Dynamic range compressor ear training: Improving critical listening skills through software-assisted practice
Bibliographic record
Abstract
Traditionnellement, les passionnés d’audio cherchant à entrer dans le domaine de l’enregistrement sonore ont été formés via une relation maître / apprenti. Cependant, au cours des dernières décennies, un grand nombre d'établissements ont commencé à offrir une formation en ingénierie audio au niveau postsecondaire. Les étudiants doivent développer leurs compétences au cours de programmes de deux à quatre ans qui auraient normalement été acquises dans le cadre d'un apprentissage de cinq à dix ans. Pendant leur formation, les étudiants doivent apprendre à utiliser et à reconnaître de manière audible les effets d’une variété de processeurs de signaux audio. La thèse suivante résume un travail de création, de test et de rapportage sur le succès d’une méthode de formation et des outils associés pour un processeur important, mais souvent mal compris : le compresseur de plage dynamique (DRC).Le développement ciblé des compétences d'écoute critiques requises pour reconnaître et quantifier ces effets audibles est appelé entraînement auditif technique (TET). Plusieurs chercheurs ont créé des méthodologies TET adressant une variété d'attributs audio courant : contenu spectral, attributs spatiaux, réverbération, distorsion, bruit, volume, artefacts MP3 et plage dynamique. Les recherches sur le succès de ces méthodologies sont limitées, mais des expériences impliquant des technologies TET spatiales et spectrales suggèrent que les étudiants améliorent leurs capacités d'écoute critiques en suivant une formation croissante. Dans l'ensemble, peu de travaux antérieurs ont été réalisés avec des compresseurs de plage dynamique.Le programme TET lié au DRC créé dans le cadre de cette étude a été utilisé pour former un groupe de huit étudiants en technologies de l’ingénierie audio sur une période d’un an. L'analyse des données de formation a révélé que les étudiants s'étaient améliorés au cours de la période de formation à un rythme similaire à ceux rapportés par d'autres chercheurs. Une série de tests d’écoute avant et après la formation ont également été administrés pour mesurer l’amélioration vis-à-vis un ensemble de tâches d’écoute similaires, notamment par un groupe contrôle d’étudiants et un groupe d’ingénieurs professionnels. Les étudiants formés ont transféré avec succès les compétences acquises vers une tâche de mixage similaire, alors que le groupe témoin ne l’a pas fait. Les étudiants formés ont également obtenu des résultats supérieurs à ceux du groupe professionnel lors de ces tests d'écoute. Globalement, il a été déterminé que ce programme TET lié au DRC était un succès. Les étudiants ont amélioré leur compréhension du fonctionnement du DRC ainsi que leur capacité à détecter et quantifier les effets audibles du DRC. Le logiciel et les résultats des tests d’écoute présentés dans cette thèse seront utiles aux enseignants qui forment des ingénieurs du son et divers autres professionnels : chercheurs formant des participants aux tests d’écoute, ingénieurs en acoustique, ingénieurs électriciens, musiciens, producteurs, compositeurs, etc
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".