1  Écouter

La première question a été : quelle interface ? Pourquoi un tel choix ? Comment faire ? etc. L’interface est divisée en 4 parties : un panneau de gauche, un panneau central, un panneau de droite et une barre de lecture. Le panneau de gauche permet de sélectionner un mode spécifique, et notamment, le plus important : écouter de la musique !

Ce mode “Écouter” donne un accès direct à la bibliothèque, par Albums ou par Artistes, avec pour seule idée directrice la simplicité de navigation.

L’affichage par Album sert à redécouvrir sa collection : tri alphabétique, par année de sortie ou aléatoire. Un ou deux clics sur « aléatoire » suffisent à faire remonter des albums qui attirent l’œil, par la pochette ou l’artiste. L’affichage par Artiste regroupe les albums par artiste ; il est plus compact.

1.1 Panneau de droite

Il affiche les informations du morceau en cours : album, artiste, durée, genre, tonalité, tempo. S’y ajoutent les critiques (CritiqueBrainz), quand elles existent, et les voisins soniques, fondés sur la similarité des empreintes sonores (voir Explorer).

Il peut aussi afficher la file de lecture (playlist).

1.2 Univers de l’artiste

Un clic sur le nom de l’artiste ou de l’album ouvre l’univers de l’artiste dans le panneau central : ses albums, sa biographie (TheAudioDB) et des artistes similaires. On peut en tirer une playlist, soit de l’artiste seul, soit en mode Radio.

1.3 Barre de lecture

Le panneau du bas gère la lecture, affiche le spectrogramme du morceau en cours, règle le volume et donne quelques informations sur le fichier (qualité, tempo, tonalité).

1.3.1 Bouton N : normaliser le volume

Le bouton N ramène chaque morceau à un même volume perçu (−18 LUFS), ce qui est utile dans une grande bibliothèque variée : le niveau reste constant d’un morceau ou d’un album à l’autre.

Normalisation. L’intensité perçue est mesurée une fois pour toutes (norme EBU R128, en LUFS), puis un gain est appliqué à la lecture. La mesure suit l’algorithme standardisé de l’UIT, qui pondère le spectre selon la sensibilité de l’oreille et relève aussi le pic vrai du signal (International Telecommunication Union, n.d.; European Broadcasting Union 2020). La cible de −18 LUFS est un choix propre à l’application (la recommandation EBU R128 vise −23 LUFS pour la télévision), et le gain est plafonné pour que le pic vrai ne dépasse jamais 0 dBFS.

1.3.2 Essais abandonnés (mais disponibles) : E et HD

Les boutons E et HD cherchaient à améliorer la qualité sonore de fichiers compressés (un MP3 128 kb/s, par exemple). Ils ont été réalisés, mais le résultat n’a pas été concluant.

Bouton E : excitation psychoacoustique. C’est le principe de l’« exciteur » d’Aphex : à partir de la bande conservée, on engendre des harmoniques d’ordre 2 et 3 que l’on ajoute juste sous et au-dessus de la fréquence de coupure, là où l’oreille perçoit la présence et l’« air » (Larsen and Aarts 2004). La fréquence de coupure est estimée sur le morceau lui-même ; un FLAC ou un MP3 320 kb/s ressort strictement intact. Le traitement se fait par transformée de Fourier à court terme, en mémoire, à l’ouverture du morceau, avec une intensité réglable. L’idée est voisine de la réplication de bande spectrale de certains codecs (HE-AAC), qui recopie le bas du spectre vers le haut pour économiser du débit (Dietz et al. 2002).

Bouton HD : super-résolution neuronale. Ici, un réseau de neurones reconstruit un haut du spectre structuré, et non plus seulement dérivé du bas. Le modèle retenu était AERO¹, un réseau en U (encodeur-décodeur) qui travaille sur le spectrogramme complexe et a été entraîné de façon adversaire pour prédire toute la bande de fréquences (Mandel et al. 2023). Il s’exécute via ONNX Runtime, environ sept fois plus vite que le temps réel sur processeur : c’est un rendu de fond d’une trentaine de secondes par morceau, stocké dans un cache, et non un traitement à la volée. Pour ne jamais ternir l’original, la version HD ne fait qu’ajouter du contenu au-dessus de la coupure estimée.

¹ Une variante plus rapide, AEROMamba, remplace l’attention et le LSTM par un modèle d’espace d’états (Mamba) : environ 14 fois plus rapide en inférence (Abreu and Biscainho 2024). Elle n’a pas été retenue car l’exécution de ces opérateurs dans ONNX Runtime n’est pas garantie. Point de licence : les poids « musique » d’AERO et d’AEROMamba sont entraînés sur MUSDB18-HQ (Rafii et al. 2019), à usage non commercial. Une publication du logiciel imposerait donc de les livrer à part ou de ré-entraîner le modèle sur un corpus libre.

Abreu, Wallace, and Luiz Wagner Pereira Biscainho. 2024. AEROMamba: An Efficient Architecture for Audio Super-Resolution Using Generative Adversarial Networks and State Space Models. https://doi.org/10.48550/arXiv.2411.07364.

Dietz, Martin, Lars Liljeryd, Kristofer Kjörling, and Oliver Kunz. 2002. “Spectral Band Replication, a Novel Approach in Audio Coding.” 112th Convention of the Audio Engineering Society (Munich).

European Broadcasting Union. 2020. EBU R 128: Loudness Normalisation and Permitted Maximum Level of Audio Signals. EBU. https://tech.ebu.ch/docs/r/r128.pdf.

International Telecommunication Union. n.d. Recommendation ITU-R BS.1770: Algorithms to Measure Audio Programme Loudness and True-Peak Audio Level. ITU-R.

Larsen, Erik, and Ronald M. Aarts. 2004. Audio Bandwidth Extension: Application of Psychoacoustics, Signal Processing and Loudspeaker Design. Wiley.

Mandel, Moshe, Or Tal, and Yossi Adi. 2023. AERO: Audio Super Resolution in the Spectral Domain. https://doi.org/10.48550/arXiv.2211.12232.

Rafii, Zafar, Antoine Liutkus, Fabian-Robert Stöter, Stylianos Ioannis Mimilakis, and Rachel Bittner. 2019. MUSDB18-HQ: An Uncompressed Version of MUSDB18. Zenodo. https://doi.org/10.5281/zenodo.3338373.