outras ferramentas criativas. Os métodos de design
generativo geralmente produzem muito material gerado por IA que precisa
ser curado por um agente humano. Há necessidade de novas interfaces para
descobrir a gama de materiais produzidos por tais sistemas de IA. O
paradigma de misturar e combinar proposto neste artigo pode ser uma
maneira de explorar um vasto espaço dimensional de material gerado por IA.
Queremos reconhecer que existem limitações da música de IA no que diz
respeito à qualidade estética do resultado musical. Para o nosso caso
particular, a principal limitação a esse respeito eram os padrões de bateria
gerados pelo IBM Watson Beat e, portanto, optamos por bibliotecas de
amostras de loop de bateria predefinidas. As interações de iniciativa mista,
como as descritas neste artigo, devem ser projetadas para promover a
colaboração bem-sucedida entre um humano e um sistema de IA.
Dessa forma, o agente humano pode curar o material gerado pelas
contrapartes algorítmicas do sistema. Embora nosso projeto de sistema atual
dependa de MIDI, nosso projeto é modular no sentido de que os algoritmos
de aprendizado de máquina podem ser atualizados e substituídos enquanto
o restante do sistema permanece intacto. Para o efeito, outros métodos (ver
p.ex. [58, 71]) que resultem em resultados esteticamente mais apelativos
poderão servir como componentes para o desenvolvimento de um futuro
protótipo. Outra sugestão para desenvolvimento futuro é implementar uma
linha do tempo multitrilha interativa com recursos de sincronização temporal
baseados em recursos de vídeo extraídos.
CONCLUSÕES
Este artigo descreve um paradigma de criação musical informado por uma
abordagem de design centrado no usuário. Apresentamos um protótipo de
sistema que permite aos usuários criar músicas em colaboração com um
sistema de música AI, fornecendo um exemplo de referência de uma música
conhecida e, em seguida, misturando interativamente o material gerado por AI.
Descobertas e percepções de estudos de usuários envolvendo
mais de 104 criadores de vídeo apóiam a eficácia de nossa abordagem.
O software aborda problemas de localização de músicas para vídeos,
permitindo que os usuários criem seus próprios sons exclusivos com base
em uma música de referência. Este trabalho é único no sentido de que é a
primeira vez que o design pelo exemplo é aplicado no contexto da geração
musical. Nossa pesquisa levanta questões interessantes sobre o nível de
controle atribuído aos usuários versus IA em interações de iniciativa mista,
descobertas que podem ser aplicadas em outras áreas de pesquisa
relacionadas à interação homem-IA. Com poucas estruturas de avaliação
existentes para interação humano-IA e uma presença crescente de IA em
HCI, acreditamos que a pesquisa sobre novas interfaces para interações de
iniciativa mista deve ser incentivada e esperamos promover tais discussões
com este trabalho.
página 10
Machine Translated by Google
Papel CHI 2020
REFERÊNCIAS
[1] Adobe. 2019. Adobe Audition. (2019).
https://www.adobe.com/se/products/audition.html.
[2] Kat Agres, Jamie Forth e Geraint A Wiggins. 2016.
Avaliação de Sistemas de Criatividade Musical e
Metacriação Musical. Computadores em Entretenimento (CIE)
14, 3 (2016), 3.
[3] Pesquisa do Google / IA. 2019. Magenta. (2019).
https://ai.google/research/teams/brain/magenta/.
[4] JE Allen, Curry I Guinn e E Horvtz. 1999.
Interação de Iniciativa Mista. IEEE Intelligent Systems e suas
aplicações 14, 5 (1999), 14–23.
[5] Giuseppe Amato, Malte Behrmann, Frédéric Bimbot, Baptiste
Caramiaux, Fabrizio Falchi, Ander Garcia, Joost Geurts, Jaume
Gibert, Guillaume Gravier, Hadmut Holken e outros. 2019. IA na
mídia e nas indústrias criativas. (2019).
[6] Tema Vanessa Ament. 2014. The Foley Graal: The Art of Performing
Sound for Film, Games, and Animation.
Routledge, Burlingto, MA, EUA.
[7] Saleema Amershi, Dan Weld, Mihaela Vorvoreanu,
Adam Fourney, Besmira Nushi, Penny Collisson, Jina Suh, Shamsi
Iqbal, Paul N Bennett, Kori Inkpen e outros. 2019. Diretrizes para
interação humano-IA. Nos Anais da Conferência CHI 2019 sobre
Fatores Humanos em Sistemas de Computação. ACM, ACM,
Nova York, NY, EUA, 3.
[8] Cristóvão Ariza. 2009. O Interrogador como Crítico: O Teste de Turing
e a Avaliação de Sistemas Gerativos de Música. Computer
Music Journal 33, 2 (2009), 48–70.
[9] Gérard Assayag, Camilo Rueda, Mikael Laurson, Carlos Agon e Olivier
Delerue. 1999. Composição Assistida por Computador no IRCAM:
Do PatchWork ao OpenMusic. Computer Music Journal
23, 3 (1999), 59–72.
[10] Francisco Bernardo, Michael Zbyszynski, Rebecca
Fiebrink e Mick Grierson. 2017. Aprendizado de máquina interativo
para inovação do usuário final. Em 2017 AAAI Spring Symposium
Series. The AAAI Press, Palo Alto, CA, EUA, 369–375.
[11] J Bharucha. 1988. Modelagem de rede neural de música. In Actas
do Primeiro Workshop de Inteligência Artificial e Música.
Associação Americana de Inteligência Artificial, Menlo Park,
CA, EUA, 173–182.
[12] Margaret A. Boden. 1998a. Criatividade e Artificial
Inteligência. Inteligência Artificial 103, 1 (1998), 347 – 356. http://
www.sciencedirect.com/science/article/pii/S0004370298000551
Inteligência Artificial 40 Anos Depois.
[13] Margaret A. Boden. 1998b. Criatividade e Inteligência Artificial.
Inteligência Artificial 103, 1-2 (1998), 347-356.
Papel 387
CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA
[14] Jean-Pierre Briot, Gaëtan Hadjeres e François Pachet.
2017. Técnicas de Aprendizagem Profunda para Geração Musical -
Uma Pesquisa. (2017).
[15] Kris Bryden. 2007. Desenvolvendo métricas para desenvolver um
resultado musicalmente satisfatório a partir de uma população
de composições musicais geradas por computador. Em 2007,
IEEE Symposium on Computational Intelligence in Image and
Signal Processing. IEEE, Honolulu, HI, EUA, 171–176.
[16] Catalisador Cognitivo. 2019. Watson Beat. (2019).
https://github.com/cognitive-catalyst/watson-beat.
[17] Cartas de Elizabeth. 2003. O uso de pensar em voz alta
Métodos em Pesquisa Qualitativa - Uma Introdução aos Métodos
Think-Aloud. Brock Education: Um Jornal de Pesquisa e Prática
Educacional 12, 2 (2003), 68–82.
[18] Simon Colton, Ramon López de Mántaras e Oliviero Stock. 2009.
Criatividade Computacional: Coming of Age.
AI Magazine 30, 3 (2009), 11–11.
[19] David Cope. 1989. Experimentos em Inteligência Musical (EMI):
Composição Baseada em Linguística Não-Linear.
Journal of New Music Research 18, 1-2 (1989), 117–139.
[20] David Cope. 2000. O compositor algorítmico. Vol. 16.
AR Editions, Inc., Madison, Wisconsin, EUA.
[21] Corporação Boomy. 2019. Faça música instantânea
com inteligência artificial. (2019). https://boomy.com/.
[22] Ciclismo'74. 2019. Cycling'74 - Ferramentas para
som, gráficos e interatividade.
(2019). https://cycling74.com/.
[23] Ramon Lopez De Mantaras e Josep Lluis Arcos. 2002.
IA e música: da composição à performance expressiva.
Revista AI 23, 3 (2002), 43–43.
[24] Steven P Dow, Alana Glassco, Jonathan Kass, Melissa Schwarz,
Daniel L Schwartz e Scott R Klemmer.
2010. A prototipagem paralela leva a melhores resultados de
design, mais divergência e maior autoeficácia.
ACM Transactions on Computer-Human Interaction (TOCHI) 17,
4 (2010), 18.
[25] ElectronJS. 2019. ElectronJS - Construir plataforma cruzada
Aplicativos de desktop com JavaScript, HTML e CSS. (2019). https://
electronjs.org//.
[26] José D Fernández e Francisco Vico. 2013. AI Methods in
Algorithmic Composition: A Comprehensive
Survey. Journal of Artificial Intelligence Research 48 (2013), 513–
582.
[27] Rebecca Fiebrink, Baptiste Caramiaux, R Dean e A McLean. 2018. O
Algoritmo de Machine Learning como Ferramenta Musical
Criativa. Oxford University Press, Nova York, NY, EUA, Capítulo
12, 181–208.
[28] Filmstro. 2019. Filmstro - Música que Move. (2019).
https://filmstro.com/.
página 11
Machine Translated by Google
Papel CHI 2020
[29] Dorien Herremans e Elaine Chew. 2017. MorpheuS: Gerando
Música Estruturada com Tensão e Padrões Restritos. IEEE
Transactions on Affective Computing (2017), 510–523.
[30] Hexacordes. 2019. Orb Compositor. (2019).
https://www.orb-composer.com/.
[31] IBM. 2019. IBM Watson Beat. (2019).
https://www.ibm.com/case-studies/ibm-watson-beat.
[32] Muzeek Inc. 2019. Muzeek Pro. (2019).
https://www.getmuzeek.com/home.
[33] Bruce L. Jacob. 1996. Composição algorítmica como
modelo de criatividade. Som Organizado 1, 3 (1996),
157–165.
[34] Lilong Jiang, Protiva Rahman e Arnab Nandi. 2018.
Avaliando Sistemas de Dados Interativos: Cargas de
Trabalho, Métricas e Diretrizes. In Proceedings of the
2018 International Conference on Management of Data.
ACM, ACM, Nova York, NY, EUA, 1637–1644.
[35] Simon C Jones e Thomas G Schumacher. 1992.
Muzak: Sobre Música Funcional e Poder. Critical
Studies in Media Communication 9, 2 (1992), 156–169.
[36] Jukedeck. 2019. Jukedeck. (2019).
https://www.jukedeck.com/.
[37] SmartSound LCC. 2019. Música isenta de royalties e
maneiras incríveis de personalizá-la.
(2019). https://www.smartsound.com/.
[38] Yuli Levtov. 2018. Música algorítmica para missa
Consumo e Produção Universal. Em The Oxford Handbook
of Algorithmic Music. Oxford University Press, Nova
York, NY, EUA.
[39] Jen-Chun Lin, Wen-Li Wei e Hsin-Min Wang. 2015.
EMV-Matchmaker: Curso Emotional Temporal
Modeling and Matching for Automatic Music Video
Generation. In Proceedings of the 23rd ACM
International Conference on Multimedia. ACM, ACM, Nova
York, NY, EUA, 899–902.
[40] Jen-Chun Lin, Wen-Li Wei e Hsin-Min Wang. 2016.
DEMV-matchmaker: representação de curso temporal
emocional e correspondência de similaridade profunda
para geração automática de videoclipes. Nos Anais do
ICASSP. IEEE, Xangai, China, 2772–2776.
[41] Jen-Chun Lin, Wen-Li Wei, James Yang, Hsin-Min Wang
e Hong-Yuan Mark Liao. 2017. Geração automática de
videoclipes com base na recomendação de trilha
sonora e edição de vídeo simultâneas. In Actas da 25ª
Conferência Internacional da ACM sobre Multimédia. ACM,
ACM, Nova York, NY, EUA, 519–527.
[42] Levelo Music Group LLC. 2019a. Soundstripe -
Música ilimitada para vídeo. (2019).
https://soundstripe.com/.
Papel 387
CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA
[43] Sagui LLC. 2019b. Música Marmoset. (2019). https://
www.marmosetmusic.com/.
[44] SmartSound LLC. 2019c. Sonicfire Pro 6 - A maneira mais
rápida de personalizar músicas para seus vídeos.
(2019). https://www.smartsound.com/sonicfire/.
[45] Envato Pty Ltd. 2019. AudioJungle. (2019).
https://audiojungle.net/.
[46] L Manovich. 2018. AI Estética. Strelka Press,
Moscou, Rússia.
[47] John Maurer. 1999. Uma Breve História da Composição
Algorítmica. (1999).
[48] Jon McCormack e Mark d'Inverno. 2014. Sobre o futuro
dos computadores e da criatividade. No AISB 2014
Simpósio sobre Criatividade Computacional. Society for the
Study of Artificial Intelligence and the Simulation of
Behavior, Londres, Reino Unido, 9.
[49] Alex McLean e Roger T Dean. 2018a. Algoritmos
musicais como ferramentas, linguagens e parceiros:
uma perspectiva. Oxford University Press, Nova York,
NY, EUA, 3–15.
[50] Alex McLean e Roger T Dean. 2018b. O Manual Oxford
de Música Algorítmica. Oxford University Press, Nova
York, NY, EUA.
[51] Eduardo Reck Miranda. 2013. Leituras em Música e
Inteligência Artificial. Routledge, Nova York e Londres.
[52] Música Amper. 2019a. (2019).
https://www.ampermusic.com/.
[53] Música Amper. 2019b. Amper AI vs. Resultados
Estoque. (2019). https://www.ampermusic.com/docs/
veritonic_study--amper_v_stock.pdf .
[54] PG Música. 2019c. Band-in-a-Box. (2019).
https://www.pgmusic.com/.
[55] MusicBed. 2019. MusicBed. (2019).
https://www.musicbed.com/.
[56] Gerhard Nierhaus. 2009. Composição algorítmica:
Paradigmas da Geração Automatizada de Música.
Springer Science & Business Media, Nova York, NY, EUA.
[57] NIMA. 2019. A Conferência Internacional sobre Nova
Interfaces para Expressão Musical. (2019).
https://www.nime.org/.
[58] Aaron van den Oord, Sander Dieleman, Heiga Zen,
Karen Simonyan, Oriol Vinyals, Alex Graves, Nal
Kalchbrenner, Andrew Senior e Koray Kavukcuoglu.
2016. Wavenet: um modelo generativo para áudio bruto.
(2016).
[59] Alexandre Papadopoulos, Pierre Roy e François
Pacote. 2016. Composição assistida de lead sheet usando
o FlowComposer. In Proceedings of International
Conference on Principles and Practice of Constraint
Programming. Springer, Toulouse, França, 769–785.
Página 12
Machine Translated by Google

Papel CHI 2020 CHI 2020, 25 a 30 de abril de 2020, Honolulu, HI, EUA

[60] George Papadopoulos e Geraint Wiggins. 1999. AI Methods for [68] Tecnologias Aiva. 2019. A inteligência artificial compondo trilha
Algorithmic Composition: A Survey, a Critical View and Future sonora emocional. (2019). https://www.aiva.ai/.
Prospects. No AISB Symposium on Musical Creativity, vol. 124.
Edimburgo, Reino Unido, 110–117.
[69] Benjamim Tissot. 2019. Bensound's Royalty Free Music. (2019). https://
www.bensound.com/.
[61] Ricardo Scheines. 1988. Automatizando a criatividade. Aspectos
[70] Teste de usuário. 2019. Teste de usuário. (2019).
da Inteligência Artificial. Springer, 339–365.
https://www.usertesting.com/.
[62] Adriana Schulz, Ariel Shamir, David IW Levin,
[71] Sean Vasquez e Mike Lewis. 2019. MelNet: A
Pitchaya Sitthi-Amorn e Wojciech Matusik. 2014.
Modelo Generativo para Áudio no Domínio da Frequência. (2019).
Projeto e Fabricação por Exemplo. ACM Transactions on Graphics
(TOG) 33, 4 (2014), 62.
[72] Ju-Chiang Wang, Yi-Hsuan Yang, I-Hong Jhuo, Yen-Yu Lin, Hsin-Min
[63] Rajiv Ratn Shah, Yi Yu e Roger Zimmermann. 2014.
Consultor: Recomendação de trilha sonora de Wang e outros. 2012. O modelo Acousticvisual
Emotion Guassians para geração automática de videoclipes. In Actas
vídeo personalizada por Late Fusion com classificações
da 20ª Conferência Internacional da ACM sobre Multimédia. ACM,
heurísticas. In Actas da 22ª Conferência Internacional
ACM, Nova York, NY, EUA, 1379–1380.
da ACM sobre Multimédia. ACM, ACM, Nova York, NY, EUA, 607–
616.
[73] Robert Philip Weber. 1990. Análise Básica de Conteúdo.
[64] Kristina Shea, Robert Aish e Marina Gourtovaia.
Sage, Newbury Park, Califórnia.
2005. Towards Integrated Performance-Driven Generative
Design Tools. Automação na Construção 14, 2 (2005), 253–264. [74] Ariel Weingarten, Ben Lafreniere, George Fitzmaurice e Tovi Grossman.
2019. DreamRooms: Prototipagem de salas em colaboração com
um processo generativo. In Proceedings of Graphics Interface
[65] Shutterstock. 2019. Premium Beat - Marque o Perfeito
2019 (GI 2019).
Música. (2019). https://www.premiumbeat.com/.
Sociedade Canadense de Processamento de Informações,
[66] Som Epidêmico. 2019. Som Epidêmico. (2019). Mississauga, Ontário, Canadá, 9.
https://www.epidemicsound.com/.
[75] Iannis Xenakis. 1992. Música Formalizada: Pensamento e Matemática
[67] Thomas Strothotte e Stefan Schlechtweg. 2002. na Composição. Pendragon Press, Stuvesant, NY, EUA.
Computação Gráfica Não Fotorrealística: Modelagem,
Renderização e Animação. Morgan Kaufmann, San Francisco,
[76] Youtube. 2019. Biblioteca de áudio do Youtube. (2019).
CA, EUA.
https://www.youtube.com/audiolibrary/.

Papel 387 Página 13

Ver estatísticas de publicação