-
데이터 변경이력
데이터 변경이력 버전 일자 변경내용 비고 1.0 2024-06-28 데이터 개방 Beta Version 데이터 히스토리
데이터 히스토리 일자 변경내용 비고 2024-06-28 산출물 공개 Beta Version 소개
- 음악창작 대중화 및 AI 뮤직을 위한 한국 대중음악 루프 사운드 생성 데이터 - 다양한 악기 종류와 구성을 가진 프레이즈 형식의 데이터
구축목적
- 연구분야 : 음악창작연구, 음원 인식 연구에 필수적으로 요구되는 데이터 구축 - 산업분야 : 악기별 라이브러리 간편 창작 서비스, 교육용 음악창작 도구, 유사 라이브러리 검색 서비스, AI 자동 채보, 작곡 등을 위한 데이터 구축
-
메타데이터 구조표 데이터 영역 문화관광 데이터 유형 오디오 데이터 형식 wav 데이터 데이터 출처 컨소시움 소유 20만곡 대중음악 라벨링 유형 전사(음악) 데이터, 메타 데이터 라벨링 형식 mid,json 데이터 활용 서비스 허밍 음악창작 서비스, 멜로디/랩-라임 창작 서비스 데이터 구축년도/
데이터 구축량2023년/원천데이터(음성, 형식 : wav) : 120,000건 / 라벨링데이터(형식 : mid,json) : 각 120,000건 -
- 데이터 구축 규모
항목 데이터 구성 데이터
수량ㆍ원천데이터 120,000건 : 음원이 녹음된 오디오 데이터(wav) ㆍ라벨링 데이터 120,000건 : 오디오 데이터에 대한 악보 형태의 채보 데이터(mid) ㆍ메타데이터 120,000건 : 원천데이터의 속성이 라벨링 된 데이터(json) 데이터
형태ㆍ원천데이터: wav ㆍ라벨링데이터: mid ㆍ메타데이터: json - 데이터 분포
① 악기 분포분류 악기 종류 수량 보컬 Vocal Melody 15,000 양악기 Drums 10,000 Piano 10,000 Guitar 10,000 Bass 10,000 Strings 10,000 Brass 10,000 Wind 10,000 Organ 10,000 신디 사이저 Lead 10,000 Pad 5,000 국악기 국악 현악기 5,000 국악 관악기 5,000 합계 120,000 ② 스케일 분포
멜로디 스케일 비 율 멜로디 스케일 비 율 C Major 8% C Minor 5% D Major 6% D Minor 5% E Major 6% E Minor 5% F Major 7% F Minor 3% G Major 6% G Minor 5% A Major 4% A Minor 6% B Major 3% B Minor 3% Db major 4% Eb minor 2% Eb major 4% Bb minor 3% Gb major 2% C# minor 1% Ab major 5% F# minor 2% Bb major 4% G# minor 1% -
-
AI 모델 상세 설명서 다운로드
AI 모델 상세 설명서 다운로드 AI 모델 다운로드- 활용 AI 모델
1. 멜로디 생성 학습모델 : MusicTransformer
- MIDI 파일의 이벤트들을 일정한 시퀀스 단위로 잘라낸 뒤 기본 조옮김과 시간에 따른 확장으로 데이터셋을 늘려 일정한 시퀀스 길이로 무작위 샘플링을 하여 Pytorch Tensor로 저장하여 전처리 수행
- 전처리 된 데이터셋을 Music Transformer 모델에 학습하여 멜로디 생성 모델 학습 후 성능 지표인 NLL(Negative Log-likelihood)로 확인
- 학습데이터로는 리듬 생성에 사용되는 드럼 데이터를 제외한 나머지 악기들을 사용학습(Learning) 검증(Validation) 시험(Test) 개요 Music Transformer 학습 학습 도중 모델 성과 평가 및 비교 모델 학습 완료 후 모델 테스트 NLL 점수 학습 데이터 88,000개의 루프 사운드 11,000개의 루프 사운드 11,000개의 루프 사운드 2. 리듬 생성 모델 : MusicVAE
- MIDI 파일의 이벤트들을 NoteSequences의 TFRecord로 변환하여 전처리 수행
- TFRecord 로 변환 시 기본 조옮김과 시간에 따른 확장으로 데이터셋 확장
- 전처리 된 데이터셋을 Music VAE 모델에 학습하여 리듬 생성 모델 학습 후 성능 지표인 NLL(Negative Log-likelihood)로 확인
- 10,000개 이하의 데이터로 학습을 진행하면 Music Transformer 모델보다 더 효과적임
- 학습데이터로는 전체 데이터 중 리듬 생성용 데이터인 드럼 데이터 10,000개만 사용학습(Learning) 검증(Validation) 시험(Test) 개요 Music VAE 학습 학습 도중 모델 성과 평가 및 비교 모델 학습 완료 후 모델 테스트 NLL 점수 학습 데이터 8,000개의 루프 사운드 1,000개의 루프 사운드 1,000개의 루프 사운드 3. 편곡 관계성 예측 모델 : Music Relationship Regression
- 본 과업을 위해 컨소시움에서 직접 개발한 AI 학습 모델
- 각 MIDI별 특징(Latent Feature)을 기반으로 고유 특징 점수(MRF) 도출
- 학습 데이터를 ChordWork Classifier 모델과 Music Relation Model을 통해 데이터 전처리 수행
- 전처리 된 데이터셋을 XGBoost Refressor 모델에 학습하여 편곡 관계성 예측 모델 학습 후 성능 지표인 MSE(Mean Squared Error)로 확인
- 학습 데이터로는 모든 데이터를 전부 사용학습(Learning) 검증(Validation) 시험(Test) 개요 Music Relationship Regression 학습 학습 도중 모델 성과 평가 및 비교 모델 학습 완료 후 모델 테스트 MSE 점수 학습 데이터 96,000개의 루프 사운드 12,000개의 루프 사운드 12,000개의 루프 사운드 - 모델 학습 과정별 데이터 분류 및 비율 분포
학습 모델 MusicTransformer MusicVAE Music Relationship Regression 구분 train val test train val test train val test 80% 10% 10% 80% 10% 10% 80% 10% 10% 보컬 Vocal Meldoy 12,000 1,500 15,000 - - - 12,000 1,500 15,000 양악기 Drums - - - 8,000 1,000 1,000 8,000 1,000 1,000 Piano 8,000 1,000 1,000 - - - 8,000 1,000 1,000 Guitar 8,000 1,000 1,000 - - - 8,000 1,000 1,000 Bass 8,000 1,000 1,000 - - - 8,000 1,000 1,000 Strings 8,000 1,000 1,000 - - - 8,000 1,000 1,000 Brass 8,000 1,000 1,000 - - - 8,000 1,000 1,000 Wind 8,000 1,000 1,000 - - - 8,000 1,000 1,000 Organ 8,000 1,000 1,000 - - - 8,000 1,000 1,000 신디 사이저 Lead 8,000 1,000 1,000 - - - 8,000 1,000 1,000 Pad 4,000 500 500 - - - 4,000 500 500 국악기 국악 현악기 4,000 500 500 - - - 4,000 500 500 국악 관악기 4,000 500 500 - - - 4,000 500 500 *val = Validation
-
설명서 및 활용가이드 다운로드
데이터 설명서 다운로드 구축활용가이드 다운로드- 데이터 구성
분류 악기 종류 구축 비율 원천 Wave 라벨링 데이터 MIDI JSON 보컬 Vocal Melody 12.50% 15,000 15,000 15,000 양악기 Drums 8.33% 10,000 10,000 10,000 Piano 8.33% 10,000 10,000 10,000 Guitar 8.33% 10,000 10,000 10,000 Bass 8.33% 10,000 10,000 10,000 Strings 8.33% 10,000 10,000 10,000 Brass 8.33% 10,000 10,000 10,000 Wind 8.33% 10,000 10,000 10,000 Organ 8.33% 10,000 10,000 10,000 신디
사이저Lead 8.33% 10,000 10,000 10,000 Pad 4.17% 5,000 5,000 5,000 국악기 국악 현악기 4.17% 5,000 5,000 5,000 국악 관악기 4.17% 5,000 5,000 5,000 합계 100% 120,000 120,000 120,000 - 어노테이션 포맷
ID 항목명 타입 필수 항목 설명 범위 (예시) 0 dataSet Dict Y 루프 사운드 데이터 1 version String Y 루프 사운드 데이터 버전 -1 2 loopIndex Number Y 루프 사운드 인덱스 100,001~999,999 3 loopType String Y 루프 사운드의 종류 melody, rhythm 4 InstrumentType String Y 악기 종류 (“Piano”) 5 barCount Number Y 루프 사운드 구성 마디 수 -2 6 isMain String Y 메인 멜로디 또는 리듬인지 (“No”) 7 loopInfo Dict Y 루프 사운드 대한 상세정보 7 1 InstrumentName String Y 세부 악기명 (“Grand Piano”) 2 genre String Y 원곡 장르 (“Balade”) 3 bpm Number Y 템포(빠르기) 30~999 4 musicStyle String Y 음악 스타일 “Dark”, “Relaxing” 등 59종 5 songForm String Y 루프가 사용된 곡 구성 파트 “Intro”, “Verse” 등 8종 6 beatCount Number N 마디당 비트(박)수 2, 4, 8, 12, 16 7 scale String Y 원곡의 메인 키 (C major) 8 lyrics String N 루프 내 가사 (“가로수 그늘 밑 그 향”) 8 chordWork Dict N 화음 진행 정보: 예시 {“Dm7”, “F”, “Am7”, “G”} 8 1 chordStart Number Y 화음 시작 시각(millisecond) -1,350 2 chord String Y 1개 화음: 예시) (“Dm7”) 9 relation Dict N 관계된 메인 루프 인덱스 모음 9 1 relationIndex Number Y 메인 루프의 인덱스 1개 이상 -123456 10 bitrate Number Y Wave 음원의 비트레이트 44,100 or 48,000 11 playTime Number Y 음원 재생 시간(millisecond) -3102 12 srcType String Y 원천음원 형식 Wave 13 srcFileName String Y 원천음원 파일명 “Piano_AcousticPiano_0301_100001.wav” - 실제 예시
Piano_AcousticPiano_0301_100001.json
{
"data_Set": {
"version": "1.0",
"loopindex": "100001",
"loopType": "melody",
"InstrumentType": "Piano",
"barCount": "2",
"isMain": "Yes",
"loopinfo": {
"instrumentName": "AcousticPiano",
"genre": "Ballade",
"bpm": "99",
"musicStyle": "Drama",
"songForm": "Chorus",
"beatCount": "4",
"scale": "C major",
"lyrics": "당신의 사랑이 너무 달콤하기에 당신은 나의 전부입니다"
},
"chordWork": [
{
"chordStart": "1350",
"chord": "C"
},
{
"chordStart": "2550",
"chord": "Dm7"
},
{
"chordStart": "3700",
"chord": "D"
}
],
"relation": {},
"bitrate": "44100",
"playtime": "3",
"srcType": "Wav",
"srcFileName": "Piano_AcousticPiano_0301_100001.wav"
}
} -
데이터셋 구축 담당자
수행기관(주관) : ㈜투비원솔루션즈
수행기관(주관) 책임자명 전화번호 대표이메일 담당업무 허 권 02-6951-1761 huhkwon@2beone.net 한국 대중음악 루프 사운드 생성 데이터 실무책임자 수행기관(참여)
수행기관(참여) 기관명 담당업무 ㈜뮤직콘 원시데이터 획득, 정제, 가공 ㈜선도소프트 구축 공정 관리. 학습데이터 품질 관리 ㈔한국음악콘텐츠협회 원천데이터 가공, 학습데이터 검수, 학습데이터 및 AI 모델 기술 홍보 덕성여자대학교 산학협력단 학습데이터 설계, 모델 개발 데이터 관련 문의처
데이터 관련 문의처 담당자명 전화번호 이메일 김진혁 02-6951-1761 cancon@2beone.net AI모델 관련 문의처
AI모델 관련 문의처 담당자명 전화번호 이메일 이재호 02-901-8649 izeho@duksung.ac.kr 저작도구 관련 문의처
저작도구 관련 문의처 담당자명 전화번호 이메일 김진혁 02-6951-1761 cancon@2beone.net
-
인터넷과 물리적으로 분리된 온라인·오프라인 공간으로 의료 데이터를 포함하여 보안 조치가 요구되는 데이터를 다운로드 없이 접근하고 분석 가능
* 온라인 안심존 : 보안이 보장된 온라인 네트워크를 통해 집, 연구실, 사무실 등 어디서나 접속하여 데이터에 접근하고 분석
* 오프라인 안심존 : 추가적인 보안이 필요한 데이터를 대상으로 지정된 물리적 공간에서만 접속하여 데이터에 접근하고 분석 -
- AI 허브 접속
신청자 - 안심존
사용신청신청자신청서류 제출* - 심사구축기관
- 승인구축기관
- 데이터 분석 활용신청자
- 분석모델반출신청자
- AI 허브 접속
-
1. 기관생명윤리위원회(IRB) 심의 결과 통지서 [IRB 알아보기] [공용IRB 심의신청 가이드라인]
2. 기관생명윤리위원회(IRB) 승인된 연구계획서
3. 신청자 소속 증빙 서류 (재직증명서, 재학증명서, 근로계약서 등 택1)
4. 안심존 이용 신청서 [다운로드]
5. 보안서약서 [다운로드]
※ 상기 신청서 및 첨부 서류를 완비한 후 신청을 진행하셔야 정상적으로 절차가 이루어집니다. -
신청 및 이용관련 문의는 safezone1@aihub.kr 또는 02-525-7708, 7709로 문의
데이터셋 다운로드 승인이 완료 된 후 API 다운로드 서비스를 이용하실 수 있습니다.
API 다운로드 파일은 분할 압축되어 다운로드 됩니다. 분할 압축 해제를 위해서는 분할 압축 파일들의 병합이 필요하며 리눅스 명령어 사용이 필요합니다.
리눅스 OS 계열에서 다운로드 받으시길 권장하며 윈도우에서 파일 다운로드 시 wsl(리눅스용 윈도우 하위 시스템) 설치가 필요합니다.
※ 파일 병합 리눅스 명령어
find "폴더경로" -name "파일명.zip.part*" -print0 | sort -zt'.' -k2V | xargs -0 cat > "파일명.zip"
- 해당 명령어 실행 시, 실행 경로 위치에 병합 압축 파일이 생성됩니다.
- 병합된 파일 용량이 0일 경우, 제대로 병합이 되지 않은 상태이니 "폴더경로"가 제대로 입력되었는지 확인 부탁드립니다.
※ 데이터셋 소개 페이지에서 다운로드 버튼 클릭하여 승인이 필요합니다.