Danil Sidorov
RU EN DE
Telegram

KI-DJ

Ein privater Dienst mit einem neuronalen Netz, das Lichtshows nachbildet

Машинное обучение / Аудио

Interaktiver Live-Demostand

Exakte Kopie der Projektoberfläche und Geschäftslogik mit Demodaten. Alle Aktionen laufen in Echtzeit.

Более 5 площадок повторяют световые шоу

StackPython, Django, PyTorch, Librosa, WebSockets, Channels, Mido

Sicherer Perimeter (NDA): Produktionslogik mit Testdaten

Was im Demostand getestet werden kann:
  1. Запустите аудиотрек и отследите спектрограмму частот в реальном времени
  2. Посмотрите предсказания PyTorch-нейросети для ключевых моментов трека
  3. Проверьте отправку сгенерированных MIDI-команд в световую консоль
http://localhost:8000/
Live Stand
dj_resident

Анализ в реальном времени

Ожидание запуска
Модель: AudioToMidi-v2.4 (BiGRU)
Источник: Virtual Audio Cable (Line 1)
MIDI-порт: LoopBe Internal MIDI
Play
Начать анализ
Используйте эту кнопку для начала стриминга аудио-потока в реальном времени
128 BPM • F1: 0.84
Спектрограмма звука и световая сцена (PyTorch Inference)
Нота: —
Mel: 0 Hz Mel: 4000 Hz Mel: 8000 Hz (fmax)

Журнал событий (WebSocket Stream)

0 событий
Время Обнаруженная нота Точность % MIDI-команда в DJ-софт
Нажмите «Начать анализ», чтобы запустить поток инференса и светомузыку

Schlüsselfertige Umsetzung

Benötigen Sie ein ähnliches System für Ihre Geschäftsprozesse?

Ich entwickle die Architektur, ein ausfallsicheres Backend und eine schnelle Oberfläche. Geschützt durch NDA, sauberer übertragbarer Code und transparente Meilensteine.

  1. Kostenlose Zeit- und Budgeteinschätzung innerhalb eines Tages
  2. Vertrag und Rechnung
  3. Garantie und Support nach dem Launch

An Werktagen meist innerhalb von zwei Stunden

Ich antworte persönlich, ohne aufdringliche Verkaufsgespräche

Aufgabe

Der Kunde musste Effekte während des Auftritts von Hand auslösen. Das lenkte von der kreativen Arbeit ab, erhöhte das Fehlerrisiko in Echtzeit und machte es schwer, sich auf die Show zu konzentrieren.

Lösung

Ich habe ein neuronales Netz in PyTorch entwickelt, das die passenden Befehle in Echtzeit vorhersagt. Das Netz hört den Track und erkennt, wann welcher Effekt passt, genauso gut wie der erfahrene DJ, mit dessen Daten es trainiert wurde.

Umgesetzte Aufgaben

  • Eine ML-Pipeline in PyTorch von der Datensammlung bis zur Inferenz in Echtzeit entworfen
  • Ein neuronales Netz trainiert, das den passenden Effekt vorhersagt (F1 über 0,8)
  • Die Verarbeitung des Tracks im Stream mit Vorhersagen während der Wiedergabe umgesetzt
  • Das Modell in die DJ-Software eingebunden und das manuelle Auslösen abgeschafft

Ergebnis

Das neuronale Netz steuert die Show jetzt halbautomatisch. Der DJ behält die Kontrolle und kümmert sich um Musik und Publikum, das routinemäßige Drücken von Knöpfen entfällt.

Technologien

PythonPyTorchDjango

Erzählen Sie von Ihrer Aufgabe

Telegram