JEAN MICHEL JARRE - Zoolook - 1984. (ОЦИФРОВКА. 20.08.25. Polydor-POLH 15. UK)

[Дмитрий]

Там где надо вымерить эти паузы. Например между первым и вторым треком это не нужно. ... паузы между треками нужны не всегда между первым и вторым треком (Ethnicolor и Diva на 1 СТОРОНА.wav) пауза не требуется. Это значит, что для первого трека каждой стороны (1 СТОРОНА.wav и 2 СТОРОНА.wav) пауза (INDEX 00) не нужна, а для остальных треков (например, Diva, Wooloomooloo и т.д.) паузы (обычно 1–2 секунды на виниле) могут быть. Проблема с "несовпадением начал треков" и трудоёмкостью ручной разметки остаётся.

CUE для Zoolook с паузами (2 секунды) только для треков 4–7 (Wooloomooloo, Zoolookologie, Blah-Blah-Cafe, Ethnicolor II), без паузы между Ethnicolor и Diva, а также между Zoolook и Wooloomooloo. Тайминги округлены до секунд.

REM GENRE Electronic
REM DATE 1984
REM COMMENT "ОЦИФРОВКА 20.08.25, Polydor-POLH 15, UK"
REM COMPOSER "Denis Vanzetto, Pierre Mourey, Jean-Michel Jarre"
PERFORMER "Jean-Michel Jarre"
TITLE "Zoolook"
FILE "1 СТОРОНА.wav" WAVE
  TRACK 01 AUDIO
    TITLE "Ethnicolor"
    PERFORMER "Jean-Michel Jarre"
    INDEX 01 00:00:00
  TRACK 02 AUDIO
    TITLE "Diva"
    PERFORMER "Jean-Michel Jarre"
    INDEX 01 11:40:00
FILE "2 СТОРОНА.wav" WAVE
  TRACK 03 AUDIO
    TITLE "Zoolook"
    PERFORMER "Jean-Michel Jarre"
    INDEX 01 00:00:00
  TRACK 04 AUDIO
    TITLE "Wooloomooloo"
    PERFORMER "Jean-Michel Jarre"
    INDEX 01 03:42:00
  TRACK 05 AUDIO
    TITLE "Zoolookologie"
    PERFORMER "Jean-Michel Jarre"
    INDEX 00 06:58:00
    INDEX 01 07:00:00
  TRACK 06 AUDIO
    TITLE "Blah-Blah-Cafe"
    PERFORMER "Jean-Michel Jarre"
    INDEX 00 10:49:00
    INDEX 01 10:51:00
  TRACK 07 AUDIO
    TITLE "Ethnicolor II"
    PERFORMER "Jean-Michel Jarre"
    INDEX 00 14:11:00
    INDEX 01 14:13:00

[Дмитрий]

Обучается же модель ИИ через Python, librosa, иначе как ей объяснить...

...обучение модели ИИ для создания CUE-файлов, особенно для автоматического определения таймингов треков и пауз в оцифровках винила (например, для альбома Jean-Michel Jarre - Zoolook (1984) с файлами 1 СТОРОНА.wav и 2 СТОРОНА.wav), логично реализовать через Python с использованием библиотеки librosa для анализа аудио. ИИ для точной разметки пауз и треков, чтобы решить проблему несовпадения таймингов и трудоёмкости ручного процесса.

Данные: Набор оцифровок винила (WAV) с известными таймингами (например, из Discogs или ручной разметки).
Библиотека: librosa для анализа аудио (поиск пауз по уровню громкости).
Метаданные: Парсинг из Discogs API для названий треков, исполнителей, жанра.

Модель: Простая модель на основе правил (анализ тишины) или нейросеть (например, CNN для классификации пауз), если у нас есть обучающий набор данных.

Почему librosa:
librosa.effects.split определяет паузы (тишина ниже порога, например, 30 дБ), что заменяет ручную разметку.

Обучение модели:
Сбор данных: Соберите датасет из WAV-файлов винилов и соответствующих CUE-файлов с точными таймингами (например, из Discogs или ручной разметки в редакторе).

Предобработка:
Загрузите WAV с librosa.load.
Используйте librosa.effects.split для поиска пауз.
Сопоставьте паузы с треками из CUE.

Простая модель (правила):
Если паузы чёткие (тишина 1–2 сек), librosa даёт тайминги напрямую.
Исключите паузы для первых треков сторон (как в вашем случае).

Нейросеть (если нужен сложный анализ):
Используйте CNN (например, с tensorflow или pytorch) для классификации аудиофрагментов на "пауза" и "трек".
Обучите на датасете с метками (паузы/треки).
Пример датасета: WAV-файлы с разметкой пауз (0–2 сек тишины, помеченные как "пауза").

Используется Discogs API для автозаполнения (названия, композиторы).

[Дмитрий]

Сообщение от Дмитрий

Нейросеть (если нужен сложный анализ):

Используется CNN (например, с tensorflow или pytorch) для классификации аудиофрагментов на "пауза" и "трек".

Python-скрипт с CNN

Скрипт обучает CNN на TensorFlow для классификации пауз/треков, анализирует WAV с librosa и генерирует CUE с метаданными из Discogs. Пауза исключена для первых треков сторон.

python

import librosa
import os
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, Dense, Flatten
import discogs_client

# 1. Подготовка данных (пример, замените на наш датасет)
def prepare_dataset(wav_files, cue_files):
    X, y = [], []
    for wav_file, cue_file in zip(wav_files, cue_files):
        y_audio, sr = librosa.load(wav_file)
        # Чтение таймингов из CUE
        with open(cue_file, 'r', encoding='utf-8') as f:
            lines = f.readlines()
            timings = []
            for line in lines:
                if 'INDEX 01' in line:
                    time_str = line.strip().split()[-1]
                    mm, ss, ff = map(int, time_str.split(':'))
                    timings.append(mm * 60 + ss + ff / 75)
        
        # Разбиение на 1-секундные фрагменты
        for i in range(0, len(y_audio) - sr, sr):
            fragment = y_audio[i:i + sr]
            is_pause = any(abs(t - i / sr) < 1 for t in timings)  # Пауза, если близко к таймингу
            X.append(fragment)
            y.append(0 if is_pause else 1)
    
    X = np.array(X).reshape(-1, sr, 1)
    y = np.array(y)
    return X, y

# 2. Создание и обучение CNN
def train_cnn(X_train, y_train):
    model = Sequential([
        Conv1D(32, kernel_size=3, activation='relu', input_shape=(44100, 1)),
        Conv1D(64, kernel_size=3, activation='relu'),
        Flatten(),
        Dense(128, activation='relu'),
        Dense(1, activation='sigmoid')
    ])
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    model.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.2)
    return model

# 3. Генерация CUE
def create_cue(side1_wav, side2_wav, output_cue, model):
    # Discogs API
    try:
        d = discogs_client.Client('MyApp/1.0', user_token='YOUR_DISCOGS_TOKEN')  # Замените на токен
        release = d.release(249504)  # Zoolook ID
        metadata = {
            "genre": release.genres[0] if release.genres else "Electronic",
            "date": release.year,
            "comment": "ОЦИФРОВКА 20.08.25, Polydor-POLH 15, UK",
            "composer": "Denis Vanzetto, Pierre Mourey, Jean-Michel Jarre",
            "performer": release.artists[0].name,
            "title": release.title
        }
    except:
        metadata = {
            "genre": "Electronic",
            "date": "1984",
            "comment": "ОЦИФРОВКА 20.08.25, Polydor-POLH 15, UK",
            "composer": "Denis Vanzetto, Pierre Mourey, Jean-Michel Jarre",
            "performer": "Jean-Michel Jarre",
            "title": "Zoolook"
        }

    # Анализ пауз
    def get_timings(wav_file, track_count, model):
        y, sr = librosa.load(wav_file)
        timings = [0]  # Первый трек начинается с 0
        for i in range(0, len(y) - sr, sr):
            fragment = y[i:i + sr].reshape(1, sr, 1)
            pred = model.predict(fragment)[0][0]
            if pred < 0.5:  # Пауза
                timings.append(i / sr)
        return timings[:track_count]

    # Треки
    track_list_side1 = [("Ethnicolor", None), ("Diva", None)]
    track_list_side2 = [("Zoolook", None), ("Wooloomooloo", None), ("Zoolookologie", None),
                        ("Blah-Blah-Cafe", None), ("Ethnicolor II", None)]

    # Тайминги
    timings_side1 = get_timings(side1_wav, len(track_list_side1), model)
    timings_side2 = get_timings(side2_wav, len(track_list_side2), model)
    track_list_side1 = [(title, time) for (title, _), time in zip(track_list_side1, timings_side1)]
    track_list_side2 = [(title, time) for (title, _), time in zip(track_list_side2, timings_side2)]

    with open(output_cue, 'w', encoding='utf-8') as f:
        f.write(f'REM GENRE {metadata["genre"]}\n')
        f.write(f'REM DATE {metadata["date"]}\n')
        f.write(f'REM COMMENT "{metadata["comment"]}"\n')
        f.write(f'REM COMPOSER "{metadata["composer"]}"\n')
        f.write(f'PERFORMER "{metadata["performer"]}"\n')
        f.write(f'TITLE "{metadata["title"]}"\n')

        f.write(f'FILE "{os.path.basename(side1_wav)}" WAVE\n')
        for i, (title, time) in enumerate(track_list_side1, 1):
            mm = int(time // 60)
            ss = int(time % 60)
            f.write(f'  TRACK {i:02d} AUDIO\n')
            f.write(f'    TITLE "{title}"\n')
            f.write(f'    PERFORMER "{metadata["performer"]}"\n')
            f.write(f'    INDEX 01 {mm:02d}:{ss:02d}:00\n')

        f.write(f'FILE "{os.path.basename(side2_wav)}" WAVE\n')
        for i, (title, time) in enumerate(track_list_side2, len(track_list_side1) + 1):
            mm = int(time // 60)
            ss = int(time % 60)
            f.write(f'  TRACK {i:02d} AUDIO\n')
            f.write(f'    TITLE "{title}"\n')
            f.write(f'    PERFORMER "{metadata["performer"]}"\n')
            if i > len(track_list_side1) + 2:  # Пауза для треков 5–7
                gap_time = time - 2
                gap_mm = int(gap_time // 60)
                gap_ss = int(gap_time % 60)
                f.write(f'    INDEX 00 {gap_mm:02d}:{gap_ss:02d}:00\n')
            f.write(f'    INDEX 01 {mm:02d}:{ss:02d}:00\n')

# Пример обучения (замените на ваш датасет)
wav_files = ["path/to/wav1.wav", "path/to/wav2.wav"]  # Ваш датасет
cue_files = ["path/to/cue1.cue", "path/to/cue2.cue"]
X_train, y_train = prepare_dataset(wav_files, cue_files)
model = train_cnn(X_train, y_train)
model.save("pause_detector.h5")  # Сохранить модель

# Генерация CUE
create_cue("1 СТОРОНА.wav", "2 СТОРОНА.wav", "zoolook.cue", model)

[Дмитрий]

bergedorf, тут есть над чем поработать неделю-другую.

Нарезка же на треки — это вообще не дело, или же надо всё обрабатывать с затуханием треков по амплитуде. Полная цифровая обработка с потерями естественно.

А мы позиционируем винил БЕЗ ПОТЕРЬ.

[Дмитрий]

Мало того что на HDD у каждого могут быть ошибки, а верней они у всех есть и это распознается тем, что не все треки можно перевести во FLAC без бубна.

[Дмитрий]

Мало того что на HDD у каждого могут быть ошибки, а верней они у всех есть и это распознается тем, что не все треки можно перевести во FLAC без бубна. Они могут и играть, но они с ошибками.

То что Бобрович так усердно режет это не верно.

[Дмитрий]

По усердию большой плюс,
а по звукорежиссуре и математике минус (двоечка).

[Дмитрий]

По идее сохранения без потерь, без цифровой обработки, они должны быть нерезаными, и если уж так хочется, дополнительно дать резаные.

И несколько вариантов абсолютно любой другой обработки, без навязывания её слушателям. Но это места надо немеренно.

У меня и так только под этот альбом ушло гигов 50 вместе со всеми вариантами оцифровок трекера и 4 наши (от наших оцифровщиков).

В большинстве по факту мало что от винила в цифре осталось.

Поэтому Дэн прав, два образа и больше ничего не трогать, пока не автоматизировали процесс, чтобы выдавать по 100 куёв за сессию.

Это же наше время и на что оно тратится! Заместо нарезки лучше по точкам посчитать и поправить где это надо или еще что-то полезное.

[Дмитрий]

Кто-то тратит, чтобы в интернет резаное дать и писать что-либо в пустоту... А кто-то то же самое время на то, чтобы заработать еще на пару фкусных пластов.

[ТОМ]

Сообщение от Дмитрий

Мало того что на HDD у каждого могут быть ошибки, а верней они у всех есть и это распознается тем, что не все треки можно перевести во FLAC без бубна. Они могут и играть, но они с ошибками.

То что Бобрович так усердно режет это не верно.

Да ну... Одно дело, когда паузы между треками четкие 4-5 сек. - резать, я считаю, надо. Вряд ли там какие-то изменения в качестве самого трека возникнут... А вот те вещи, где музыка идет непрерывно - я считаю, резать не стОит... Да и геморно это...