Tradicionalmente, o sucesso na indústria musical sempre esteve intimamente associado a turnês, CDs vendidos e paradas. Com a rápida digitalização do nosso mundo, a indústria da música mudou para uma nova forma de medir o sucesso – os dados.
Com tantas informações sobre música em mãos, empresas de consultoria de ciência de dados como a Iflexion podem construir soluções especializadas para identificar quais músicas uma pessoa em particular vai gostar, prever a próxima grande estrela da música e criar músicas para um público-alvo muito específico.
Como as formas de dados soam
Por mais que as comunidades underground, os guardiões do gênero, os críticos de música e os entusiastas da arte adorem que isso mude, a indústria da música tem sido fortemente comercializada. A tarefa dos artistas comerciais aqui é criar música que satisfaça grandes públicos e tenha lucro. Quando os dados são usados com sabedoria, os artistas podem escrever canções que provavelmente agradarão a um público específico.
Um dos mais proeminentes defensores de dados na indústria da música, Ankit Desai, uma vez olhou as estatísticas de streaming do artista sueco Tove Lo. Ele percebeu que uma de suas canções era particularmente popular entre os fãs de EDM. Desai aconselhou a capitalizar a oportunidade de conquistar um mercado maior e, dois meses depois, Love To lançou uma música com a participação do artista de EDM Alesso. A música alcançou disco de platina em vários países e chegou ao topo da parada de músicas do clube de dança dos Estados Unidos da Billboard.
Como os dados tornaram o Spotify superior
Com 286 milhões de usuários ativos e uma participação de quase 40% no mercado global de streaming de música, os dados são um fator crítico para o sucesso mundial do Spotify.
O que diferencia o Spotify dos concorrentes é seu poderoso serviço de recomendação. Cada segunda-feira, cada usuário recebe uma lista de reprodução personalizada ‘Discover Weekly’ composta por 30 músicas selecionadas especificamente para cada usuário. Esse nível extremo de personalização é possível porque o Spotify adquiriu pelo menos seis recomendações de música e empresas relacionadas ao aprendizado de máquina, incluindo Niland, Sonalytic, Seed Scientific e The Echo Nest.
Atualmente, o Spotify usa uma combinação desses três modelos de recomendação:
Modelagem colaborativa. O modelo de aprendizado de máquina do Spotify analisa constantemente que tipo de música você gosta atualmente, avaliando suas ações em relação a músicas específicas. Por exemplo, o algoritmo leva em consideração quais músicas você reproduziu repetidamente, adicionou à lista de reprodução, etc. Em seguida, o Spotify compara suas preferências musicais com as de outros usuários, encontra aquelas com gostos semelhantes e recomenda músicas de que você gosta.
Processamento de linguagem natural. Depois de escanear os metadados de uma faixa (nome do artista, título da música, etc.), o modelo de PNL do Spotify examina milhares de artigos, fóruns, postagens de blog e discussões sobre um álbum ou uma música na internet. O algoritmo analisa qual linguagem as pessoas usam para descrever a música e as combina com outras músicas que são discutidas de maneira semelhante.
Redes Neurais Convolucionais. O Spotify usa um modelo baseado na CNN para analisar dados de áudio brutos em relação ao BPM da música, tom musical, volume e outros parâmetros. O Spotify então encontra músicas com parâmetros semelhantes e as recomenda a você. Este modelo provou ser excepcionalmente eficaz para descobrir música de qualidade que ainda não foi reconhecida pelas massas.
Como a IA reduz a barreira de entrada da indústria musical
Uma ótima música é uma combinação da centelha criativa de um e do conhecimento técnico de outros. Você ficaria surpreso com o quanto é necessário para transformar uma gravação seca e sem vida no que você ouve no rádio ou em um serviço de streaming. O processo de otimizar uma faixa para uma experiência auditiva adequada é chamado de masterização.
Para muitos artistas emergentes, tudo relacionado ao processamento de áudio é o maior obstáculo em seu caminho para o lançamento de música, já que os serviços profissionais de mixagem e masterização geralmente custam mais do que eles podem pagar.
Como os dados ajudam a descobrir novos talentos
Em 2018, o Warner Music Group adquiriu o Sodatone, um serviço que alimenta streaming, mídia social e dados de turnê em algoritmos de ML para identificar quais artistas têm maior potencial para se tornarem bem-sucedidos no futuro. Este ano, a Amazon patenteou sua própria tecnologia que pode prever a popularidade futura de vários conteúdos de mídia, incluindo música, livros e filmes.
A Hitlab, uma empresa canadense de mídia digital e IA, pretende ser a principal ferramenta de A&R orientada para IA. Music Digital Nuance Analysis (DNA) é uma ferramenta patenteada que ajuda a quebrar qualquer música em 83 atributos.
A ferramenta pode analisar as músicas mais populares em qualquer região e, em seguida, comparar seus atributos com qualquer música recém-lançada para identificar o potencial de “sucesso”. Isso pode se tornar uma arma secreta dos produtores, compositores, gravadoras e editores modernos, pois agora eles podem adaptar seu som para atrair um público-alvo específico.
Os profissionais de A&R ficarão obsoletos? Resumindo, definitivamente não. Como na maioria dos outros casos de uso de IA, a tecnologia aqui se tornará mais um assistente. Com 20.000 músicas enviadas para o Spotify todos os dias, o trabalho de reconhecimento se torna cada vez mais difícil. Essas ferramentas só ajudarão a reduzir esses milhares de músicas para cem, facilitando significativamente o trabalho de A&R.
Fonte: Becoming Human
