Techniques de traitement automatique du langage naturel appliquées aux représentations symboliques musicales - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Conference Papers Year : 2021

Techniques de traitement automatique du langage naturel appliquées aux représentations symboliques musicales

Abstract

La discipline du Traitement Automatique du Langage Naturel (TALN) a connu d’importants progrès ces dix dernières années grâce aux avancées de l’intelligence artificielle et en particulier des réseaux de neurones profonds. Ces techniques sont aujourd’hui largement utilisées pour l’extraction de connaissances, l’analyse de sentiments ou encore la traduction automatique de textes. Les similarités structurelles et conceptuelles entre le langage naturel et la musique ont motivé de nombreuses initiatives de recherche visant à adapter les outils du TALN pour le traite- ment de données musicales symboliques ou audio. Ces démarches ont fourni des résultats prometteurs, notamment dans les domaines de l’analyse et la génération automatique de musique. Au-delà de leur performance, le présent projet vise à étudier le fonctionnement interne de deux de ces modèles, les plongements de mots et les transformeurs, ainsi que leur aptitude à s’adapter à des données musicales plutôt que textuelles. Ces expériences bénéficient à notre maîtrise de ces outils adaptés à la musique et contribuent à clarifier de nombreux parallèles entre le langage naturel et le langage musical.
Fichier principal
Vignette du fichier
keller_et_al.pdf (570.52 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-03279850 , version 1 (05-08-2021)

Identifiers

  • HAL Id : hal-03279850 , version 1

Cite

Mikaela Keller, Kamil Akesbi, Lorenzo Moreira, Louis Bigo. Techniques de traitement automatique du langage naturel appliquées aux représentations symboliques musicales. JIM 2021 - Journées d'Informatique Musicale, Jul 2021, Virtual, France. ⟨hal-03279850⟩
396 View
279 Download

Share

Gmail Mastodon Facebook X LinkedIn More