Mød innovatørerne
Årtiers forskningsekspertise inden for AI, musikvidenskab og signalbehandling.
Dr. Olivier Lartillot
Chief Science Officer & medstifter
Førende forsker ved UiOs RITMO Centre for Interdisciplinary Studies in Rhythm, Time and Motion og professor ved MishMash Center for AI and Creativity. Var banebrydende med den hybride transformer-regelsystem-tilgang, der udgør kernen i vores transkriptionsteknologi. Over 20 års erfaring inden for computerbaseret musikvidenskab og MIR (Music Information Retrieval).
Lars Løberg Monstad
Administrerende direktør & medstifter
Lars er en dygtig Machine Learning-ingeniør og Full-Stack-udvikler med speciale i music information retrieval. Han har publiceret flere artikler inden for feltet og udviklet avancerede AI-modeller til musikanalyse og transkription. Som CEO og medstifter driver han virksomhedens vision og produktstrategi, hvor han kombinerer dyb teknisk ekspertise med iværksætterlederskab.
Karstein Grønnesby
Driftsdirektør
Karstein har en mastergrad i musikteknologi fra Universitetet i Oslo og bringer mange års erfaring med koordinering af projekter og produktioner i musiksektoren. Han leder projektledelse og B2B-siden af vores produkt og trækker på sin baggrund fra Samspill International Music Network og Norsk Viseforum. Han er også grundlæggeren af Blåsemaker, et værksted dedikeret til fremstilling af traditionelle norske blæseinstrumenter.
Vores mission
Vi mener, at musiktranskription bør være tilgængeligt for alle – fra elever, der vil lære deres yndlingssange, til professionelle musikere, der bevarer deres kompositioner. Vores AI-teknologi bygger bro mellem lyd og notation og gør nodeskabelse lige så nemt som at optage en performance.
Innovation og forskning
Hybrid AI-system
Kombinerer transformere med musikteoretiske regler for uovertruffen nøjagtighed
Etisk træning
100 % public domain og licenserede optagelser – ingen ophavsretlige bekymringer
Privatliv først
Dine optagelser bruges aldrig til træning – fuldstændig dataisolering
Støttet af Norges Forskningsråd og Universitetet i Oslo
Vores forskning
AMT-Augmentor
AMT-Augmentor er et Python-værktøjssæt til udvidelse af datasæt til Automatic Music Transcription (AMT) med lydtransformationer i høj kvalitet – timestretching, pitch-shifting, reverb/filtrering, støj, gain/chorus – med bevarelse af lyd-MIDI-synkronisering. Det er MAESTRO-kompatibelt, CLI-drevet og konfigurerbart via YAML, med parallel behandling og indbygget datasætvalidering/-opdeling for at accelerere robust AMT-modeltræning. Open source (MIT).
Se på GitHub