Comparer les enregistrements par leur son global et étudier les morceaux hubs qui faussent les recherches de similarité musicale.
Timbre · Similarité musicale · Hubness
Un résultat original

Similarité de timbre et exploration musicale
À Sony Computer Science Laboratories, Jean-Julien Aucouturier et François Pachet ont été parmi les premiers à comparer des enregistrements musicaux entiers par des modèles de timbre. Leurs travaux adaptent des techniques de traitement de la parole, notamment les coefficients cepstraux en fréquences mel (MFCC), pour décrire le son global d’un enregistrement et retrouver des titres au timbre similaire.
Ces méthodes ont contribué au système de classification des genres lauréat de l’ISMIR 2004 Audio Description Contest. Une question centrale était de savoir quelle information subsiste lorsqu’un modèle résume de courtes trames audio sur l’ensemble d’un enregistrement.
The Cuidado Music Browser a constitué une application de ces recherches.
Guide de lecture
Modéliser le son d’un enregistrement. Finding Songs That Sound the Same (MPCA 2002) · PDF décrit la mesure de similarité de timbre et deux applications du projet Cuidado.
Évaluer la mesure de similarité. Tools and Architecture for the Evaluation of Similarity Measures: Case Study of Timbre Similarity · PDF (ISMIR 2004) décrit les outils d’évaluation construits autour du Cuidado Music Browser.
Rechercher dans un vaste catalogue. Exploiting the Tradeoff Between Precision and CPU Time to Speed Up Nearest Neighbor Search · PDF (ISMIR 2005) montre comment rendre les comparaisons de timbre, coûteuses en calcul, utilisables pour la recherche dans un catalogue.
Comprendre les modèles temporels. The Influence of Polyphony on the Dynamical Modelling of Musical Timbre · PDF (2007) étudie comment la superposition des voix complique la modélisation des variations du timbre dans le temps.
Identifier les morceaux hubs. Hubness et similarité musicale retrace la découverte de titres revenant sans cesse comme faux positifs et les recherches ultérieures sur cet effet.
Utiliser les relations entre étiquettes musicales. Signal + Context = Better Classification · PDF (ISMIR 2007) combine les prédictions acoustiques aux relations apprises entre métadonnées. Improving Multilabel Analysis of Music Titles: A Large-Scale Validation of the Correction Approach · PDF (2009) évalue cette couche de correction sur un catalogue beaucoup plus vaste.
Hubness et similarité musicale
Un navigateur musical peut recommander des morceaux similaires en recherchant les plus proches voisins d’un enregistrement. Jean-Julien Aucouturier et François Pachet ont documenté très tôt un problème de cette approche : quelques morceaux revenaient parmi les voisins de nombreuses requêtes, même lorsque les auditeurs n’y percevaient guère de ressemblance. Ils les ont appelés hubs.
Pour mesurer cet effet, on prend les k premiers résultats de chaque requête et l’on compte les apparitions de chaque morceau. Un titre qui revient sans cesse peut évincer des correspondances plus pertinentes. Ce comptage indique où chercher le problème ; les tests d’écoute et les jugements de pertinence permettent de vérifier si ces correspondances sont effectivement erronées.
De la similarité de timbre aux morceaux « hubs »
- Music Similarity Measures: What’s the Use? (ISMIR, 2002) a introduit ces recherches sur la similarité de timbre dans le contexte de l’exploration musicale. L’article a reçu une mention honorable Test-of-Time d’ISMIR en 2026.
- Improving Timbre Similarity: How High’s the Sky? (2004) a documenté les morceaux hubs et la difficulté d’améliorer cette famille de mesures par le réglage des paramètres.
- “The Way It Sounds”: Timbre Models for Analysis and Retrieval of Music Signals (2005), avec Mark Sandler, décrit des modèles de timbre pour comparer, retrouver et segmenter les enregistrements, ainsi que pour y découvrir des motifs.
- The Bag-of-Frames Approach to Audio Pattern Recognition (2007), avec Boris Defreville, montre pourquoi une représentation efficace pour les paysages sonores urbains peut manquer des structures importantes de la musique polyphonique.
- A Scale-Free Distribution of False Positives for a Large Class of Audio Similarity Measures (Pattern Recognition, 2008) mesure la récurrence des faux positifs et étudie la distribution des morceaux hubs dans différents algorithmes de similarité audio. DOI · PDF
Les prolongements de cette idée
- Hubs in Space (Radovanović, Nanopoulos et Ivanović, 2010) cite ces recherches musicales et étudie la hubness comme une propriété plus générale de la recherche de voisins en grande dimension.
- A MIREX Meta-Analysis of Hubness in Audio Music Similarity (Flexer, Schnitzer et Schlüter, 2012) reconnaît l’observation de 2004 et compare la hubness de plusieurs algorithmes de similarité musicale dans une évaluation commune.
- Local and Global Scaling Reduce Hubs in Space (Schnitzer, Flexer, Schedl et Widmer, 2012) étudie comment réduire la hubness en changeant l’échelle des distances.
- Mutual Proximity Graphs for Improved Reachability in Music Recommendation examine comment la réduction de la hubness modifie les morceaux accessibles à l’auditeur dans un système réel de recommandation musicale.
