otticnoise | a try to help building something like the great every noise at once

The sudden shutdown of Every Noise at Once left many music enthusiasts feeling disheartened, creating a noticeable gap in the music scene. In response, I’m striving to develop a service that, while not as expansive as Every Noise, will curate an extensive list of new releases spanning diverse genres. For a deeper understanding of Every Noise at Once and its closure, you can explore my German article available here.

This post will serve as a documentation of my efforts, sharing any successful developments and gathered data with the music community. Regular updates will be posted whenever there’s new information. You can stay tuned for news by following antibiottics on X/Twitter.

[23.11.2023]
To begin, let me share some details about my basic setup. As I’m not a very skilled programmer, I rely on a combination of tools like n8n.io, a low-code service, and occasionally utilize AI tools such as phind.com, an AI-powered search engine for coding. My n8n instance is self-hosted and runs on a Digital Ocean server. If you’re interested in installation instructions, you can find them in the video below. Currently, I incur approximately $18 in monthly server costs for this setup. Opting for the self-installed open-source community version is more cost-effective compared to the cloud version, which has limitations on workflows and executions.

So far, here’s what I’ve accomplished with this setup: I’ve utilized n8n workflows to access the Every Noise At Once Website’s label list and retrieve new releases for each label. Using the Spotify API, I searched for “labelname tag:new” for every label on the list. The outcomes are detailed in two Google Spreadsheets:

Label List: Link to Label List Spreadsheet
Fetched Releases: Link to Fetched Releases Spreadsheet

The compiled list is rather impressive, containing approximately 17,000 releases spanning from December 7th, 2023, to January 1st, 2024, including even some upcoming releases.

After we got the first batch of data, I found some problems while trying to make a big collection of new music releases using Spotify’s API:

1. Low Speed: Retrieving this data from Spotify via n8n takes approximately 48 hours.
2. Incomplete Genres: Not all releases have assigned genres, necessitating the filling of these gaps.
3. Missing DistroKid Releases: Releases from DistroKid, often labeled with a random number followed by “DK” on Spotify, are absent.
4. Self-Releasing Artists: Some artists release music under their own name without a record label. No chance to find them.

Here are some ideas for these issues:

1. Optimized API Requests: Enhance wait times between requests to manage request limits better. Consider removing labels specializing in less relevant content like AI-generated chill-out or white noise. Additionally, exclude labels inactive for an extended period (e.g., 2 years) as they might no longer be active.
2. Genre Gap Filling Explore utilizing genres from similar artists using Spotify’s related artists’ data as an approximation to fill genre gaps.
3. DistroKid Searches: Perform searches from “label:”DK” aa tag:new” to “label:”DK” zz tag:new” to circumvent limitations on maximum results (over 1000) and potentially capture most DistroKid releases.
4. Self-Releasing Artists: Consider curating a list of self-releasing artists that are important to the community and integrate them into the label data retrieval process.

Certainly, there are many ways to access the Spotify API. What I’ve shared is just my approach, which might be helpful for someone else. If you’re interested in using N8N and want to replicate my workflows, feel free to reach out for the JSON files. They’ll allow you to rebuild the workflows easily through copy and paste.

That’s all for now. I’ll return with updates on my progress shortly. Stay tuned!

Das Ende von Every Noise at Once: Ein Verlust für Musikliebhaber

Die plötzliche Abschaltung von Every Noise at Once hat die Musikwelt erschüttert. Diese Plattform, die als Schatzkarte für Musikliebhaber diente, ist nun Vergangenheit. Ursprünglich von Glenn McDonald, einem Genre-Alchemisten bei Spotify, entwickelt, bot Every Noise at Once eine Fülle an Daten, die es den Nutzern ermöglichte, tief in die Welt der Klänge von tausenden Musikgenres einzutauchen. Seitdem Glenn nicht mehr bei Spotify ist, ist die Datenquelle versiegt, und die Seite wurde stillgelegt.

Glenn selbst äußerte sich zu diesem abrupten Ende auf Furia.com, wo er Einblicke in den Status von Every Noise at Once gewährt. Die Serverprozesse, die die Seite aktualisierten, wurden eingestellt, und der aktuelle Server ist offline. Dennoch versucht er, zumindest eine Erinnerung an das, was es war, zu bewahren.

Für viele Fans, die sich wöchentliche Genre-Updates und großartige Playlists erhofften, ist diese Schließung ein herber Verlust. Glenn gibt zwar bekannt, dass einige von ihm hinterlassene Dinge immer noch laufen, aber der Mangel an frischen Daten ist ein ernstes Problem. Die Ungewissheit um Every Noise at Once lässt Fans in der Schwebe – wird es zu einer nostalgischen Erinnerung oder findet es eine zweite Chance?

Angesichts vieler auch technisch versierter Musikfans in der Community, die die Einzigartigkeit von Every Noise schätzte, liegt es nahe zu glauben, dass es möglich sein sollte, zumindest etwas Ähnliches aufzubauen. Die vorhandenen Musik-APIs im Web bieten eine Fülle von Möglichkeiten. Zusätzlich dazu gibt es die Daten von Glenn, die als ausgezeichnete Grundlage dienen könnten.

Mit dem Know-how der Community und der zugänglichen Musik-APIs könnte ein Projekt entstehen, das dem vielschichtigen Angebot von Every Noise zumindest nahekommt. Die von Glenn hinterlassenen Daten könnten als Fundament für eine neue Plattform dienen, die eine breite Palette von musikalischen Genres und Entdeckungsmöglichkeiten bietet.

Natürlich besteht auch die Hoffnung, dass Spotify den Mehrwert von Every Noise erkennt und den Server wieder aktiviert. Es gibt sogar eine Petition, die genau das fordert. Die Unterstützung durch eine breite Gemeinschaft von Musikliebhabern könnte dazu beitragen, Spotify dazu zu bewegen, die Bedeutung und den einzigartigen Beitrag von Every Noise zu würdigen und möglicherweise seine Entscheidung zu überdenken.

Auch in meiner Music Discovery App “antibiOTTICs” wurden Daten von Every Noise für die Listen der Neuveröffentlichungen verwendet. Bedauerlicherweise werden auch diese Listen derzeit nicht mehr aktualisiert. Dennoch werde ich mich bemühen, diesen Service wieder online zu bringen. Dabei könnte eine große Liste mit neuen Veröffentlichungen entstehen, die zwar nicht so umfangreich wie die von Every Noise ist, aber dennoch einen Überblick über aktuelle Musik in verschiedenen Mikro-Genres bietet.

Meine Erkenntnisse, Fortschritte und Daten werde ich in diesem englischsprachigen Development Post innerhalb der weltweiten Musikcommunity teilen. Dort gibt es regelmäßig Updates.

Das abrupte Ende von Every Noise at Once markiert einen bedauerlichen Verlust für Musikliebhaber. Es bleibt zu hoffen, dass in Zukunft neue Plattformen entstehen, die kleinen Künstlern und weniger populären Genres & Labels eine Stimme geben können.

Joy Division NFT-Projekt enthüllt bisher unveröffentlichte Gesangsaufnahmen

Die Pace Gallery hat ein NFT-Kunstprojekt vorgestellt, das bisher unveröffentlichte Gesangsaufnahmen von Joy Division enthalten wird. Das Projekt entstand in Zusammenarbeit mit dem Schlagzeuger der Band, Stephen Morris, und dem Albumkünstler Peter Saville.

Die Serie “CP1919” aus der Abteilung Pace Verso umfasst zwei NFT-Veröffentlichungen mit einem von Morris erstellten Soundtrack und archivaren Gesangsaufnahmen von Ian Curtis, dem verstorbenen Frontmann von Joy Division. Das Projekt erweitert auch das ikonische Cover-Artwork von Joy Divisions Album “Unknown Pleasures”.

Die NFTs werden animierte 3D-Grafiken von Saville enthalten. Ein einzigartiges NFT, “CP1919: Sweeping Sun Black 2023”, wird Bilder und einen exklusiven Soundtrack bieten. “CP1919: Sweeping Sun White 2023” wird ein offenes NFT mit neuen Klangproben sein. Das Projekt wird am 9. Oktober für 100 US-Dollar pro Edition veröffentlicht.

Ein Teil der Erlöse aus den Verkäufen geht an die Selbstmordpräventionsorganisation CALM zu Ehren von Ian Curtis.

Dance Diffusion: Kreative Soundgenerierung mit KI

Dance Diffusion basiert auf dem Konzept der Diffusion, bei dem zufälliges Rauschen mithilfe eines vorab trainierten Modells in Klänge umgewandelt wird. Dieses Projekt eröffnet spannende Möglichkeiten für Musiker und Musikproduzenten, um neue Soundlandschaften zu erkunden und in ihre Musik einzubinden.

HarmonAI: Eine AI-Revolution für die Musikproduktion

HarmonAI ist ein auf künstlicher Intelligenz basierendes Audioprojekt, das darauf abzielt, die Musikproduktion zugänglicher und unterhaltsamer zu gestalten. Die Grundidee hinter HarmonAI ist die Verwendung von Diffusionstechniken, bei denen zufälliges weißes Rauschen in Klänge umgewandelt wird, basierend auf einem vorab trainierten Modell mit Millionen von Parametern. Dieses Projekt generiert derzeit ein- bis dreisekündige Audioausschnitte, was es eher zu einem Sample-Generator als zu einem Musikgenerator macht. Dennoch sind die erzeugten Samples einzigartig und interessant.

Im Vergleich zu OpenAI’s Jukebox verwendet HarmonAI verschiedene Modelle, die auf spezifischeren Datensätzen trainiert wurden. Um HarmonAI zu nutzen, können Nutzer dem Discord-Server beitreten, um Unterstützung zu erhalten, und die auf GitHub bereitgestellten Notebooks verwenden, um die Modelle auf ihrer eigenen GPU oder Google Drive Collab auszuführen. HarmonAI bietet sechs Modelle mit definierten Klängen und Musikgenres und betont die Möglichkeit, Modelle innerhalb der Community zu teilen.

Insgesamt bietet HarmonAI einen kreativen und innovativen Ansatz zur Generierung einzigartiger und maßgeschneiderter Klänge.

Soundgenerierung mit HarmonAI

Die Soundgenerierung mit HarmonAI ermöglicht es Nutzern, Parameter wie Batchgröße und Schritte anzupassen, um die Anzahl und Qualität der erzeugten Audioclips zu kontrollieren. Nutzer können auch eigene Klänge generieren, indem sie Rauschen zu einer Audiodatei hinzufügen und sie durch das Modell laufen lassen. Je mehr Rauschen hinzugefügt wird, desto stärker ändert sich der Klang. Nutzer können die erzeugten Samples verwenden, um Musik zu produzieren. Eine Website namens “this sound does not exist.org” ermöglicht es Nutzern, eine Vielzahl von Klängen und Samples anzuhören und herunterzuladen.

Dance Diffusion: Neue Klänge durch KI generieren

Neben HarmonAI gibt es auch Dance Diffusion, ein Projekt, das auf dem Konzept der Diffusion basiert und dazu dient, neue Audioinhalte auf der Grundlage von Eingaben zu generieren. Dance Diffusion ist eine interessante Möglichkeit für Musiker, ihre Kreativität zu entfalten, indem sie einzigartige Klänge erstellen.

Die Verwendung von Dance Diffusion erfordert einige Schritte, darunter das Sammeln von Audioinhalten von Plattformen wie Splice und die Verwendung von Tools wie Google Colab. Es ist wichtig zu beachten, dass keine Musik anderer Künstler für das Training verwendet werden sollte, um urheberrechtliche Probleme zu vermeiden.

Die Kunst des Sounddesigns mit KI

Die Möglichkeiten der KI im Bereich Sounddesign sind beeindruckend. Mit verschiedenen Modellen und Trainingsdaten können einzigartige und interessante Klänge erstellt werden. Die Qualität und Vielfalt der erzeugten Klänge hängt von verschiedenen Variablen ab, darunter das Modell, das Material und die Trainingsdauer. Kreative Experimente können zu aufregenden Ergebnissen führen, die in der Musikproduktion verwendet werden können.

Fazit: KI als Werkzeug für die Musikproduktion

Insgesamt bieten Projekte wie HarmonAI und Dance Diffusion aufregende Möglichkeiten für Musiker und Musikproduzenten, einzigartige und innovative Klänge zu generieren und in ihre Musik einzubinden. Die KI kann als kreatives Werkzeug genutzt werden, um die Grenzen der Soundgestaltung zu erweitern und neue Horizonte in der Musikproduktion zu erschließen. Es ist an der Zeit, die Möglichkeiten der künstlichen Intelligenz in der Musikwelt zu erkunden und zu nutzen.