Teamet
Lars Løberg Monstad
Verkställande direktör & medgrundare
Lars är en mycket skicklig maskininlärningsingenjör och fullstackutvecklare specialiserad på musikinformationssökning. Han har publicerat flera artiklar inom området och utvecklat avancerade AI-modeller för musikanalys och transkription. Som VD och medgrundare driver han företagets vision och produktstrategi och kombinerar djup teknisk expertis med entreprenöriellt ledarskap.
Dr. Olivier Lartillot
Vetenskaplig chef & medgrundare
Ledande forskare vid UiO:s RITMO Centre for Interdisciplinary Studies in Rhythm, Time and Motion och professor vid MishMash Center for AI and Creativity. Pionjär inom den hybrida transformer-regelsystemansatsen som utgör kärnan i vår transkriptionsteknik. Över 20 års erfarenhet av beräkningsbaserad musikvetenskap och MIR (Music Information Retrieval).
Karstein Grønnesby
Driftschef
Karstein har en masterexamen i musikteknologi från Universitetet i Oslo och har mångårig erfarenhet av att koordinera projekt och produktioner inom musiksektorn. Han ansvarar för projektledning och leder B2B-sidan av vår produkt, med bakgrund från Samspill International Music Network och Norsk Viseforum. Han är också grundare av Blåsemaker, en verkstad som tillverkar traditionella norska blåsinstrument.
Vårt uppdrag
Vi tror att musiktranskription bör vara tillgängligt för alla – från elever som lär sig sina favoritlåtar till professionella musiker som bevarar sina kompositioner. Vår AI-teknik överbryggar klyftan mellan ljud och notation, och gör notskapande lika enkelt som att spela in ett framträdande.
Stöds av Norges forskningsråd
Vår forskning
AMT-Augmentor
AMT-Augmentor är ett Python-verktyg för att utöka dataset för automatisk musiktranskription (AMT) med högkvalitativa ljudtransformationer – tidssträckning, tonhöjdsändring, reverb/filtrering, brus, förstärkning/korus – med bibehållen ljud–MIDI-synkronisering. Det är MAESTRO-kompatibelt, CLI-drivet och konfigurerbart via YAML, med parallellbearbetning och inbyggd datasetvalidering/uppdelning för att påskynda robust AMT-modellträning. Öppen källkod (MIT).
Visa på GitHub
HF2: Hardanger Fiddle Dataset
Ett öppet dataset med parade ljud–MIDI-inspelningar av norsk hardingfela, framtaget vid Universitetet i Oslo för träning och utvärdering av modeller för ljud-till-MIDI-transkription. Det utvidgar det ursprungliga HF1-datasetet till 119 ljud–MIDI-par över 39 unika låtar (90 325 annoterade noter, ~970 MB) och introducerar emotionella varianter – varje låt framförd i fem tolkningar (original, arg, glad, sorgsen, öm) – tillsammans med CSV-grundsanning med högprecis tonhöjdsdata. Ett forskningsdataset för forskningsfältet musikinformationsåtervinning.
Visa på GitHubSenaste publikationer
Se vår forskningsmodell i praktiken
Livetranskription av hardingfelemusik hos MishMash Centre for AI and Creativity i Oslo · 08.04
I pressen
Shifter · Norska teknologinyheter