Valence
Roon은 데이터, 식별 및 머신 러닝을 사용하여 음악에 대한 풍부한 컨텍스트를 제공하고 청취자가 음악에 더 깊이 몰입할 수 있도록 지원함으로써 음악에 가치를 더합니다. Valence는 이를 가능하게 하는 기술 스택입니다.
기여하기

물리적 미디어에서 디지털 미디어로의 전환은 음악 경험을 더욱 풍성하게 만들 수 있는 큰 가능성을 가지고 있지만, 지금까지 그 약속은 대부분 실현되지 않았습니다. 그 이유는 음악 팬이 되는 데에는 오디오를 듣는 것 이상의 의미가 있기 때문이라고 생각합니다. 팬들은 음악에 대해 알고 싶어 하고, 음악을 만드는 사람들에 대해 이해하고 싶어 하며, 자신의 삶의 경험을 풍요롭게 하는 지적, 정서적 관계를 형성하기를 원합니다.

바이닐이나 CD와 같은 물리적 형식에는 풍부한 정보가 담긴 라이너 노트가 있었지만 다운로드와 스트리밍으로 인해 이러한 정보가 사라졌습니다. 우리의 목표는 모든 데이터를 복원하는 것부터 시작하여 새로운 기술을 활용하여 물리적 미디어에서 가능했던 것보다 더 많은 것을 성취하는 것이었습니다.

Valence를 사용하면 여러 단계로 이를 수행할 수 있습니다. 먼저 상업용 메타데이터, 크라우드소싱 기고, 전문가 청취자의 청취 기록 등 다양한 데이터 소스를 집계합니다. 그런 다음 하드 드라이브의 파일, 음악 서비스의 스트림, 앨범 관련 기사에서 프로듀서에 대한 언급 등 시스템에서 접하는 모든 데이터 개체를 식별합니다. 이러한 빌딩 블록을 사용하여 Valence는 아티스트, 앨범, 트랙뿐만 아니라 작곡가, 작품, 공연, 지휘자, 앙상블, 솔리스트, 레이블, 공동 작업자에 대한 데이터베이스도 구축합니다. 이 데이터베이스를 통해 음악 개체 간의 관계, 인기도, 유사성, 음악이 자연스럽게 속하는 범주에 대한 이해를 구축할 수 있습니다. 그 결과 권위 있는 메타데이터, 전문가 의견, 인기도, 문맥 인식, 개별 사용자의 취향 프로필을 일관되게 고려하는 추천 방법론이 탄생했습니다.

집계

음악 메타데이터의 출처는 다양합니다. 어떤 데이터 소스는 폭이 넓고(많은 음원을 커버), 어떤 데이터 소스는 깊이가 깊지만(상세하고 구체적인 데이터), 단일 데이터 소스에 모든 것이 있는 것은 아닙니다. 수많은 전문 소스에는 단 하나의 데이터 유형(예: 콘서트 또는 가사)만 있습니다.

Valence의 기반인 음악 데이터베이스는 서로 다른 소스의 여러 데이터 집합을 결합하여 만들어집니다. 매일 수 테라바이트의 정보가 수집, 중복 제거, 모호성 제거 과정을 거쳐 음반, 연주자, 작곡가, 작곡에 대한 방대한 자료가 만들어집니다.

라이선스 데이터

트위터에서는 Xperi(이전의 All Music Guide), Songkick, LyricFind 등 여러 상용 데이터 제공업체로부터 데이터 피드를 구매합니다. 라이선스가 부여된 데이터는 일반적으로 매우 포괄적이지만, 그 범위가 제한적인 경우가 많습니다.

크라우드소싱 데이터

MusicBrainz나 Discogs와 같은 일부 제공업체는 사용자들의 데이터 기여에 의존합니다. 크라우드소싱 모델의 주요 장점은 상업적인 출처에서 얻을 수 없는 데이터에 대한 액세스를 제공한다는 것입니다. 특정 데이터를 수집하거나 생성할 경제적인 이유가 없을 수도 있기 때문에 이를 수행하는 것은 애호가들의 몫이며, 이들은 종종 뛰어난 작업을 수행합니다.

청취 기록

Roon 사용자들은 좋아하는 음악을 듣는 것만으로도 자신의 지식을 기여합니다. 의견을 많이 내는 청취자이기 때문에 매일 자신이 좋아하는 장르와 스타일의 깊이를 파고들며, 이러한 연결이 Valence의 모델과 지도의 기초를 형성합니다.

커뮤니티 기여

Valence는 깨끗한 데이터에 관한 한 비밀병기가 있습니다: 바로 Roon 커뮤니티의 전문성입니다. 음악 전문가, 오디오 애호가, 자칭 음악 덕후로 구성된 이 열정적인 그룹은 현지화, 인터넷 라디오 디렉토리를 제공했으며, 이제 Valence에서 사용하는 새로운 데이터를 생성하고 큐레이션하기 시작했습니다.

신원 확인

Valence는 지금까지 만들어진 전체 음악 말뭉치의 지도가 되도록 설계되었기 때문에, 누군가가 들을 수 있는 모든 레코딩을 식별할 수 있어야 합니다. 특정 소스(음반사 포함)에서 제공되는 음악 데이터도 본질적으로 불완전하기 때문에 Valence는 그 어떤 것도 신뢰할 수 없다고 가정합니다.

데이터 식별

Valence가 수집하는 데이터는 권리 보유자(음반사), 상업 데이터 제공자, 비영리 데이터 프로젝트 및 Roon 커뮤니티에서 가져옵니다. Valence의 데이터는 이러한 출처 중 어느 곳에서든 생성될 수 있으며, 추가 데이터 소스에서 정확성에 대한 확증적인 증거가 발견됨에 따라 점점 더 세분화되고 커집니다. 이러한 고유한 집계 방식 덕분에 매일 완전히 수집된 후 Valence의 지수는 세계에서 가장 크고 정확도가 높다고 할 수 있습니다.

파일 식별

Valence는 파일 이름, 디렉토리 구조, 태그 데이터 및 파일 길이를 고려한 접근 방식을 사용하여 신뢰도 높은 앨범 및 트랙 식별을 Roon에 제공합니다.

스트림 식별

대부분의 음악 플레이어는 검색, 탐색, 재생을 위해 API를 사용하여 스트리밍 서비스와 상호 작용하며, 음악 메타데이터의 대부분 또는 전부를 해당 API에 의존합니다. Valence는 실제로 매일 통합 음악 서비스의 전체 카탈로그를 수집한 다음, 각 통합 서비스의 모든 스트림에 어떤 자체 데이터를 적용해야 할지 미리 결정합니다.

더 풍부한 스키마

Valence의 통합 데이터베이스는 깊이 있고 풍부한 데이터로 방대한 범위를 커버하는 성배와도 같습니다.

데이터 기록

일반적으로 '메타데이터'는 앨범의 이름과 앨범에 포함된 트랙을 의미합니다. Valence는 여기서 더 나아가 앨범 및 트랙 수준의 크레딧, 녹음 날짜, 발매 및 재발매 날짜, 레이블, 평점, 리뷰를 캡처하고 앨범의 여러 버전을 구분할 수 있습니다.

전기 데이터

Valence는 녹음 데이터 외에도 연주자, 작곡가, 프로듀서, 지휘자의 주요 통계, 약력, 거주지, 소속된 밴드나 앙상블, 소셜 링크, 예정된 콘서트 날짜 등 다양한 정보를 수집합니다.

컴포지션 데이터

Valence의 데이터 모델에서 녹음(트랙)은 작곡의 인스턴스이며, 이는 특히 한 아티스트가 다른 아티스트의 노래를 커버하거나 (클래식과 재즈뿐만 아니라 록과 팝에서도 종종 그렇듯이) 작곡가와 연주자가 동일인이 아닌 경우 중요한 개념입니다.

모델링 및 합성

Valence는 메타데이터를 기반으로 음악과 음악을 만드는 사람들 간의 관계 모델을 구축합니다. 이러한 모델을 통해 팬 또는 전문 청취자의 관점에서 음악 세계를 이해할 수 있습니다.

세분화된 인기도

Valence는 아티스트, 앨범, 트랙, 작곡 등 모든 수준에서 내부 인기 '차트'를 생성합니다. 또한 장르별로 여러 가지 구체적인 차트와 클래식 음악 전용 시리즈도 생성합니다.

역할 및 관계

음악계에서 사람들이 하는 일은 Valence의 음악 세계 모델에 영향을 미칩니다. 예를 들어, 트렌트 레즈너는 나인 인치 네일즈의 리더로 활동할 때와 아티커스 로스와 영화 스코어 공동 작업을 할 때, 할시를 위해 앨범을 제작할 때 음악과 맺는 관계는 다릅니다.

작곡-녹음 매핑

세 개의 악장으로 구성된 소나타가 있다고 해서 앨범에 해당 구성의 트랙이 세 개 있다는 보장은 없습니다. 기본 작품과 그 세분화를 이해함으로써 Valence는 팝송, 아메리칸 송북 재즈 스탠다드, 여러 부분으로 구성된 클래식 작품의 커버를 정확하게 표현할 수 있습니다.

유사성 모델

Valence의 유사성 모델은 특정 아티스트, 앨범, 트랙이 다른 아티스트, 앨범, 트랙과 얼마나 유사한지 매핑합니다. 이 모델은 사용자 행동(X를 좋아하는 사람은 Y도 좋아함)과 전문가 의견 또는 근거 자료를 모두 기반으로 합니다.

아티스트 "전성기"

예술가나 작곡가의 커리어를 살펴보면, 특히 잘 알려진 소재의 범위가 패턴으로 나타나는 경우가 많습니다. Valence는 이러한 범위를 모델링하여 해당 인물의 경력에서 특히 주목할 만한 시기인 '전성기'라는 개념을 만듭니다.

X-ness

뮤지션은 종종 경력을 쌓는 과정에서 진화합니다. Valence는 테일러 스위프트가 팝 아티스트인지 컨트리 아티스트인지, 밥 딜런을 연주자로 봐야 하는지 작곡가로 봐야 하는지 이해하는 데 도움이 되는 '장르성'과 '작곡가성'에 점수를 매깁니다.

권장 사항

Valence는 음악 추천을 제공할 때 다섯 가지 요소를 고려합니다. 이 요소들을 함께 사용하면 음악에 민감한 사용자 중심의 추천이 가능하며, 그 정확도는 놀라울 정도로 뛰어납니다.

관련성 및 인기도 모델

메타데이터 기반 연결의 경계 내에서 Valence는 모델을 사용하여 보다 미묘하고 의미 있는 추천 세트를 구체화하고 생성합니다.

컨텍스트 인식

추천이 이루어지는 맥락은 추천의 정확도에 근본적인 영향을 미칠 수 있습니다. 아레사 프랭클린을 검색할 때와 프랭크 오션을 검색할 때 추천하는 R&B 앨범 목록은 완전히 다르며, 쇼팽을 검색할 때 추천하는 유명 피아니스트 목록과 포스트 밥 재즈를 검색할 때 추천하는 유명 피아니스트 목록은 공통점이 전혀 없습니다.

취향 프로필

Valence는 각 사용자의 프로필에 저장된 개인 모델을 생성하여 라이브러리와 청취 기록을 기반으로 사용자 취향의 측면을 문서화합니다. 추천은 이 취향 프로필을 고려하여 가중치를 부여합니다.

권위 있는 메타데이터

예를 들어, 두 뮤지션이 공동 작업을 했다는 사실은 두 뮤지션 사이의 연관성에 대한 가장 좋은 증거입니다. 장르 분류 및 앨범 평점과 같은 편집 정보는 추천을 평가할 수 있는 또 다른 차원을 제공합니다.

전문가 의견

기본 데이터 과학에 대한 기술적 접근 방식과 관계없이 음악에 대한 도메인 지식은 Valence의 중추입니다.&60년대 음악과 현대 음악의 차이점, 테일러 스위프트가 컨트리에서 시작하여 팝 차트를 지배하게 되었다는 사실, 베토벤 교향곡의 악장 사이에 베토벤의 현악 4중주를 듣고 싶지 않을 수도 있다는 사실 등 미묘한 차이점을 파악하는 것이 차별화 요소입니다.

Roon에서 일하는 밸런스
데이터 인식 사용자 인터페이스

Roon에서 가장 눈에 띄는 Valence의 예 중 하나는 상황에 따라 나타나는 사용자 인터페이스 요소입니다. 예를 들어, 자주 협업한 아티스트를 보면 "주요 협업자"가 표시되거나 해당 아티스트가 한 씬의 일부인 경우 "글래스고의 다른 아티스트"가 표시될 수 있습니다. Roon에는 관련 지원 데이터가 있는 컨텍스트에서만 렌더링되는 수백 개의 사용자 인터페이스 요소가 포함되어 있습니다.

인터리브 라이브러리

로컬 콘텐츠와 스트리밍 콘텐츠는 동일한 방식으로 식별되므로 둘 다 메타데이터가 풍부하게 제공되고 Roon에서 인터리빙됩니다. 따라서 콘텐츠 사일로가 제거되고 진정한 의도 중심 탐색이 가능해지며, 콘텐츠의 위치가 아니라 듣고 싶은 콘텐츠에 집중할 수 있습니다.

새 릴리스

새로운 릴리즈는 Roon에서 다양한 컨텍스트에 따라 표시되며, 각 컨텍스트에 따라 결과는 완전히 다릅니다. 홈 화면의 신곡은 취향 프로필을 사용하여 필터링되지만 아티스트 화면의 신곡은 관련성을 높이기 위해 장르와 아티스트의 활동 연도를 추가로 통합합니다.

데일리 믹스

Valence는 매일 각 Roon 사용자를 위해 6개의 고유한 25트랙 믹스를 제작합니다. 각 믹스는 사용자의 청취 기록에서 눈에 띄는 아티스트를 테마로 하며, 친숙한 선곡과 청취자의 취향에 도전할 만한 선곡을 조합합니다.

스팸 필터

다른 대규모 시스템과 마찬가지로 음악 스트리밍 공급망도 악용을 불러일으킵니다. 많은 '악덕 레이블'은 사용자들이 자신의 스트리밍을 듣도록 유도하기 위해 가짜 음원을 출시합니다. Valence는 이러한 저품질 콘텐츠를 걸러내고 정품 음원만 표시할 수 있게 해줍니다.

초점

Roon에서 Focus는 Valence의 기능을 사용자에게 직접 노출하고 아티스트 음반과 전체 사용자 라이브러리를 다차원적으로 필터링할 수 있습니다.

검색

기존에는 로컬 파일 집합을 검색하는 것과 API로 원격 데이터 집합을 검색하는 것은 별개의 문제였습니다. Roon은 통합된 사용자 인터페이스를 통해 Valance의 통합 데이터베이스와 상황 인식 검색을 사용하여 정확도와 관련성을 모두 향상시킴으로써 이 두 가지 작업을 모두 수행합니다.

NUCLEUS ONE & NUCLEUS TITAN
PRE-ORDER NOW
NOW AVALIBLE IN UK