L'équipe
Lars Løberg Monstad
Directeur général et cofondateur
Lars est un ingénieur en apprentissage automatique et développeur full-stack hautement qualifié, spécialisé dans la recherche d'information musicale. Il a publié plusieurs articles dans le domaine et développé des modèles IA avancés pour l'analyse et la transcription musicales. En tant que PDG et cofondateur, il porte la vision et la stratégie produit de l'entreprise, alliant expertise technique approfondie et leadership entrepreneurial.
Dr. Olivier Lartillot
Directeur scientifique et cofondateur
Chercheur de premier plan au centre RITMO de l'Université d'Oslo pour les études interdisciplinaires sur le rythme, le temps et le mouvement, et professeur au centre MishMash pour l'IA et la créativité. Pionnier de l'approche hybride transformer-règles qui constitue le cœur de notre technologie de transcription. Plus de 20 ans d'expérience en musicologie computationnelle et en MIR (Music Information Retrieval).
Karstein Grønnesby
Directeur des opérations
Karstein est titulaire d'un master en technologie musicale de l'Université d'Oslo et possède des années d'expérience dans la coordination de projets et de productions dans le secteur musical. Il supervise la gestion de projets et dirige le volet B2B de notre produit, s'appuyant sur son expérience au sein de Samspill International Music Network et de Norsk Viseforum. Il est également le fondateur de Blåsemaker, un atelier dédié à la fabrication d'instruments à vent traditionnels norvégiens.
Notre mission
Nous croyons que la transcription musicale devrait être accessible à tous — des étudiants apprenant leurs morceaux préférés aux musiciens professionnels préservant leurs compositions. Notre technologie IA comble le fossé entre l'audio et la notation, rendant la création de partitions aussi simple qu'un enregistrement.
Soutenu par le Conseil norvégien de la recherche
Nos recherches
AMT-Augmentor
AMT-Augmentor est une boîte à outils Python pour enrichir les jeux de données de transcription musicale automatique (AMT) avec des transformations audio de haute qualité — étirement temporel, transposition, réverbe/filtrage, bruit, gain/chorus — tout en préservant l'alignement audio-MIDI. Compatible MAESTRO, pilotable en ligne de commande et configurable via YAML, avec traitement parallèle et validation/découpage intégrés des jeux de données pour accélérer l'entraînement de modèles AMT robustes. Open source (MIT).
Voir sur GitHub
HF2: Hardanger Fiddle Dataset
Un jeu de données ouvert d'enregistrements appariés audio–MIDI de violon de Hardanger norvégien, constitué à l'Université d'Oslo pour l'entraînement et l'évaluation de modèles de transcription audio-vers-MIDI. Étend le jeu de données original HF1 à 119 paires audio–MIDI réparties sur 39 morceaux uniques (90 325 notes annotées, ~970 Mo), et introduit des variantes émotionnelles — chaque morceau interprété selon cinq versions (originale, en colère, joyeuse, triste, tendre) — accompagnées d'une vérité terrain au format CSV avec des données de hauteur de haute précision. Un jeu de données de recherche destiné à la communauté de la recherche d'information musicale.
Voir sur GitHubPublications récentes
Notre modèle de recherche à l'œuvre
Transcription en direct de musique de violon de Hardanger au MishMash Centre for AI and Creativity à Oslo · 08.04
Dans la presse
Shifter · Actualités tech norvégiennes