| |||||||||||||||||||||||||||||||||||||||
|
Mostrando entradas con la etiqueta #musica. Mostrar todas las entradas
Mostrando entradas con la etiqueta #musica. Mostrar todas las entradas
jueves, 6 de agosto de 2020
¡Noticias LOV/RECS!
agosto 06, 2020
#agrupación, #Discohouse, #musica, #rolas, #sonido, #Wookies
viernes, 24 de julio de 2020
El tercer EP de la serie Solitary Daydreams de Todd Clouser disponible en plataformas musicales
Pequeños viajes despierto, recuerdos que se vuelven a vivir, o simplemente ensueños que se volvieron música, todo un concepto a cargo de Todd Clouser quien comparte en este tercer EP de Solitary Daydreams tres temas que son interpretados por el pianista Roberto Verástegui: Hermanos Coen, Bolivia y Red in Tooth and Claw.
Solitary Daydreams es una serie de composiciones divida en cuatro EP, todas autoría de Todd Clouser, las cuales fueron creadas en el confinamiento que se vive actualmente por la pandemia COVID-19. Tres de los cuatro EP que integran la serie, son interpretados por músicos colegas y amigos de Clouser.
Primer EP - Solitary Daydreams Piano.
Interpretado por Emmanuel Chopis Cisneros.
Segundo EP - Solitary Daydreams Guitarra.
Composiciones e interpretación por Todd Clouser.
Tercer EP - Solitary Daydreams Teclados, percusión y voz.
Interpretado por Roberto Verástegui.
Cuarto EP - Solitary Daydreams.
Interpretado por Músico Sorpresa. Disponible Próximamente.
Escucha y descarga en el siguiente enlace:
miércoles, 24 de junio de 2020
Estrena Aleks Syntek su serie por YouTube
junio 24, 2020
#30, #AleksSyntek, #años, #historias, #medios, #musica, #serie, #youtube
- 30 AÑOS, 30 HISTORIAS
- La Serie Web Que Narra La Historia
- del Máximo Exponente Pop en México
Como parte de la celebración de 30 años
de discografía, Aleks Syntek ha lanzado, a través de su canal de
YouTube, la serie web 30 Años, 30 Historias, en la que el
compositor, productor e intérprete nos lleva en un viaje por el tiempo.
A través de pequeños capítulos, su
nutrido número de fans y público en general puede descubrir anécdotas poco
recordadas como el hecho de que, en sus inicios, Aleks Syntek fue
tecladista de Kenny y Los Eléctricos, que hacía jingles para comerciales
o que produjo música para el baladista Óscar Athié.
También, dentro de esa serie
introspectiva, Syntek desmenuza de manera profunda y analítica qué bandas han
sido su fuente de influencia, tanto por sus estilos musicales, como su
aportación musical e incluso vocal. Visto en otro contexto, se podría decir que
cada capítulo es una master class.
Cada emisión de 30 Años, 30
Historias, está siendo lanzada periódicamente hasta que llegue a completar
30 episodios que dejarán un testimonio histórico, haciendo patente el por qué Aleks
Syntek es el indiscutible líder del Pop en México así como de la música
digital.
A la par de este fabuloso proyecto, se
encuentra grabando sus próximas dos producciones discográficas desde el
confinamiento en casa. Una, con sus grandes éxitos en nuevas versiones y con la
colaboración de grandes artistas a dueto; la otra, con canciones inéditas que
ha estado componiendo durante los últimos meses y que prometen ser una verdadera
novedad musical.
Su inagotable creatividad lo ha llevado
a colaborar con una diversidad de artistas como Miguel Bosé, Kylie Minouge,
Juan Gabriel, Ana Torroja, Alejandro Sanz, Armando Manzanero, David Bisbal,
Laura Pausini, y Enrique Iglesias, por mencionar unos cuantos.
Su talento ha sido reconocido por la
Academia Mexicana de Ciencias y Artes Cinematográficas, con el Premio Ariel,
por la banda sonora del filme icónico Sexo, Pudor y Lágrimas. De igual
forma es poseedor del Latin Grammy, tres veces del Billboard Award, y del Music
Legendary Award otorgado por SESAC (Sociedad Estadounidense de Compositores),
esto sin mencionar las múltiples nominaciones que ha tenido en los Premios MTV,
los múltiples reconocimientos que ha recibido en México, así como los discos de
oro registrados por las altas ventas de su música.
Además de atender su agenda como
productor y compositor Aleks Syntek también desempeña un papel
importante como integrante del Consejo Directivo de la Sociedad de Autores y
Compositores de México (SACM).
Instagram:
Facebook
Twitter
YouTube
Detectando contenido explícito en las letras de las canciones
junio 24, 2020
#canciones, #contenido, #deezer, #explícito, #musica, #tecnolife, #tecnología
- Por Manuel Moussallam
- Post Original y en Inglés: https://deezer.io/releasing-spleeter-deezer-r-d-source-separation-engine-2b88985e797e
En
Resumen
Hemos investigado un poco sobre cómo
detectar automáticamente contenido explícito en canciones utilizando solo la
música en sí y sin metadatos adicionales. Dado que es un tema sensible y
subjetivo, no queríamos usar un modelo de caja negra, sino construir un sistema
modular cuyas decisiones se remontan a algunas palabras clave que se detectan
en la canción. Nuestro sistema ofrece resultados prometedores, pero NO lo
consideramos adecuado para etiquetar canciones como explícitas de manera
totalmente automatizada. El documento completo ha sido aceptado para su publicación
en la conferencia ICASSP 2020.
Seamos
explícitos
Cuando se trata de averiguar qué
letras son explícitas, no hay un consenso general. Obviamente es un problema
cultural, con muchas consideraciones sobre la audiencia prevista y el contexto
de escucha. Como es el caso con las películas, el objetivo principal de
etiquetar una pieza como "explícita" es proporcionar orientación para
determinar qué tan adecuado es para un público objetivo. Esto a menudo se
conoce como "asesoría parental" porque la audiencia en mente es
principalmente niños. Si está interesado, se han realizado estudios científicos sobre el impacto del
contenido explícito en los niños, pero de eso no se trata nuestra
investigación.
Hay un muy buen artículo de Wikipedia sobre la creación de la
etiqueta de asesoramiento parental para la música. A pesar de su definición
imprecisa, generalmente se admite que un lenguaje fuerte (palabras usadas para
maldecir y términos sexuales), representaciones de violencia y discurso
discriminatorio caen dentro del alcance de lo que no es adecuado para que los
niños escuchen en una canción y, por lo tanto, deben marcarse como contenidos
explícitos. Por supuesto, esta definición está abierta a varias
interpretaciones.
Actualmente, solo los humanos toman
decisiones sobre si una canción debe etiquetarse como explícita o no. La
persona a cargo de esto suele ser alguien que trabaja en un sello musical y
sigue las pautas internas establecidas por la empresa. Cuando las canciones se
entregan a servicios de streaming como el nuestro, a veces van acompañadas de
la etiqueta "explícita", y otras no.
Cuando no se proporciona una
etiqueta, puede significar que la canción es adecuada para todos los públicos,
pero también puede significar que no se tomó ninguna decisión por parte de la
etiqueta con respecto a su carácter explícito. Hay una parte sustancialmente
grande de nuestro catálogo que pertenece a esta categoría.
Antes de preguntarnos si podríamos
construir un sistema que pudiera hacer esto automáticamente, analizando la
música, estudiamos el problema desde un punto de vista humano. Tener que
decidir qué canción debe etiquetarse como explícita y cuál no debe ser una
tarea compleja, requiere una comprensión de alto nivel de las expectativas
culturales e implica mucha subjetividad.
Detección
explícita de contenido como un problema científico
Dejemos de lado las consideraciones
anteriores y ahora supongamos que existe un método determinista para decidir si
una canción debe etiquetarse como explícita o no. El propósito de nuestra
investigación es tratar de descubrir este método.
El problema se puede enmarcar como
una clasificación binaria: dada una canción X, ¿podemos encontrar una función f
que produzca 1 si la canción es explícita o 0 si no lo es? Por ejemplo, si X es
“All Eyez On Me” de 2Pac, esperamos f (X) = 1 mientras que si X es esta
canción, entonces f (X) = 0.
Una función matemática ideal
generaría 1 o 0 dependiendo de si la canción tiene contenido explícito o no
Como la mayoría de las tareas de
clasificación en la actualidad, puede ser una buena idea utilizar técnicas
supervisadas de aprendizaje automático (ML).
Un enfoque
modular y explicable.
Si le pidieran que etiquetara las
canciones como explícitas o no, ¿cómo procedería? Una respuesta natural es
mirar las palabras pronunciadas por los cantantes; Si aparecen "palabras
explícitas" en la letra, se debe aplicar la etiqueta explícita. Esa es una
respuesta simple, pero podría decirse que es la mejor, según una investigación reciente que la compara con enfoques
de aprendizaje automático más complejos.
Ahora, ¿qué pasa si no tienes acceso
al texto de la letra? Eso es bastante común cuando se trata de millones de
canciones. Si eres un aficionado al aprendizaje automático, podrías decir:
construyamos un gran conjunto de datos anotados y entrenemos un clasificador
supervisado para hacerlo desde audio. Este enfoque se llama ML de extremo a
extremo o, a veces, de caja negra.
Una familia de tales modelos son las redes neuronales profundas. Se han
utilizado con gran éxito en tareas de clasificación de imágenes, oraciones,
videos y, por supuesto, música.
Sin embargo, un inconveniente común
es su falta de interpretabilidad. De
hecho, una vez que se entrena el sistema (por ejemplo, haciéndolo aprender de
un conjunto de ejemplos anotados), no es fácil explicar cómo toma sus
decisiones sobre nuevas muestras que no se han visto durante el entrenamiento.
Un modelo de caja negra ML
generalmente implementa una función de procesamiento altamente compleja que
puede ser difícil de interpretar.
Si bien podemos evaluar el
rendimiento del modelo en el conjunto de ejemplos conocidos, no se puede
asociar fácilmente su salida a elementos tangibles de la entrada, como
características musicales o letras cantadas. No obstante, probamos este enfoque
de caja negra de ML, pero también
queríamos probar otro sistema más confiable, cuyas decisiones podrían
justificarse fácilmente. Tal sistema generalmente se llama ML explicable.
Afortunadamente, en nuestro equipo,
tenemos una estudiante de doctorado, Andrea Vaglio, que está trabajando en
extraer información lírica de la música. Una forma de detectar el contenido
explícito es primero obtener una transcripción de las letras cantadas, y luego
simplemente usar la presencia o ausencia de palabras de un conjunto de
"lenguaje explícito" para decidir si etiquetar la canción como
explícita o no.
Obtener una transcripción exacta de
una voz cantada mezclada con música es una tarea muy difícil. Ya es mucho más
fácil si solo puedes extraer la parte vocal de la canción. En Deezer,
desarrollamos una herramienta llamada Spleeter. Está disponible
gratuitamente para que todos lo usen y hace un buen trabajo al extraer voces de
las canciones.
Aún así, la detección de palabras
clave pronunciadas a partir de voces que cantan, incluso cuando están aisladas,
es un problema complejo, y gran parte de nuestra contribución aquí es proponer
un sistema para hacer precisamente eso. Se llama Sistema de detección de
palabras clave y es la principal contribución de este trabajo.
Aún así, la detección de palabras
clave pronunciadas a partir de voces que cantan, incluso cuando están aisladas,
es un problema complejo, y gran parte de nuestra contribución aquí es proponer
un sistema para hacer precisamente eso. Se llama Sistema de detección de
palabras clave y es la principal contribución de este trabajo....
Una vez que tenga la probabilidad de
presencia de todas las palabras en su diccionario "explícito", será
fácil tomar una decisión. Utilizamos un clasificador binario simple para eso,
cuyos resultados pueden vincularse directamente a las probabilidades de presencia
de "palabras explícitas".
Equilibrando
los Géneros Musicales
Uno de los inconvenientes habituales
de hacer aprendizaje automático es cuando su modelo no aprende lo que cree que
hace, sino que solo se adapta a un sesgo en sus datos de muestra. En el
análisis musical, este fenómeno se llama "caballo". En el caso de la
detección explícita de contenido, el sesgo más importante a considerar es en
los géneros musicales.
No sorprenderá a nadie que muchas
canciones de rap contengan letras explícitas. Más que canciones country, por
ejemplo. Sin embargo, hay canciones de rap no explícitas y hay canciones
country explícitas. Si no se tiene cuidado al diseñar su experimento, puede
terminar con un sistema que en lugar de detectar letras explícitas, detectará canciones
de rap, simplemente porque tienen, en promedio, una mayor probabilidad de
contener letras explícitas.
Resultados
En el documento, comparamos nuestro
enfoque modular con uno de caja negra y con un sistema oráculo que conoce las letras y detecta las palabras clave
directamente en el texto (piense en ello como el límite superior de lo que
podemos lograr, si nuestra palabra clave El sistema de detección fue perfecto).
Encontrarás todos los detalles sobre
la configuración experimental en el documento, pero aquí están las
conclusiones: aunque no es tan bueno como el oráculo, nuestro enfoque produce
resultados bastante prometedores. Cherry on the cake, supera al modelo de caja
negra, que siempre es un buen resultado y va en contra de la creencia comúnmente
encontrada de que hay una compensación entre la precisión y la explicabilidad de un sistema ML.
Como nota al margen, encontramos que
en realidad ninguno de los sistemas considerados alcanzó niveles de precisión
comparables a los humanos. Incluso el sistema oráculo sólo tiene un puntaje F1
del 73%. Este es un hecho importante a considerar, especialmente cuando se
tiene en cuenta la sensibilidad de la tarea. En este punto, no es realista
automatizar completamente un proceso de decisión para el etiquetado de
contenido explícito.
Una última
palabra
Investigamos un primer enfoque (según
nuestro conocimiento) para construir un detector de contenido explícito basado
exclusivamente en audio. A pesar de alcanzar algunos resultados alentadores,
nos gustaría enfatizar que esta tarea no está resuelta satisfactoriamente por
las máquinas a día de hoy.
En Deezer, brindamos a nuestros
socios, proveedores de música y sellos la posibilidad de marcar la canción que
nos entregan como explícita. Luego, los usuarios tienen la posibilidad de
filtrar contenido basado en esta etiqueta. En este proceso, solo implementamos
una regla definida por el usuario, basada en los metadatos que obtenemos. No
tenemos la intención de intervenir en este proceso o tomar decisiones en lugar
de nuestros socios o nuestros clientes.
No obstante, se podría utilizar
nuestro trabajo para construir un sistema para ayudar a los humanos en sus
tareas de etiquetado. Con nuestro enfoque, no solo podemos detectar la
presencia de palabras clave explícitas, sino también saber dónde se encuentran
en la canción. Por lo tanto, podríamos resaltar algunas partes del audio en un
anotador para facilitar su tarea. En una perspectiva más amplia, nuestro
objetivo es obtener conocimiento sobre millones de canciones y aprovecharlo
para mejorar el producto de Deezer. Esta investigación es otra piedra en este
camino.
martes, 9 de junio de 2020
Tropicalísima explora y retoma sonidos afrocubanos
junio 09, 2020
#artista, #cantar, #disco, #musica, #producción, #temas, #Tropicalísima
“Tropicalísima surgió hace 5 años cuando Eugenia León se lanzó como productora.
Me escribió para decirme que quería producirme un disco y fue algo muy bonito.
Llegó con la propuesta de temas y lo fuimos construyendo… Está inspirado en la
época más bonita de la cine de oro mexicano…Si yo hubiera nacido en esa época,
hubiera sido rumbera”, comenta ALEJANDRA
ROBLES, una de las voces que ha marcado un estilo e imagen singular
con un vestuario que da identidad a las tradiciones oaxaqueñas y a las
raíces afro, llevando como distintivo un turbante.
“Tropicalísima” es un viaje sonoro, donde ALEJANDRA ROBLES explora y retoma los
sonidos afrocubanos con la instrumentación de las grandes orquestas que
marcaron en la memoria de nuestra historia, las películas de la época de oro
del cine mexicano, con una fuerte presencia de ritmos como la rumba, el bolero,
la salsa, la cumbia y la bachata.
En esta cuarta producción que ya se encuentra
disponible en plataformas digitales contó con la participación especial de la
reconocida intérprete Tania Libertad,
con quien hizo un dueto en el tema “Te Busco”… “Tuve la fortuna de cantar este
bellísimo tema que en su momento
interpretó la gran Celia Cruz;
y que grabamos en el estudio de la casa de Tania”, expresó ALEJANDRA
ROBLES
“Tropicalísima” está conformado por los diez temas: “Babalù”, “Mambo Lupita”, “La
Culebra”, “Bemba Colorà”, “Escándalo”,
“Encampanados”, “Te busco”, todos ellos producidos por la propia ALEJANDRA ROBLES ; y las canciones “La Cosecha de Mujeres”, “No Me Conoces” y “Quítate Tú” por Eugenia León.
Nacida en Puerto Escondido, Oaxaca, ALEJANDRA ROBLES siempre se ha ocupado
de defender las raíces afro-mexicanas, llevando su música a Canadá, Estados Unidos y varios países de
Europa, tenido gran aceptación del
público.
Recientemente, “La Morena”
fue la imagen oficial de la campaña AfroCensoMx,
que busca dar visibilidad a la raíz afromexicana, la cual por primera vez en la
historia, los pueblos negros de Mèxico serán reconocidos legalmente. En el arranque de dicha campaña, ella junto
con la Sonora Santanera, interpretaron el tema ¡AfroMéxico Sí! en el Complejo Cultural Los Pinos.
Avalada por quince años de trayectoria a
través de los cuales ha trabajado y
cantado con Armando Manzanero, Alex Lora, Eugenia León, Astrid Hadad, Susana
Harp Regina Orozco, Susana Zabaleta, Aida Cuevas, Tania Libertad, Filippa
Giordano, Iraida Noriega y el ganador del Grammy La Santa Cecilia, entre otros, ALEJANDRA ROBLES se ha ido proyectando
como una de las voces más emblemáticas
de nuestro país.
Facebook: Alejandra Robles
“La Morena”
Spotify: Alejandra Robles
“La Morena”
Suscribirse a:
Entradas (Atom)
