Möt innovatörerna
Decennier av forskningsexpertis inom AI, musikvetenskap och signalbehandling.
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).
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.
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.
Innovation & forskning
Hybrid AI-system
Kombinerar transformers med musikteoriregler för oöverträffad noggrannhet
Etisk träning
100 % public domain och licensierade inspelningar – inga upphovsrättsproblem
Integritet först
Dina inspelningar används aldrig för träning – fullständig dataisolering
Stöds av Norges forskningsråd och Universitetet i Oslo
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