Projecte de recerca elaborat a partir d’una estada a la National University of Singapore Singapur, entre juliol i octubre del 2007. Donada l'explosió de la música a l'internet i la ràpida expansió de les col•leccions de música digital, un repte clau en l'àrea de la informació musical és el desenvolupament de sistemes de processament musical eficients i confiables. L'objectiu de la investigació proposada ha estat treballar en diferents aspectes de l'extracció, modelatge i processat del contingut musical. En particular, s’ha treballat en l'extracció, l'anàlisi i la manipulació de descriptors d'àudio de baix nivell, el modelatge de processos musicals, l'estudi i desenvolupament de tècniques d'aprenentatge automàtic per a processar àudio, i la identificació i extracció d'atributs musicals d'alt nivell. S’han revisat i millorat alguns components d'anàlisis d'àudio i revisat components per a l'extracció de descriptors inter-nota i intra-nota en enregistraments monofónics d'àudio. S’ha aplicat treball previ en Tempo a la formalització de diferents tasques musicals. Finalment, s’ha investigat el processat d'alt nivell de música basandonos en el seu contingut. Com exemple d'això, s’ha investigat com músics professionals expressen i comuniquen la seva interpretació del contingut musical i emocional de peces musicals, i hem usat aquesta informació per a identificar automàticament intèrprets. S’han estudiat les desviacions en paràmetres com to, temps, amplitud i timbre a nivell inter-nota i intra-nota.

Report for the scientific sojourn at the National University of Singapore, Singapore, from july until october 2007.A key challenge in the area of music information, given the explosion of online music and the rapidly expanding digital music collections, is the development of efficient and reliable music processing systems. The objective of the proposed research has been to work on different aspects of the extraction, modelling and processing of musical content. In particular, we worked on the extraction, analysis and manipulation of low-level audio descriptors, the modeling of musical processes, the study and development of machine learning techniques for processing audio, and the identification and computation of high-level semantic musical attributes. It has been revised and improved some audio analysis components and refined components for the extraction of both inter-note and intra-note descriptors in monophonic music audio recordings. It has been applied previous work on Tempo to the formalization of different musical tasks, e.g. musical processes. Finally, it has been investigated high-level content-based music processing in the context of monophonic audio recordings. As an instance of this last point, it has been investigated how skilled musicians express and communicate their view of the musical and emotional content of musical pieces and how to use this information in order to automatically identify performers. It has been studied deviations of parameters such as pitch, timing, amplitude and timbre both at an inter-note level and at an intra-note level.