A equipe
Lars Løberg Monstad
Diretor Executivo e Cofundador
Lars é um engenheiro de Machine Learning e desenvolvedor Full-Stack altamente qualificado, especializado em recuperação de informação musical. Publicou diversos artigos na área e desenvolveu modelos avançados de IA para análise e transcrição musical. Como CEO e cofundador, ele impulsiona a visão e a estratégia de produto da empresa, combinando profundo conhecimento técnico com liderança empreendedora.
Dr. Olivier Lartillot
Diretor Científico e Cofundador
Pesquisador líder no Centro RITMO da UiO para Estudos Interdisciplinares em Ritmo, Tempo e Movimento e professor no Centro MishMash para IA e Criatividade. Pioneiro na abordagem do sistema híbrido transformer-regras que forma o núcleo da nossa tecnologia de transcrição. Mais de 20 anos de experiência em musicologia computacional e MIR (Music Information Retrieval).
Karstein Grønnesby
Diretor de Operações
Karstein possui mestrado em Tecnologia Musical pela Universidade de Oslo e traz anos de experiência coordenando projetos e produções no setor musical. Ele supervisiona o gerenciamento de projetos e lidera o lado B2B do nosso produto, com base em sua experiência no Samspill International Music Network e Norsk Viseforum. Ele também é fundador da Blåsemaker, uma oficina dedicada à fabricação de instrumentos de sopro tradicionais noruegueses.
Nossa Missão
Acreditamos que a transcrição musical deve ser acessível a todos — de estudantes aprendendo suas músicas favoritas a músicos profissionais preservando suas composições. Nossa tecnologia de IA conecta áudio e notação, tornando a criação de partituras tão simples quanto gravar uma performance.
Apoiado pelo Conselho de Pesquisa da Noruega
Nossa Pesquisa
AMT-Augmentor
AMT-Augmentor é um toolkit em Python para expandir conjuntos de dados de Transcrição Musical Automática (AMT) com transformações de áudio de alta qualidade — time-stretching, pitch-shifting, reverb/filtragem, ruído, ganho/chorus — preservando o alinhamento áudio-MIDI. É compatível com MAESTRO, orientado por CLI e configurável via YAML, com processamento paralelo e validação/divisão de conjuntos de dados integrados para acelerar o treinamento robusto de modelos AMT. Código aberto (MIT).
Ver no GitHub
HF2: Hardanger Fiddle Dataset
Um conjunto de dados aberto de gravações pareadas de áudio e MIDI de violino Hardanger norueguês, desenvolvido na Universidade de Oslo para o treinamento e a avaliação de modelos de transcrição de áudio para MIDI. Estende o conjunto de dados original HF1 para 119 pares de áudio-MIDI distribuídos em 39 músicas únicas (90.325 notas anotadas, ~970 MB) e introduz variantes emocionais — cada música executada em cinco interpretações (original, raivosa, alegre, triste e suave) — junto a dados de referência em CSV com informações de afinação de alta precisão. Um conjunto de dados de pesquisa para a comunidade de recuperação de informação musical.
Ver no GitHubPublicações recentes
Veja nosso modelo de pesquisa em ação
Transcrição ao vivo de música de rabeca Hardanger no MishMash Centre for AI and Creativity em Oslo · 08.04
Na imprensa
Shifter · Notícias de tecnologia da Noruega