Сидоров Данил
RU EN DE
Telegram

Нейросетевой AI диджей

Приватный сервис с интеграцией нейронной сети для повторения световых шоу

Машинное обучение / Аудио

Живой интерактивный демо-стенд

Точная копия интерфейса и бизнес-логики проекта с демонстрационными данными. Все действия работают в реальном времени.

Более 5 площадок повторяют световые шоу

СтекPython, Django, PyTorch, Librosa, WebSockets, Channels, Mido

Безопасный контур (NDA): боевая логика на тестовых данных

Что протестировать в стенде:
  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

Реализация под ключ

Нужна похожая система под ваши бизнес-процессы?

Разработаю архитектуру, отказоустойчивый бэкенд и быстрый интерфейс. Защита соглашением о неразглашении (NDA), чистый передаваемый код и прозрачные этапы.

  1. Бесплатная оценка сроков и бюджета в течение дня
  2. Договор и безнал
  3. Гарантия и поддержка после запуска

В будни обычно отвечаю за пару часов

Отвечу лично, без навязчивых продаж

Задача

Клиент был вынужден вручную нажимать команды для включения эффектов прямо по ходу выступления, что отвлекало от творческого процесса, повышало риск ошибок в реальном времени и не позволяло сфокусироваться на самом шоу

Решение

Разработана нейронная сеть на PyTorch, которая предсказывает нужные команды в режиме реального времени. Сеть «слышит» трек и понимает, когда и какой эффект уместен, не хуже опытного диджея, на данных которого было обучение

Решённые задачи

  • Спроектировал ML-пайплайн от сбора данных до инференса в реальном времени на PyTorch
  • Обучил нейросеть предсказывать нужный эффект (F1 > 0.8)
  • Реализовал потоковую обработку трека с предсказанием по ходу воспроизведения
  • Интегрировал модель в DJ-софт и убрал ручные нажатия

Результат

Шоу теперь ведёт нейросеть в полуавтоматическом режиме. DJ контролирует процесс и занимается музыкой и публикой, рутинные нажатия ушли.

Технологии

PythonPyTorchDjango

Расскажите о задаче

Telegram