Salsa dataset: primera base de conocimiento de música salsa
Main Article Content
Keywords
Género Musical Salsa, Dataset, Recuperación de Información Musical
Resumen
Un género musical muy conocido en nuestra región y que hace parte de nuestra identidad cultural caleña es la salsa. Su origen se remonta a los años 30 del siglo pasado y desde entonces este género ha sido modificado por diferentes artistas en diversas regiones del mundo, cada uno con una visión diferente de él, con experiencias culturales y con aporte de nuevos instrumentos y nueva tecnología. Esto hace que la salsa sea un género intrínsecamente complejo y difícil de definir en términos cualitativos. A pesar de la creciente popularidad del género en el mundo, la salsa no ha sido analizada desde el punto de vista computacional para derivar cuáles son los componentes acústicos que la definen y diferencian de los demás géneros musicales. En este documento abordaremos los resultados del proceso de creación de una base de conocimiento de música salsa que está disponible en forma gratuita para la comunidad científica y que recopila la información acústica de más de 20.000 canciones de dicho género musical. Con esta información, que caracteriza la señal acústica, se pretende modelar diferentes características del género mediante técnicas de inteligencia artificial. Además de hacer accesible esta información a investigadores interesados en la música salsa, otro aporte importante de este proyecto es proporcionar herramientas para que la base de conocimiento crezca con la ayuda de la comunidad científica. Para ello se desarrolló un software que extrae la información acústica pertinente de canciones que tienen los usuarios para ser enviada y adicionada a la base de conocimiento.
Descargas
Los datos de descargas todavía no están disponibles.
Referencias
Arévalo,¬ C.,¬ Sarria¬ M.,¬ G.¬ M.,¬ Mora,¬ M.¬ J.,¬ &¬ Arce ¬Lopera,¬ C.¬ (2015).¬ Towards¬an¬ efficient¬ algorithm¬to-get the chorus of a salsa song. En Proceedings of IEEE International Symposium on Multimedia (ISM2015), Miami, FL.
Aucouturier,¬J. ¬J.,¬ &¬ Pachet,¬ F.¬ (2003).¬ Representing¬musical genre: a state of the art. Journal of New Music Research, 32(1), 83¬93.
Bertin ¬Maheux,¬T.,¬ Ellis,¬ D.¬ P.¬ W.,¬ Whitman,¬B., ¬&¬ Lamere,¬ P.¬ (2011).¬ The¬ million¬ song¬ dataset.¬ En -Proceedings of the 12th International Society for Music Information Retrieval Conference (ISMIR2011), Miami, FL.
Cios,¬ K.¬ J.,¬ Pedrycz,¬ W.,¬ Swinarski,¬R.¬ W.,¬ &¬ Kurgan,¬L. A. (2007). Data mining: a knowledge discovery approach. Nueva York: Springer.
Cooper, M., & Foote, J. (2003). Summarizing popular music via structural similarity analysis. En IEEE Workshop on Applications of Signal Processing to Audio and Acoustics.¬New¬Paltz,¬NY.
Duany,¬ J.¬ (1984).¬ Popular¬ music¬ in¬ Puerto¬ Rico:¬toward an anthropology of “salsa”. Revista de Música Latino Americana, 5(2), 186¬216.
Echonest (2016). Echonest. Recuperado el ... de ... de ..., de: http://developer.echonest.com
Fitch, W. T. (2005). The evolution of music in comparative perspective. Annals of the New York Academy of Sciences, 1060(1), 29¬49.
Holmes,¬ G.,¬ Donkin,¬ A.,¬ &¬ Witten,¬ I.¬ H.¬ (1994).¬Weka: a machine learning workbench. Hamilton, New¬ Zealand:¬University¬of¬ Waikato,¬Department¬of¬Computer Science, working paper 94/09.
Isaacson, E. (2005). What you see is what you get: on visualizing music. En Proceedings of the 6th International Conference on Music Information Retrieval (ISMIR 2005). Londres, UK.
Ismir (2004). ISMIR2004 audio description contest-genre/artist ID classification and artist similarity. Recuperado el ... de ... de ..., de: h t t p : // i s m i r 2 0 0 4 .ismir.net/genre_contest/
Jungermann,¬F.¬ (2009).¬ Information¬extraction¬with rapidminer. En Proceedings of the GSCL Symposium ‘Sprachtechnologie und eHumanities’. Essen, Alemania.
Li, T., & Li, L. (2012). Music data mining: an introduction. En Li, T., Ogihara, M., & Tzanetakis, G.¬ (ed.).¬Music data mining, pp. ...¬... Nueva York: CRC Press
Li,¬ T.,¬ Ogihara,¬M.,¬ &¬ Zhu,¬ S.¬ (2006).¬ Integrating¬features from different sources for music information retrieval. En Proceedings of the 6th International Conference on Data Mining, Hong Kong, China.
McDermott, J. (2008). The evolution of music. Nature, 453(7193), 287¬288.
McKay, C., McEnnis, D., & Fujinaga, I. (2006). A large publicly accessible prototype audio database for music research. En 7th International Conference on Music Information Retrieval (ISMIR2006), Victoria, Canadá.
Mitrović,¬D.,¬ Zeppelzauer,¬M.¬ &¬ Breiteneder,¬C.¬(2010). Features for content¬based audio retrieval. Advances in Computers, 78, 71¬15 0 .
Mora, M. J. (2013). Recuperación basada en contenido de archivos de sonido Mpeg-7 sobre Oracle multimedia.¬ Cali:¬ Pontificia¬Universidad¬Javeriana,¬trabajo de grado de maestría.
Morales, E. (2003). The latin beat: the rhythms and roots of latin music from bossa nova to salsa and beyond.¬Boston,¬MA:¬Da¬Capo¬Press.
Orio, N. (2006). Music retrieval: a tutorial and rev iew. Foundations and Trends in Information Retrieval, 1(1), 1¬90.
Orio, N., Rizo, D., Miotto, R., Montecchio, N., Schedl, M. & Lartillot, O. (2011). Musiclef: a benchmark activity in multimodal music information retrieval. 7171Salsa Dataset: Primera base de conocimiento de música salsaGerardo M. Sarria M. - Mario Julián Mora - Carlos Arce-Lopera En Proceedings of the 12th International Society for Music Information Retrieval Conference (ISMIR2011), Miami, FL.
Padilla,¬ F.¬ M.¬ (1989).¬ Salsa¬ music¬ as¬ a¬ cultural¬expression¬of¬ Latino¬ consciousness¬and¬ unity.-Hispanic Journal of Behavioral Sciences, 11(1), 28¬45.
Pampalk,¬E.¬ (2006).¬Computational models of music similarity and their application in music information retrieval. Viena: Technische Universitat Wien, disertación doctoral.
Peeters,¬G.¬ (2007).¬ Sequence¬representation¬of¬music¬ structure¬using¬ higher ¬order¬ similarity-matrix¬and¬ maximum¬likelihood¬approach.¬
En¬Proceedings of the 8th International Conference on Music Information Retrieval (ISMIR 2007), Viena,Proud¬ Music¬ (2016).¬Proud Music. Recuperado el ... de ... de ..., de: http://www.proudmusiclibrary.com/en/tag/salsa/Rauber,¬ A.,¬ Pampalk,¬E.,¬ &¬ Merkl,¬ D.¬ (2002).¬Content ¬based¬ music¬ indexing¬and¬ organization.¬En¬Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 409¬410. NuevaYork: ACM.
Schnitzer,¬D.,¬ Flexer,¬ A.,¬ &¬ Widmer,¬G.¬ (2009).¬ A¬filter ¬and ¬refine¬ indexing¬method¬ for¬ fast¬ similarity¬search in millions of music tracks. En Proceedings of the 10th International Conference on Music Information Retrieval (ISMIR 2009), Kobe, Japan.
Silla Jr., C. N., Koerich, A. L., & Kaestner, C. A. A. (2008). The Latin music database. En Proceedings of the 9th International Conference on Music Information Retrieval (ISMIR 2008),¬Philadelphia,-PA.
Sturm,¬ B.¬ L.¬ (2012).¬ An¬ analysis¬ of¬ the¬ gtzan¬ music¬genre dataset. En 2nd International ACM Workshop on Music Information Retrieval with User-Centered and Multi-modal Strategies (MIRUM2012), held as part of the ACM Mulitmedia 2012, Nara, Japón.
The¬ HDF¬ Group¬ (2016).¬Welcome to the HDF5 home page! Recuperado el ... de ... de ..., de: https://www.hdfgroup.org/HDF5/
Tzanetakis,¬G.¬ &¬ Cook,¬ P.¬ (2002).¬ Musical¬ genre¬classification¬of¬audio ¬signals. ¬IEEE Transactions on Speech and Audio Processing, 10(5), 293–302.
Wold,¬ E.,¬ Blum,¬ T.,¬ Keislar,¬ D.,¬ &¬ Wheaton,¬J.¬ (1996).¬Content ¬based¬ classification,¬search,¬ and¬ retrieval¬of¬audio. IEEE Multimedia, 3(3), 27¬36.
Xiao,¬ L.,¬ Tian,¬ A.,¬ Li,¬ W.,¬ &¬ Zhou,¬ J.¬ (2008).¬ Using¬ a¬stochastic model to capture the association between timbre and perceived tempo. En Proceedings of the 9th International Conference on Music Information Retrieval (ISMIR 2008),¬Philadelphia,¬PA
Aucouturier,¬J. ¬J.,¬ &¬ Pachet,¬ F.¬ (2003).¬ Representing¬musical genre: a state of the art. Journal of New Music Research, 32(1), 83¬93.
Bertin ¬Maheux,¬T.,¬ Ellis,¬ D.¬ P.¬ W.,¬ Whitman,¬B., ¬&¬ Lamere,¬ P.¬ (2011).¬ The¬ million¬ song¬ dataset.¬ En -Proceedings of the 12th International Society for Music Information Retrieval Conference (ISMIR2011), Miami, FL.
Cios,¬ K.¬ J.,¬ Pedrycz,¬ W.,¬ Swinarski,¬R.¬ W.,¬ &¬ Kurgan,¬L. A. (2007). Data mining: a knowledge discovery approach. Nueva York: Springer.
Cooper, M., & Foote, J. (2003). Summarizing popular music via structural similarity analysis. En IEEE Workshop on Applications of Signal Processing to Audio and Acoustics.¬New¬Paltz,¬NY.
Duany,¬ J.¬ (1984).¬ Popular¬ music¬ in¬ Puerto¬ Rico:¬toward an anthropology of “salsa”. Revista de Música Latino Americana, 5(2), 186¬216.
Echonest (2016). Echonest. Recuperado el ... de ... de ..., de: http://developer.echonest.com
Fitch, W. T. (2005). The evolution of music in comparative perspective. Annals of the New York Academy of Sciences, 1060(1), 29¬49.
Holmes,¬ G.,¬ Donkin,¬ A.,¬ &¬ Witten,¬ I.¬ H.¬ (1994).¬Weka: a machine learning workbench. Hamilton, New¬ Zealand:¬University¬of¬ Waikato,¬Department¬of¬Computer Science, working paper 94/09.
Isaacson, E. (2005). What you see is what you get: on visualizing music. En Proceedings of the 6th International Conference on Music Information Retrieval (ISMIR 2005). Londres, UK.
Ismir (2004). ISMIR2004 audio description contest-genre/artist ID classification and artist similarity. Recuperado el ... de ... de ..., de: h t t p : // i s m i r 2 0 0 4 .ismir.net/genre_contest/
Jungermann,¬F.¬ (2009).¬ Information¬extraction¬with rapidminer. En Proceedings of the GSCL Symposium ‘Sprachtechnologie und eHumanities’. Essen, Alemania.
Li, T., & Li, L. (2012). Music data mining: an introduction. En Li, T., Ogihara, M., & Tzanetakis, G.¬ (ed.).¬Music data mining, pp. ...¬... Nueva York: CRC Press
Li,¬ T.,¬ Ogihara,¬M.,¬ &¬ Zhu,¬ S.¬ (2006).¬ Integrating¬features from different sources for music information retrieval. En Proceedings of the 6th International Conference on Data Mining, Hong Kong, China.
McDermott, J. (2008). The evolution of music. Nature, 453(7193), 287¬288.
McKay, C., McEnnis, D., & Fujinaga, I. (2006). A large publicly accessible prototype audio database for music research. En 7th International Conference on Music Information Retrieval (ISMIR2006), Victoria, Canadá.
Mitrović,¬D.,¬ Zeppelzauer,¬M.¬ &¬ Breiteneder,¬C.¬(2010). Features for content¬based audio retrieval. Advances in Computers, 78, 71¬15 0 .
Mora, M. J. (2013). Recuperación basada en contenido de archivos de sonido Mpeg-7 sobre Oracle multimedia.¬ Cali:¬ Pontificia¬Universidad¬Javeriana,¬trabajo de grado de maestría.
Morales, E. (2003). The latin beat: the rhythms and roots of latin music from bossa nova to salsa and beyond.¬Boston,¬MA:¬Da¬Capo¬Press.
Orio, N. (2006). Music retrieval: a tutorial and rev iew. Foundations and Trends in Information Retrieval, 1(1), 1¬90.
Orio, N., Rizo, D., Miotto, R., Montecchio, N., Schedl, M. & Lartillot, O. (2011). Musiclef: a benchmark activity in multimodal music information retrieval. 7171Salsa Dataset: Primera base de conocimiento de música salsaGerardo M. Sarria M. - Mario Julián Mora - Carlos Arce-Lopera En Proceedings of the 12th International Society for Music Information Retrieval Conference (ISMIR2011), Miami, FL.
Padilla,¬ F.¬ M.¬ (1989).¬ Salsa¬ music¬ as¬ a¬ cultural¬expression¬of¬ Latino¬ consciousness¬and¬ unity.-Hispanic Journal of Behavioral Sciences, 11(1), 28¬45.
Pampalk,¬E.¬ (2006).¬Computational models of music similarity and their application in music information retrieval. Viena: Technische Universitat Wien, disertación doctoral.
Peeters,¬G.¬ (2007).¬ Sequence¬representation¬of¬music¬ structure¬using¬ higher ¬order¬ similarity-matrix¬and¬ maximum¬likelihood¬approach.¬
En¬Proceedings of the 8th International Conference on Music Information Retrieval (ISMIR 2007), Viena,Proud¬ Music¬ (2016).¬Proud Music. Recuperado el ... de ... de ..., de: http://www.proudmusiclibrary.com/en/tag/salsa/Rauber,¬ A.,¬ Pampalk,¬E.,¬ &¬ Merkl,¬ D.¬ (2002).¬Content ¬based¬ music¬ indexing¬and¬ organization.¬En¬Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 409¬410. NuevaYork: ACM.
Schnitzer,¬D.,¬ Flexer,¬ A.,¬ &¬ Widmer,¬G.¬ (2009).¬ A¬filter ¬and ¬refine¬ indexing¬method¬ for¬ fast¬ similarity¬search in millions of music tracks. En Proceedings of the 10th International Conference on Music Information Retrieval (ISMIR 2009), Kobe, Japan.
Silla Jr., C. N., Koerich, A. L., & Kaestner, C. A. A. (2008). The Latin music database. En Proceedings of the 9th International Conference on Music Information Retrieval (ISMIR 2008),¬Philadelphia,-PA.
Sturm,¬ B.¬ L.¬ (2012).¬ An¬ analysis¬ of¬ the¬ gtzan¬ music¬genre dataset. En 2nd International ACM Workshop on Music Information Retrieval with User-Centered and Multi-modal Strategies (MIRUM2012), held as part of the ACM Mulitmedia 2012, Nara, Japón.
The¬ HDF¬ Group¬ (2016).¬Welcome to the HDF5 home page! Recuperado el ... de ... de ..., de: https://www.hdfgroup.org/HDF5/
Tzanetakis,¬G.¬ &¬ Cook,¬ P.¬ (2002).¬ Musical¬ genre¬classification¬of¬audio ¬signals. ¬IEEE Transactions on Speech and Audio Processing, 10(5), 293–302.
Wold,¬ E.,¬ Blum,¬ T.,¬ Keislar,¬ D.,¬ &¬ Wheaton,¬J.¬ (1996).¬Content ¬based¬ classification,¬search,¬ and¬ retrieval¬of¬audio. IEEE Multimedia, 3(3), 27¬36.
Xiao,¬ L.,¬ Tian,¬ A.,¬ Li,¬ W.,¬ &¬ Zhou,¬ J.¬ (2008).¬ Using¬ a¬stochastic model to capture the association between timbre and perceived tempo. En Proceedings of the 9th International Conference on Music Information Retrieval (ISMIR 2008),¬Philadelphia,¬PA
Article Sidebar
Publicado
dic 12, 2016
Article Details
Cómo citar
Sarria M., G. M., Mora, M. J., & Arce-Lopera, C. (2016). Salsa dataset: primera base de conocimiento de música salsa. Ricercare, (5), 63–72. https://doi.org/10.17230/ricercare.2016.5.5
Número
Sección
Artículos
Agencias de apoyo
Biografía del autor/a
Gerardo M. Sarria M., Pontificia Universidad Javeriana, Cali
Doctor en Ingeniería (Ciencias de la Computación) de la Universidad del Valle, Cali. Profesor asociado de la Pontificia Universidad Javeriana, Cali
Mario Julián Mora, Universidad San Buenaventura, Cali
Magíster Executive en Innovación Tecnológica de la Escuela de Negocios EOI de Madrid, España. Decano de la Facultad de Ingeniería de la Universidad San Buenaventura, Cali
Carlos Arce-Lopera, Profesor asistente de la Universidad ICESI, Cali
Doctor en Ingeniería de la Yokohama National University de Japón. Profesor asistente de la Universidad ICESI, Cali
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
- Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
- Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
- Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados (Véase The Effect of Open Access)