Oft werden einer Marke bestimmte Attribute zugeschrieben. Doch können sie auch musikalisch ausgedrückt werden? Ein Forschungsverband beschäftigt sich nun mit der Frage. Am Ende soll es eine Software geben, mit der Hersteller die perfekt zugeschnittene Musik für ihr Produkt abrufen können.

Geschmäcker sind verschieden…

Die Wahl der Musik steht und fällt bisher im Wesentlichen mit dem Geschmack der beteiligten Personen. Ein Team im Bereich Audiokommunikation an der TU Berlin setzt sich nun mit dem Thema auseinander, ob man Musik nicht auch losgelöst vom Geschmack bestimmten Attributen zuordnen kann. Die Technik soll es möglich machen.

Im Radio existiert die Methode „music information retrieval“ schon länger: die Software kann zwei ähnlich-klingende Lieder finden, die sich dann besser ineinander blenden lassen. Werden neue Songs in die Musikdatenbank eines Senders aufgenommen, werden diese heutzutage von Algorithmen klassifiziert, die feststellen, ob es sich um Techno, Soul oder Heavy Metal handelt. Dieses Gebiet zwischen Musikforschung und Informatik beschreibt die Gewinnung von Musikinformationen.

So etwas ähnliches kennen wir im privaten Bereich schon von unseren Online-Audio-Streamingdiensten: Spotify erstellt eine „Mix der Woche“-Paylist, die auf den bisher gesuchten und abgespielten Titeln basiert. Der „Spotify Jahresrückblick“ geht nach dem gleichen Prinzip vor und verrät sogar, welches Genre der User in dem Jahr am meisten gehört hat. Selbst Musikjournalisten, die ihren Musikgeschmack als sehr differenziert einschätzten, wurden von der Treffsicherheit dieser, von künstlicher Intelligenz erstellten, Playlists überrascht. Die „Genius“-Funktion bei Apple arbeitet mit ähnlichen Informationen wie Spotify.

Um Gemeinsamkeiten zwischen Genres, Künstlern und Titeln zu ermitteln werden sogar die Playlist-Namen, Musik-Blogartikel und Künstlerbeschreibungen sprachlich analysiert, was sich „Natural Language Processing“ nennt. Aus der Tonspur selbst können ebenfalls Informationen wie Taktraten, Frequenzen und Tonhöhen gewonnen werden, die die Basis unterschiedlicher Songs sein können. Diese Funktion wird auch als „Deep Learning“ bezeichnet. Der Algorithmus setzt sich also nicht nur aus dem eigenen Nutzerverhalten, sondern auch dem Verhalten und den Vorlieben aller Nutzer sowie der Analyse von musikalischen und sprachlichen Inhalten zusammen. Man könnte dies auch mit der „Empfehlunsfunktion“ von Amazon vergleichen: „Kunden, die X gekauft haben, kauften auch Y“.

In den Vereinigten Staaten wird mittlerweie an Softwarelösungen getüftelt, die die passende Musik für Instore Radios in den Geschäften finden soll. Bisher gibt es zwei Anbieter, die aber nur Radiosender im Portfolio haben. Wirklich neu wäre dagegen ein Konzept, das eine personalisierte und automasierte Musikauswahl erstellt. Doch stellt dieser Schritt nicht die totale Verwertbarkeit der Musik dar?

Der Klang von Brüderlichkeit

Ein Beispiel: Ein Modeunternehmen hat als Markenattribut für Hosen und Anzüge  den Begriff „Brüderlichkeit“ gefunden. Wie kann man nun herausfinden, wie Brüderlichkeit klingt? Die Forscher haben in einem groß angelegten Online-Versuch Musikstücke zum Thema gesucht. Daraus wurde dann ein statisches Modell, also ein Algorithmus geschaffen.

Letztlich entsteht daraus ein Musik-Archiv, das nach verschiedensten Begriffen durchsucht werden kann – so der Plan. Ob’s am Ende funktioniert, wird die Zeit zeigen.