Почему возникал «музыкальный пузырь»

Ранние версии рекомендательных сервисов учитывали не очень большое количество параметров. В основе всего стояла коллаборативная фильтрация — метод прогнозирования предпочтений с учетом интересов других пользователей.

В упрощенном виде система рекомендаций работала так. Допустим, в моем плейлисте есть саундтрек к серии фильмов «Форсаж» и нетленка Ирины Аллегровой «Угонщица». На основе этого система может сделать несколько действий:

— подкинуть альбом Аллегровой любителям «Токийского дрифта»;

— дать мне послушать другие песни Аллегровой;

— порекомендовать мне «Малиновую ладу», которую до этого добавили в плейлисты другие любители «Форсажа» и «Угонщицы».

Такой подход сложно назвать совершенным, ведь вкусы слушателей любой пары песен могут различаться драматически. С вышеназванной парой треков в плейлист может пролезть буквально что угодно: The Prodigy, Pendulum, «Золотые купола» Михаила Круга, а может даже легендарный Бока и популярный Жока.

Рекомендации станут точнее, если добавить в плейлист не две, а сотню, а лучше тысячу разных песен. Но при недостатке или переизбытке данных метод коллаборативной фильтрации либо раз за разом будет предлагать пользователю что-то неподходящее, либо запрет слушателя в «музыкальном пузыре». Тогда ему придется снова и снова слушать сотню одних и тех же треков, как на классическом радио. Кому это понравится?

Как стриминг понимает, что тебе нравится

К 2024 году рекомендации «по аналогии» никуда не делись, но стали гораздо умнее благодаря обновленным моделям фильтрации, новым способам сбора данных и, конечно же, нейросетям.

Лайк и добавление в плейлисты все еще важны, но перестали быть единственным способом построения графа для рекомендаций. Помимо них стриминг может учитывать сотни параметров, например:

— процент дослушиваний трека;

— скорость переключения на следующий;

— действия с треком — открывание текста, перемотку, повторное прослушивание;

— темп трека, который понравился пользователю;

— время, в которое пользователь предпочитает ту или иную музыку;

— контекст: местоположение пользователя, погоду, текущую активность и так далее.

Уже не так важно, каких артистов вы слушаете. Рекомендательные сервисы могут снять «слепок» с самой музыки: частот, темпа, тембра голоса; отдельно отметить моменты, которые чаще переслушивали или делали погромче. Этот слепок сравнят со слепками других треков в библиотеке и предложат вам. И очень велика вероятность, что вам он понравится. Именно так в моем плейлисте, куда включены четыре альбома Rammstein, оказалась группа «билборды» (и завоевала мое сердце). Что любопытнее, Rammstein в потоке рекомендаций не оказывается практически никогда.

Если вы послушали несколько песен на стримингах, вы уже дали сервису достаточно пищи для размышлений. А уж лайкнуть трек или оставить его на репите — все равно, что дать развернутое интервью о себе. Подробнее об алгоритмах, которые стоят за этой системой, рассказывали на Хабре ребята из VK Музыки (осторожно, внутри много математики).

Музыка только для тебя

Сегодня нейросети могут не только помогать с рекомендациями, но и самостоятельно писать музыку. По крайней мере, компилировать ее из заранее заготовленных сэмплов. Именно так работает «Нейромузыка» от Яндекса: сервис формирует для слушателя непрерывную мелодию, которая трансформируется в режиме реального времени на основе его действий.

Создатели нейромузыки признают, что пока нейросеть не может убедительно писать мелодию с нуля: midi-генерация звучит примитивно. Но если привлечь к озвучке творчества нейросетей музыкантов с хорошим инструментом, ситуация меняется: робот может собирать предзаписанные лупы в единый поток, и встраивать в него новые фрагменты музыки в зависимости от реакции пользователя.

Методики машинного обучения раз за разом улучшают результаты рекомендаций на основе полученных данных. Если поначалу результат может не понравится, то через 10-15 реакций переключать треки уже не захочется. Примерно так же затягивает в свои сети TikTok, одно из самых популярных мобильных приложений в мире.

Легко представить, что вслед за писателями — AI-тренерами появятся и музыканты, которые будут тренировать модели для создания все более и более убедительные сэмплы, этюды и композиции. Со временем это позволит добиться максимальной персонализации: музыка будет создаваться на сервере по предпочтениям пользователя в онлайн-режиме. Голос, который вам нравится, будет петь приятные вашему сердцу слова, в нужные моменты вашей жизни. Только для вас.

Проект реализуется при поддержке Президентского фонда культурных инициатив