Connect with us

TECNO

¿Quiénes son y cómo funcionan las agregadoras de música a Spotify o Apple Music?

Publicado

on

Son intermediarios necesarios para subir canciones a las más de 50 plataformas más usadas en el mundo. Su trabajo, el sistema de regalías y cómo subir podcasts.

Algunas de las principales plataformas de streaming de música (Altafonte)
Algunas de las principales plataformas de streaming de música (Altafonte)

Spotify tiene más de 35 millones de canciones subidas a su plataforma, según datos de la compañía sueca. Es un servicio exitoso y no es el único. Apple Music, Deezer o Google Play Music, solo por mencionar tres servicios de streaming de música, inclusive tienen más canciones, llegando a más de 40 millones, con algunos diferenciales (por ejemplo, álbumes exclusivos como el de la artista Taylor Swift en Apple Music).

En líneas generales, el formato le permite a miles de artistas en el mundo, subir su música, y a millones de usuarios, escuchar artistas consagrados o emergentes. ¿Cómo es el proceso que se debe realizar para subir contenidos a estas plataformas? ¿Es sencillo?

Los sistemas que permiten subir música son cada vez más intuitivos, pero tienen varios pasos a seguir y necesitan de un intermediario: la  agregadora (aggregator) o también llamada digital distributors. Es un servicio que le permitirá al artista subir su contenido, para que esté disponible en las tiendas y plataformas de streaming. Sin agregadora, no hay canciones que se puedan subir.

“El concepto de agregadora o distribuidora digital nace cuando empiezan a aparecer las plataformas de streaming y/o tiendas on line. Surgió con la necesidad de un actor que, como en su momento alguien distribuía los discos, ahora distribuya en las distintas tiendas la música digital”, explica a Infobae Nicolás Madoery, representante en la Argentina de la agregadora inglesa Ditto Music, y director del sello discográfico Concepto Cero y la compañía de música 432 Hertzios.

Entonces, el rol de la agregadora es sistematizar el contenido. “Ponerlo de la mejor manera optimizada dentro de las distintas plataformas, en las cuales Spotify es una de las principales”, explica.

Cada canción subida tendrá un código internacional de identificación para grabaciones sonoras y audiovisuales, que se denomina ISRC. Esto será una identificación única y exclusiva de cada canción (algo así como el IMEI de cada tema).

Los principales jugadores

Las agregadoras tienen procedimientos similares de suscripción. El usuario, artista o sello (generalmente independientes porque las multinacionales proceden de otras formas) crea una cuenta. “Los pasos son tan simples como subir a cualquier plataforma de streaming como Bandcamp o SoundCloud”, dice Madoery.

En el caso de Ditto Music, es un servicio enfocado en artistas independientes. “Pagan USD12 por año y reciben el 100% de las regalías. Y también hay un modelo para sellos discográficos en el que Ditto Music se queda con el 15% de las regalías pero los sellos no tienen que pagar nada. El modelo que tiene para artistas es súper beneficioso”, señala el productor musical, secretario  de ASIAr (Asociación de Sellos Independientes de la Argentina).

En el reporte Playlistingelaborado por el creador de Ditto Music, Lee Parsons, la compañía brinda datos y consejos para que los artistas puedan sumarse a las playlists de los usuarios. La empresa tiene un Récord Guinnes por ser la primera en ayudar a un artista independiente a entrar en el Top 40 de Reino Unido en el año 2007.

Ditto ofrece paquetes anuales para subir contenido a más de 50 plataformas.

Ditto ofrece paquetes anuales para subir contenido a más de 50 plataformas.

Cada plataforma, como Apple Music, iTunes, Spotify, Deezer, Tidal o Claro Música, entre otras (son más de 50) tiene su propio software y diferentes especificaciones a cumplir para subir música a sus servicios.

Además de Ditto, Madoery destaca otras agregadoras como Altafonte, The Orchard, OneRPM, Believe Digital, CD Baby, DistroKid y TuneCore, entre otras. En el caso de Spotify, por ejemplo, en su sitio y app para artistas, Spotify for artists, explica cómo es el proceso para subir música a la plataforma. Menciona el rol de las agregadoras, explicando que tienen acuerdos con éstas.

Spotify brinda una lista de los proveedores “preferidos” como agregadores y menciona, en primer lugar, a DistroKid. Luego, destaca a EmuBands, Record Union, AWAL, CD Baby y Tunecore. “Cada servicio es único, así que asegúrese de hacer un poco de tarea antes de elegir uno”, alertan a los artistas desde el servicio en su sitio.

“Hacé Spotify tuyo”: desde la plataforma de streaming incentivan a artistas independientes a subir su música.

“Hacé Spotify tuyo”: desde la plataforma de streaming incentivan a artistas independientes a subir su música.

Respecto de las regalías, Madoery explica: “El sistema es bastante complejo y no es para todos igual. Pero por suerte cada vez más se están consiguiendo acuerdos más parejos entre las multinacionales y los sellos independientes o bandas independientes”.

Finaliza: “Existen organizaciones como Merlin Network,  que se ocupan de, justamente, negociar esto que a veces llaman Fair Play digital. La idea es que el pago por regalías sea igual para todos los artistas. Obviamente, las multinacionales, siempre, por su porcentaje de mercado, tienen acuerdos que son beneficiosos para ellos”.

Fuente: Estudio Playlisting de Ditto Music, sobre el promedio de regalías en el mundo.

Fuente: Estudio Playlisting de Ditto Music, sobre el promedio de regalías en el mundo.

No todos tienen una agregadora

“No trabajamos con distribuidores digitales, tenemos acuerdos directos con las plataformas digitales. Eso nos permite un control de punta a punta, tanto desde lo que entregamos, como por parte de la comercialización y posicionamiento del contenido en cada plataforma”, señala a Infobae Pablo Lacroix, Director Digital de la compañía discográfica Leader Entertainment.

Continúa: “Entiendo que las distribuidoras digitales tienen distintos modelos de negocios desde modelos de pago por subir tu contenido a las plataformas digitales como por revenue share. También varían según el artista y el catálogo que posean”.

En su caso, la discográfica no trabaja con distribuidoras digitales por lo tanto no tiene costos al subir un disco de un artista. Leader Entertainment, como otras compañías grandes o multinacionales, ha decidido independizarse de las agregadoras.

“Es la opción que tomé cuando ingresé a la compañía hace diez años. Es más difícil porque debes cerrar acuerdos con cada una de las plataformas, pero si tenes un catálogo y artistas como los que tenemos, lo podes lograr”, dice Lacroix.

Respecto de las regalías, explica que varían entre ellas (no son iguales para todos los artistas) pero la mayoría toma la base del modelo de iTunes que le entrega el 70% de los ingresos a los generadores de contenido.
Otras agregadoras para los podcasts

“Nosotros hosteamos todos los podcasts de Posta FM en una plataforma que se llama Audioboom, que no es una plataforma de música. Es una plataforma de audio que se dedica a alojar podcasts y tiene distintos planes de acceso”, señala a Infobae Luciano Banchero, creador de Posta FM, la radio on line.

“Tenemos un acuerdo con ellos en el que somos partners editoriales, como parte de ese arreglo hay un revenue share por la monetización de los contenidos.  Ellos suman  ocasionalmente ads -publicidad- por inserción dinámica al comienzo o final de los episodios”, dice Banchero.

Y continúa explicando: “En AudioBoom se puede distribuir el contenido que subis al hostinga todas las plataformas de escucha de podcasts. Eso incluye Apple Podcast, Stitcher, y más. Entre esas opciones está desde hace poco Spotify. Están haciendo un push más fuerte con el contenido. No hay un intermediario para esto. Se hace todo por el dashboard (publicador) de forma on line”.

Desde Spotify, señalan: “Si aloja su podcast con uno de nuestros socios agregadores, puede enviar fácilmente su podcast a Spotify en minutos”. Mencionan a a agregadoras como Audioboom, Blubbry o Buzzsprout, alentando a que los usuarios suban sus podcasts con estas compañías.

Advertisement

TECNO

Twitter dará la opción de volver a ver los tuits cronológicamente

Publicado

on

Por

Twitter se dispone a dar marcha atrás después de provocar el descontento de sus usuarios hace dos años, cuando cambió su algoritmo para que vieran los mensajes más destacados en su hilo de noticias rompiendo con el orden cronológico en el que aparecían antes.

La red social “trabaja en nuevas formas de darles más control sobre su hilo de noticias”, informó a sus usuarios en una serie de mensajes el lunes por la noche.

Ahora Twitter dejará que sus usuarios reciban su hilo de noticias de acuerdo a sus preferencias: los mensajes se podrán mostrar por orden estrictamente cronológico, o a través del algoritmo que selecciona y pone de relieve los “mejores” tuits, una función claramente calcada de la de Facebook.

Esta opción se ofrecerá “en las próximas semanas”, dijo la red social.

La novedad introducida hace dos años permitió a Twitter ser “más pertinente y práctica”,aseguró la empresa con sede en San Francisco, que dijo, no obstante, que también toma en cuenta “las reacciones de los usuarios” adeptos al antiguo modo de funcionamiento cronológico.

Seguir leyendo

TECNO

Quién es el científico que lidera la revolución creativa de las máquinas

Publicado

on

Por

Ian Goodfellow es científico investigador de Google, en el departamente de Investigación y aprendizaje de las máquinas. Dentro de la comunidad científica es reconocido porque desarrolló una innovadora técnica llamada redes generativas antagónicas (GAN, por sus siglas en inglés) que les permite a las máquinas generar contenido original y súper realista. Casi como si fueran humanos. Y lo más impactante es que logran llegar a este estado a través de entrenamiento no supervisado.

Goodfellow podría considerarse una suerte de rockstar en el mundo de la tecnología pero a él no le gusta ese mote. Dice que estos logros no se le pueden atribuir sólo a una persona, sino que son el resultado de un trabajo en equipo y remarca que si bien él tuvo la idea original, otros colegas ayudaron a que el concepto terminara de tomar forma.

La idea surgió en 2014 después de un debate con unos compañeros de universidad en un bar. “Unos amigos estaban trabajando en un proyecto donde había un generador que medía varias estadística de datos reales y de muestras y querían asegurarse de que todas estas estadísticas fueran las mismas: en los datos reales y en las muestras generadas”, contó en diálogo con Infobae.

En ese entonces ya se habían comenzado a usar redes neuronales par generar nuevos datos pero los resultados no eran tan buenos: los productos generados por las máquinas se veían poco reales o tenían errores. Goodfellow propuso poner a competir dos redes neuronales, algo que para sus colegas parecía poco viable.

“Quería probar que tenía razón así que me fui del bar y codifique las dos soluciones de la red neuronal. Escribí el código a la madrugada, les mandé un mail a mis compañeros y luego armamos un documento juntos”.

Los colegas con los que escribió el ensayo son Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, , Aaron Courville y Yoshua Bengio. Todos figuran como autores del ensayo donde quedó plasmado el nacimiento formal de GAN que hoy permite generar imágenes y videos con un nivel de autenticidad que sorprende.

Estas imágenes fueron creadas a través de GAN en el marco de un proyecto que llevó adelante Nvidia. Son celebridades inventadas por la inteligencia artificial.

Estas imágenes fueron creadas a través de GAN en el marco de un proyecto que llevó adelante Nvidia. Son celebridades inventadas por la inteligencia artificial.

Y esto es apenas el comienzo de una serie de aplicaciones que ya están surgiendo. Hoy en día GAN se utiliza para diseñar coronas dentales y, en el futuro, se podría emplear para idear por completo una casa: desde el exterior y hasta sus interiores.

Goodfellow recibió a Infobae en las oficinas centrales de Google en Mountain View donde pasa gran parte del tiempo teniendo asesorando a expertos y haciendo capacitaciones en machine learning. Dijo que le gusta su trabajo aunque reconoce que extraña pasar varias horas escribiendo código, tal como hacía en sus comienzos.

-¿Cómo funciona GAN?

-Básicamente son dos redes que compiten entre ellas y mientras compiten están forzadas a mejorar en el juego al que juegan. Una de las redes es el generador y es el que crea las imágenes o cualquier otro dato que se quiera crear; y la otra red es el discriminador: mira una imagen y trata de adivinar si se trata de una imagen real, que viene de los datos de entrenamiento, o de una imagen falsa que viene del generador. Entonces si, por ejemplo, se empieza con una colección de imágenes de perros y se quiere entrenar al generador para que haga imágenes de perros, al comienzo el generador va a hacer imágenes al azar, que se verán como ruido estático, como el de una TV analógica vieja. Y el discriminador va a darse cuenta si es un perro es real y viene del set de datos para el entrenamiento o si es ruido estático que viene del generador y que es falso. Al entrenarlas, el generador logra hacer imágenes que engañan al discriminador. Entonces, al principio el generador hará bien los colores. Hará imágenes verdes y marrones porque la mayoría de las imágenes son de perros marrones en pasto verde y el generador será engañado por un rato. Y luego el discriminador aprenderá a buscar las formas de perros, y entonces el generador deberá hacer bien las formas para engañar al discriminador. Es un proceso donde cada una de las redes va mejorando y aprende de su oponente, y eventualmente se puede utilizar teoría del juego para analizar esta solución. Se puede probar que hay un equilibro de Nash donde el generador hace datos que lucen igual que la data de entrenamiento y el discriminador no puede notar la diferencia entre real y falso. Pero esto se logra en teoría, en la vida real todavía se nota si una imagen es real o no. Todavía no se llegó a ese estado.

-¿La mayoría de las redes neuronales se entrenan con GAN?

-No. La mayoría de las redes neuronales se entrenan con aprendizaje supervisado, que se es cuando se quiere hacer algo y uno tiene una entrada (input) y hay una salida (output) que se quiere automatizar. Por ejemplo, se puede buscar a una foto y que el sistema diga “hay un gato” en esta foto. En el aprendizaje no supervisado se le pide a una máquina que vea una serie de estas fotos y que descubra el concepto de gatos y perros a su manera y aprenda a categorizar las imágenes. Y eso no funciona del todo bien. Casi no hay uso del aprendizaje no supervisado en la industria ,aunque sí hay muchos ensayos sobre el aprendizaje no supervisado. Gran parte de lo que hacemos en Google y en otras industrias es el aprendizaje supervisado, es decir: se hace un set de datos con millones de fotos y se las categoriza diciendo “esto es un gato” o “esto es un perro” y estudiando la forma en que uno categoriza los datos. La computadora aprenda a replicar esa misma forma de categorización.

-Pero dentro de lo que es aprendizaje no supervisado, ¿qué otras técnicas se usan además de GAN?

-Hay muchas formas de encarar el aprendizaje no supervisado, las tres más populares son GAN, otra son las redes autorregresivas, que usamos en Google para WaveNet ( una red neuronal para generar audio) que potencia, por ejemplo, Google Assistant; y también está el autoencoder variacional (VAE). En la actualidad usamos aprendizaje no supervisado no para categorizar cosas sino para generar datos que se asemejan a los datos ingresados. Entonces, por ejemplo, WaveNet es un modelo que usamos en Google para crear discurso realista para que el teléfono o Google Assistant pueda hablar contigo. Eso está basado en un algoritmo de aprendizaje no supervisado que estudia varias horas de actores leyendo transcripciones y aprende cómo leer transcripciones y hacer ondas que suenen parecido a las ondas vocales en el entrenamiento.

En el proyecto “Everybody dance” se usa deep learning para generar pasos de baile.

En el proyecto “Everybody dance” se usa deep learning para generar pasos de baile.

-¿Qué otros usos se le da a estos sistemas de aprendizaje profundo?

-Vemos modelos de aprendizaje profundo que pueden crear fotos y videos. Hay un ensayo que se llama Everybody Dance Now (Todos bailen ahora) donde usan deep learning para ver el video de una persona bailando y luego toman fotos tuyas o de tu amigo y generan un video tuyo o de tu amigo que copia los movimientos de baile de la persona del video. Así que si no eres muy bueno bailando, como yo, está muy bueno tener un video tuyo imitando los pases de algún videoclip musical que te gusta. También hay redes neuronales que pueden dibujar caricaturas, y está WaveNet que ya mencioné y puede generar discursos. O sea que se usa para multimedia. Lo que más me emociona y una de las razones por las cuales quise hacer GAN es que estos modelos tienen el potencial de generar objetos que podemos usar en el mundo real. Hay una compañía que se llama Glidewell que hace coronas dentales usando GAN, que permite diseñar la corona e imprimirla en 3D de manera inmediata. No hay demora porque es rápido y se obtiene una corona realista que va con la forma de tus dientes en particular.

-¿Qué otros usos se le podría dar en el futuro?

-En el futuro creo que GAN se va a usar en varias disciplinas, como para hacer mejores medicinas, para el diseño de medicamentos, también podremos ver que se usará GAN para diseñar mejores secuencias de ADN, para convertir secuencias de ADN en proteínas y usarlas en medicina. Vimos algunas aplicaciones así en una empresa en Toronto llamada Insilico Medicine. Se podría usar GAN para diseñar chips más rápidos, autos más eficientes, edificios que sean más resistentes a los terremotos, o que sean más económicos de construir. Toda esta tecnología es muy incipiente, por ahora es difícil que un sistema de deep learning funcione. Se necesita un experto que lo realice, no es algo que se puede esperar que funcione solo en cualquiera aplicación, pero a medida que vayamos mejorando, espero ver esta tecnología cada vez en más áreas. Y empezará a ser algo que facilitará la vida y hará que diferentes industrias sean más eficientes. Por ahora es más que nada una herramienta de entretenimiento.

Ian Goodfellow desarrolló una innovadora técnica  de aprendizaje automático no supervisado.

Ian Goodfellow desarrolló una innovadora técnica  de aprendizaje automático no supervisado.

-Usted dice que hay fallas, pero yo vi imágenes creadas usando GAN y parecen bastante reales. ¿Qué es lo que no funciona entonces?

-Para las imágenes sí funciona, pero si se las quiere usar para diseñar nuevos procesadores para computadoras o edificios no son automáticas como para tomar un modelo y decir “diseñame un buen edificio”. Se han escrito miles de ensayos en los últimos cuatro años sobre este tema. Todavía no son tan automáticas como para ser usadas en cualquier tarea y pretender que funcionen.

-¿Qué hace falta mejorar? ¿Por qué es tan difícil que funcione?

-Muchas cosas tienen que mejorar. Cuando se corren estos sistemas hay varias configuraciones y es difícil saber el valor de cada configuración para que trabaje en un problema en particular. Mucho de lo que hace el humano es cambiar la forma en que el modelo está configurando hasta que comienza a funcionar, y eso puede llevar semanas o un mes. Si alguien no tiene suficiente experiencia le puede llevar incluso más tiempo. El otro punto es que ahora es muy fácil para las computadoras representar imágenes. Hacemos una cuadrícula de números que dice cuánto brillo tiene que tener cada píxel en la imagen pero es mucho más difícil para la computadora representar algo como un edificio. No tenemos una buena manera para que la computadora piense cómo ubicar todos los elementos, no se puede representar un edificio como una serie de números en una cuadrícula. Necesitamos diseñar nuevas formas para que la computadora pueda pensar cómo encajan los objetos a gran escala y que la forma del edificio tengan sentido y también representarlo a pequeña escala donde todos los tornillos encajen de manera adecuada.

Seguir leyendo

TECNO

El multimillonario japonés Yusaku Maezawa será el primer pasajero que volará alrededor de la Luna en el cohete de Space X

Publicado

on

Por

La compañía estadounidense SpaceX anunció el lunes que el multimillonario japonés Yusaku Maezawa, de 42 años, fundador de un importante sitio de moda y coleccionista de arte contemporáneo, sería su primer pasajero privado en dar la vuelta a la Luna a bordo del cohete más potente construido hasta ahora.

El BFR será el cohete más potente jamás construido. Podrá llevar astronautas hasta la Luna y Marte (Twitter/Space X)

El BFR será el cohete más potente jamás construido. Podrá llevar astronautas hasta la Luna y Marte (Twitter/Space X)

El fundador de SpaceX, Elon Musk, reveló la identidad del cliente en su presencia, en una ceremonia en su fábrica de cohetes en la sede de la firma Hawthorne en el área metropolitana de Los Ángeles.

Y después de haber sido presentado por Musk, Yusaku Maezawa anunció: “En 2023, voy a invitar a seis u ocho artistas de todo el mundo a unirse a mí en esta misión a la Luna”, dijo. Sin embargo, dejó en claro que esto tendrá un costo para los invitados: “Tendrán que crear algo en su retorno a la Tierra”, sentenció

“Sus obras inspirarán a todos los soñadores que están latentes en nosotros”, dijo.

View image on Twitter

View image on Twitter

“¡Decidí ir alrededor de la Luna!”, Repitió varias veces el multimillonario, quien afirmó que este era su “sueño de la infancia”.

Maezawa adelantó que ya pagó la reserva de todos los asientos en el cohete SpaceX RGC que se está construyendo, pero sin revelar el precio total.

Elon Musk y Yusaku Maezawa durante el anuncio (AP Photo/Chris Carlson)

Elon Musk y Yusaku Maezawa durante el anuncio (AP Photo/Chris Carlson)

Maezawa es el fundador y CEO de Zozo, el negocio minorista de moda en línea más grande de Japón,  y su fortuna se estima en 3.000 millones de dólares, según la revista especializada Forbes.

Este multimillonario es un hombre apasionado por el arte contemporáneo: compró una obra de Jean-Michel Basquiat el año pasado por 110,5 millones de dólares, después de haber adquirido obras de renombrados artistas entre ellos Pablo Picasso, Roy Lichtenstein, Andy Warhol, Alexander Calder o Jeff Koons. .

Durante la presentación, Musk dijo que Maezawa volará en un nuevo cohete de nombre BFR, el cual aún está en desarrollo. El cohete reutilizable de 118 metros (387 pies) de longitud tendrá su propia cápsula para pasajeros.

Seguir leyendo

#CLANfmOk

Tendencias