FenixEdu™

Dissertação

{en_GB=MuSyFi - Music Synthesis from Images} {} EVALUATED

Detalhes: {pt=Com esta tese, pretendemos criar um programa que tentasse modelar este processo criativo no âmbito de Criatividade Computacional. Para esse efeito, usámos imagens como sendo a nossa fonte de inspiração e implementámos uma possível tradução entre características visuais e musicais, procurando que os produtos finais pudessem ser considerados criativos. À saída do nosso programa estão três artefactos musicais diferentes: uma versão automática, na qual a nossa tradução é aplicada diretamente; uma versão co-criada, na qual são introduzidas linhas harmónicas compostas por nós; uma versão genética, fruto de ter sido aplicado um algoritmo genético com uma população inicial que mistura artefactos musicais dos dois tipos anteriores. As três versões foram avaliadas para seis imagens diferentes através de inquéritos. Foi avaliado se as pessoas consideravam os nossos artefactos musicais música, se achavam que os artefactos musicais tinham qualidade, se consideravam os artefactos 'novel', se gostaram dos artefactos, e por último se conseguiam relacionar os artefactos com as imagens nas quais foram inspirados. A partir de 300 respostas aos nossos inquéritos, podemos afirmar que as pessoas consideraram os nossos artefactos musicais como tendo qualidade e como sendo 'novel', para além de que regra geral também consideraram a versão genética como sendo a melhor, justificando assim a implementação do algoritmo genético., en=With this work, we aim at creating a program that tries to model this creative process in the field of Computational Creativity. For this purpose, we use images as our source of inspiration and implement a possible translation between visual and musical features. The output of our program is comprised of three different musical artifacts: an automatic version, a co-created version, and a genetic version. The automatic version is built by extracting features from the image and mapping them into musical features, the co-created version is built by adding harmony lines manually composed by us to the automatic version, and finally the genetic version is built by applying a genetic algorithm to a mixed population of automatic and co-created versions. The three versions were evaluated for six different images by conducting surveys. It was evaluated whether people considered our musical artifacts music, if they thought the artifacts had quality, if they considered the artifacts 'novel', if they liked the artifacts, and lastly if they were able to relate the artifacts with the image in which they were inspired. From 300 respondents we can see that people considered that our musical artifacts were novel, and that they had quality, while also generally thinking that the genetic version was the best, justifying the genetic algorithm's implementation. }
Keywords: {pt=Criatividade Computacional, Inspiração, Tradução de Características, Algoritmo Genético, Geração Musical, en=Computational Creativity, Inspiration, Feature Translation, Genetic Algorithm, Music Generation}

Discussão: setembro 25, 2020, 15:30