Audio Lab · v0.13

Analyse audio

Déposez un fichier audio. Tout s’analyse localement, le fichier ne quitte jamais votre appareil.

Glissez un fichier ici

ou

WAV · FLAC · MP3 · AAC · OGG · Opus · M4A

Timeline · Multi-couches

Forme d'onde & rythme

Forme d'onde, énergie LUFS short-term, grille de beats et marqueurs d'attaques — toutes superposées sur le même axe temporel pour lire la structure rythmique du morceau.

Sections (A/B/C…)
Forme d'onde
Énergie (LUFS short-term)
Novelty (changements)
Beats
Onsets (densité)

Les sections (A, B, C…) sont des bandes verticales colorées en arrière-plan, regroupées par similarité acoustique (timbre et harmonie). La courbe novelty (sépia, en bas) mesure combien le morceau « change » à chaque instant — ses pics délimitent les sections. La forme d'onde donne l'enveloppe d'amplitude. La courbe d'énergie (teal) suit le LUFS short-term, lissé sur ~3 secondes. Les beats sont les pulsations détectées. Les onsets (bande supérieure) sont affichés en carte de densité.

La segmentation automatique privilégie la prudence : seuls les changements structurels nets sont retenus. Conséquence : sur un morceau très continu (ambient, rap densely produced, électro évolutive), il est normal de ne voir qu'une seule section — c'est qu'à l'oreille aussi, le morceau n'a pas de découpage structurel net. La courbe novelty, en bas, reste lisible dans tous les cas et révèle les évolutions continues que la segmentation ne capture pas.

Benchmark · MIT vs AGPL

Comparaison Meyda ↔ Essentia

Mêmes frames, mêmes features, deux librairies. On regarde si Meyda (MIT, permissif) donne les mêmes ordres de grandeur qu'Essentia (AGPL) — pour savoir si une migration est viable.

Frames analysées— Frames ignorées—

Feature	Essentia	Meyda	Écart
RMSénergie moyenne (signal brut, sans fenêtrage)	—	—	—
Centroïde spectralHz, centre de masse du spectre (Essentia.Centroid, comparable)	—	—	—
Platitude spectrale0…1, indicateur tonal vs bruité	—	—	—
Zero-crossing ratepassages par zéro, par frame	—	—	—
MFCC c1…c12coefs perceptuels, hors énergie globale	—	—	—
MFCC c0coefficient d'énergie globale (DC)	—	—	—

L'écart est calculé en pourcentage relatif sur les valeurs scalaires (RMS, centroïde). Pour les MFCC (vecteur 13D), on utilise la corrélation de Pearson (1.0 = identique en forme) et la distance euclidienne entre les deux vecteurs.

Validation · Sortie d'AGPL · Vague 2a

Comparaison Loudness Maison ↔ Essentia

Notre implémentation maison du standard BS.1770-4 / EBU R128 (K-weighting, gating absolu et relatif, LRA par percentiles, true peak polyphase 4×) confrontée à Essentia.LoudnessEBUR128. Les deux suivent la même spec — l'écart devrait être < 0.1 LUFS.

Mesure	Essentia	Maison	Écart
Loudness intégréLUFS, BS.1770-4 gated absolu+relatif	—	—	—
Loudness Range (LRA)LU, P95 − P10 sur short-term gated	—	—	—
True PeakdBTP, polyphase 4× / 12 taps (TPDetector Essentia inutilisable)	—	—	—
Sample PeakdBFS, max(\|x\|) — identique par construction	—	—	—
Échantillons short-termnombre de valeurs LUFS dans la courbe 3 s / 100 ms	—	—	—

Si les écarts sur Intégré et LRA sont < 0.1 dB (« négligeable »), la migration peut se faire sans aucune perte de qualité — le standard BS.1770-4 est strict et reproductible. True Peak et Sample Peak sont déjà maison dans le code de prod (pas de comparaison Essentia possible : TruePeakDetector est cassé dans ce build).

Validation · Sortie d'AGPL · Vague 2b

Comparaison Chroma (HPCP) Maison ↔ Essentia

Notre HPCP maison reproduit le pipeline Essentia (détection de pics spectraux avec interpolation parabolique, projection sur 12 classes via squaredCosine + harmoniques 1..8). Comparé à essentia.HPCP sur le même fichier.

Mesure	Essentia	Maison	Écart
Note dominanteclasse avec le poids le plus élevé dans le profil HPCP	—	—	—
Corrélation Pearsonsur les 12 dimensions, 1.0 = profils identiques	—	—	—
Écart RMSmoyenne quadratique des \|home − essentia\| sur 12d, après normalisation au max	—	—	—
Écart maximumplus grosse différence absolue parmi les 12 classes	—	—	—

Une corrélation > 0.9 et la même note dominante valident la migration. Sur des signaux complexes (jazz, modulation), de petits écarts sur les dimensions secondaires sont attendus — c'est le caractère « approximation » de tout HPCP, pas un bug d'implémentation.

Validation · Sortie d'AGPL · Vague 2c

Comparaison Tonalité Maison ↔ Essentia

Notre estimation maison applique les profils Krumhansl-Kessler (1982) au HPCP maison de la vague 2b, via une corrélation Pearson aux 24 profils tonaux. Essentia.KeyExtractor utilise par défaut le profil bgate (Faraldo 2017), optimisé pour la musique électronique. Les désaccords les plus fréquents portent sur les tonalités relatives (C major ↔ A minor).

Mesure	Essentia	Maison	Écart
Tonalité estiméenote + mode (majeur/mineur)	—	—	—
Force de l'estimationEssentia : score interne 0–1 ; Maison : corrélation Pearson au profil gagnant	—	—	—

Un accord exact (même note + même mode) est l'idéal. Un désaccord en « relative » (par ex. Essentia dit C major, Maison dit A minor) n'est pas un échec — c'est une ambiguïté musicale connue ; le mode est annoté dans le verdict d'écart. Force < 0.5 des deux côtés = signal sans tonalité claire (bruité, atonal, percussif).

Validation · Sortie d'AGPL · Vague 2d

Comparaison Onsets (SuperFlux) Maison ↔ Essentia

Notre SuperFlux maison suit le papier Böck & Widmer 2013 (log-magnitude spectrum, flux max-filtré sur ±3 bins, peak picking adaptatif). Comparé à essentia.SuperFluxExtractor avec les mêmes paramètres. Méthode d'évaluation MIR standard : F1-score avec tolérance de ±50 ms par onset matché.

Mesure	Essentia	Maison	Écart
Nombre d'onsetsdétectés sur tout le morceau	—	—	—
Débit d'onsetsonsets par seconde (= count / durée)	—	—	—
F1-score temporelharmonique de précision et rappel, tolérance ±50 ms	—	—	—
Précision / RappelP = TP / total maison ; R = TP / total essentia	—	—	—
Décalage moyenms, sur les onsets matchés ; positif = maison en retard sur Essentia	—	—	—

F1 > 0.8 valide la migration. La détection d'onsets est par nature plus floue que le loudness ou le chroma : deux implémentations « correctes » peuvent légitimement différer de 5-15 % sur le nombre détecté selon les paramètres de seuil. Le F1 mesure exactement ce qui compte : on retrouve les mêmes événements aux mêmes endroits.