Dieses Forschungsprojekt nutzt intelligentes Matching mit KI zur Identifizierung musikalischer Werke für eine effiziente und rechtssichere digitale Lizenzierung. Im Zeitalter der Digitalisierung reicht die klassische Meldung und Erfassung von Musiknutzungen schon lange nicht mehr aus.

Branche
Verwertungsgesellschaften

Leistungen
Intelligentes Audio Matching
Management von Werkinformationen
Entwicklung Demonstrator

Quick Facts

81 %
Cover-Songs-Erkennung
3
Laufzeit des FuE-Projekts in Jahren
1,66 Mrd. €
Umsatz digitale Musik in DE 2022
80,3 %
Marktanteil digitale Musik in DE 2022

Die Herausforderung

Klassische Meldung und Erfassung von Musiknutzungen können mit den Anforderungen einer rasant fortschreitenden Digitalisierung nicht mehr Stand halten. Deshalb soll in diesem Forschungsprojekt die Komplexität der digitalen Musiknutzung mit intelligentem, KI-gestützem Matching bewältigt werden. Unser Ansatz fokussiert auf die Identifizierung musikalischer Werke in verschiedenen Ausführungen. Durch den Einsatz von KI und Usage-Tracking in einem Smart Contract schaffen wir einen innovativen Prozess, der eine rechtssichere und flexible digitale Lizenzierung ermöglicht. Unsere Forschung zielt darauf ab, die Musikindustrie mit einem effizienten und genauen System für Lizenzierung und Abrechnung zu unterstützen.

Die Lösung

Matching Strategie 1: Fingerprint Matcher
Diese Strategie verwendet eine Fast Fourier Transformation, um Fingerabdrücke von Musikdateien zu erstellen (durchschnittlich 100.000 Fingerprints pro Datei). Diese Methode kann präzise bekannte Musikstücke und auch einzelne Stücke in zusammengesetzten Titeln erkennen. Sie kann jedoch weder den Zusammenhang zwischen Album- und Konzertversionen erkennen, noch Cover-Versionen dem Original zuordnen. Zudem benötigt sie ca. 1 MB Speicher pro Minute Audio.
Matching Strategie 2: CQTNet + Milvus
Diese Strategie nutzt ein Convolutional Neural Network (CNN) zur Klassifikation von Featurevektoren, die mittels Constant-Q Transform (CQT) erstellt wurden. Diese Methode kann präzise bekannte Musikstücke erkennen und sowohl Album- als auch Konzertversionen sowie Cover-Versionen dem Original zuordnen. Sie kann zwar einzelne Stücke in zusammengesetzten Werken nicht erkennen, benötigt aber nur ca. 2,5 KB Speicher pro Musikstück.
Usage Tracking
Das Usage Tracking wurde vom Forschungspartner TUM mittels eines Smart Contract auf Basis einer Hyperledger Blockchain entwickelt.

Verwendete Technologien

Über die Forschungspartner

Die Technische Universität München (kurz TUM) ist mit über 52.500 Studenten die nach Studentenanzahl größte Technische Universität in Deutschland. Ihr Stammsitz ist München. Sie gehört zu den drei ersten Universitäten, die 2006 im Rahmen der Exzellenzinitiative in die Förderlinie „Zukunftskonzept“ aufgenommen wurden. 2012 und 2019 verteidigte sie erfolgreich ihren Titel als Exzellenz-Universität. Sie ist in das Elitenetzwerk Bayern eingebunden und genießt eine hohe akademische Reputation.

Forschungsprogramm

Diese Arbeit wurde gefördert durch das Bayerische Staatsministerium für Wirtschaft, Landesentwicklung und Energie im Rahmen des Bayerischen Verbundförderprogramms (BayVFP) – Förderlinie Digitalisierung – Förderbereich Informations- und Kommunikationstechnik.

Sie haben Fragen? Wir helfen Ihnen gerne weiter!

Sie haben ein Projekt, über das Sie gerne mit uns sprechen würden? Gerne können Sie uns jederzeit kontaktierten. Wir freuen uns sehr darauf, Sie kennenzulernen!

Marc Ponschab
Marc Ponschab Head of Technology Lab / R&D