RAPPORT D'ACTIVITÉ 2003 - WWW Ircam

RAPPORT DETAILLERECHERCHE ET DEVELOPPEMENTREPRESENTATIONS MUSICALESCollaboration interne : G. NounoCollaborations extérieures : P. Codognet (LIP6, UPMC), M.Chemillier (Université de Caen), G. Bloch, F. Lévy, M. Lanza,M. Jarrel (compositeurs)4.3 Apprentissage du style, improvisation, rapportsd’échelles temporelles4.3.1 Apprentissage de séquences musicales,applications à l'improvisationL’équipe Représentations musicales explore depuis quelquestemps le terrain de la modélisation et la simulation du stylepar apprentissage statistique (statistical learning) enutilisant une technique dite « contexte-inférence » ou« contexte-continuation ». Ce travail a donné lieu à descollaborations artistiques (deux concerts de l’OrchestreNational de Jazz) et sa publication a inspiré desréalisations dans d'autres centres. Une caractéristiqueoriginale de cette recherche par rapport à l'état de l'art estnotamment la prise en compte de la polyphonie.Cette première période de recherche a permis cependant demesurer les limitations du modèle et permet d’aborderaujourd’hui la problématique d’une manière plus large.Tout d’abord, les techniques inspirées de la théorie del’information et de la compression de données, utilisées enpremier lieu, sont limitées par la manière dont ellesconstituent les contextes (motifs caractéristiques) qui, defait, sont incomplets et peu significatifs d’un point de vuemusical. Ensuite, le manque de hiérarchisation entre lesniveaux du discours musical entraîne une trop grande localitédes résultats (enchaînements localement convaincants, manquede logique harmonique d’ensemble, par exemple).On a alors privélégié les techniques d’extractions de motifscomplètes. Cette option avait été laissée de côté initialementà cause de son coût, étant entendu qu’une possibilité depasser au temps-réel doit toujours être réservée pourpermettre les applications en concert. De nouvelles pistesalgorithmiques, issues notamment des recherches sur le génome,laissent à penser que l’on peut encoder de manièreincrémentale (donc compatible avec l’approche causalecaractéristique de la performance temps-réel) toute laredondance motivique d’une séquence (de gènes ou de notes).Cet encodage a permis la réutilisation du modèle contexteinférencesur des données mieux structurées. On a cherchéd’autre part à opérer une classification automatique deséléments musicaux analysés (par exemple classification desaccords) de manière à réduire le lexique, en utilisantdiverses méthodes (par exemple classification tonale,classification par textures d’intervalles). Enfin l’aspecthiérarchique a été abordé en remplaçant les léxèmes musicauxclassiques par des complexes combinant différents points devue (hauteurs, rythme, dynamique). Cet aspect a été explorénotamment par Nicolas Durand dans le cadre de son stage de DEAAtiam. Une difficulté rencontrée, et seulement partiellementrésolue, a été de « recoller » dans un tout cohérent lesdifférents points de vues, lors de la phase de génération. Ilest alors difficile de respecter la cohérence métrique et- 109 -