Thèse Analyse Multi-Échelle de Structure Musicale pour la Recomposition et la Variation H/F - Doctorat.Gouv.Fr

Établissement : Université de Picardie - Jules Verne École doctorale : Sciences, Technologie, Santé Laboratoire de recherche : MIS - Unité de recherche Modélisation, Information et Systèmes Direction de la thèse : Florence LEVE ORCID 0000000265715096 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-09-04T23:59:59 Les données musicales représentent une quantité considérable d'informations de natures diverses. Toutefois, malgré les résultats impressionnants des modèles génératifs récents, les propriétés structurelles de la musique restent sous-exploitées. Cela est dû à l'absence de paradigme générique capable de rendre compte des relations de similarité entre éléments, séquences temporelles et sections d'une ou plusieurs oeuvres à différents niveaux de représentation et à travers diverses dimensions musicales (objets sonores, mélodie, harmonie, texture, etc.). Les outils actuels ne parviennent pas à restituer cette structure multi-échelle des données musicales ; ils ne permettent notamment pas un contrôle réel sur les paramètres de la musique composée (ou générée). L'objectif du projet ANR MUSISCALE est de développer des méthodes et des outils logiciels capables de prendre en compte les relations entre éléments similaires à différentes échelles, avec une finesse suffisante pour permettre la recomposition d'un objet musical complet à partir de ces éléments ou la création de variations.S'inspirant de travaux fondateurs en analyse musicale tels que ceux de Lerdahl et Jackendoff (1977) ou de Schenker (1935), de nombreuses recherches informatiques ont proposé, au cours des dernières décennies, des modèles pour calculer la structure hiérarchique de la musique (par exemple, Hamanaka et al., 2006 ; Marsden, 2010 ; Smaill et al., 1993). Les travaux les plus récents s'appuient sur des modèles d'apprentissage automatique entraînés sur des jeux de données annotés - tels que Salami (Smith et al., 2011) ou RWC (Goto et al., 2002), comme dans l'étude de Buisson et al. (2022). Ces modèles visent à représenter l'organisation temporelle de motifs mélodiques ou rythmiques, ainsi que des dimensions harmoniques (accords) ou de timbre ; toutefois, ils proposent des réductions qui ne permettent pas la reconstruction de la partition. Dans le cadre de ce projet, nous cherchons à explorer la structure musicale selon plusieurs dimensions et à déterminer comment ces analyses stratifiées peuvent être stockées et représentées au sein d'une structure de données informative et manipulable, afin de permettre la reconstruction de la partition complète.Dans le cadre de cette thèse, le doctorant sera chargé d'étudier les similarités entre objets musicaux, de modéliser des algorithmes d'analyse musicale multi-échelle et de proposer des transformations à des fins de création. Cela inclura la reconnaissance de motifs et de mesures similaires, la définition de similarité pour les objets audio et symboliques, ainsi que la prise en compte des distances et des processus de transformation à différentes échelles (objets sonores, motifs, mesures...) et selon diverses dimensions musicales (non limitées aux hauteurs ou aux notes, mais incluant également des paramètres rythmiques, dynamiques ou liés au timbre et à la texture).En s'appuyant notamment sur un jeu de données constitué dans le cadre du projet MusiScale, l'un des objectifs sera de prendre en compte les structures présentes tant au niveau élémentaire (objets sonores) qu'aux niveaux supérieurs (notes, sections, motifs, phrases/leitmotivs, pistes...).Nous envisagerons à la fois des approches descendantes (du signal audio brut global vers les niveaux structurels) et ascendantes (des événements audio ou symboliques atomiques vers les niveaux structurels supérieurs). Afin de proposer les solutions les plus robustes, nous favoriserons la comparaison entre des méthodes d'apprentissage automatique (issues de la littérature ou de nouveaux modèles) et des méthodes plus traditionnelles systématiques permettant d'identifier les processus de transformation entre les objets. Musical data represent a considerable amount of information of different nature. However, despite the impressive results of recent generative models, the structural properties of music are underutilized, due to the lack of a generic paradigm that can account for the similarity relationships between elements, temporal sequences, sections of one or several pieces at various levels of representation, across different musical dimensions (melody, harmony, texture, timbre, etc.). Current tools fail to render this multiscale structure in musical data, in particular they don't allow a real control on the parameters of the music that is composed (or generated). The goal of the ANR Project MUSISCALE is to develop methods and software tools that can account for the relationships between similar elements at different scales, finely enough to be able to recompose a complete musical object from these elements, or to create variations of it.

(fr)Master en Informatique ou Musique informatique avec un fort intérêt pour la musique.Très bonnes connaissances en Informatique musicale et/ou apprentissage automatique et/ou théorie de la musique fortement recommandées.La pratique musicale est un plus.