Casos límite horribles a considerar al procesar música (2022)

 (dustri.org)
2 puntos por GN⁺ 2023-11-13 | 2 comentarios | Compartir por WhatsApp
  • Casos recopilados al revisar el código fuente y el modelo de datos de Navidrome; incluso si los metadatos musicales solo cubren título, artista, álbum, portada y lanzamiento, hay muchas excepciones difíciles de normalizar
  • Nombres como †, ★, ', (), <|°_°|>, barras, espacios, emojis, fórmulas y cadenas de prueba EICAR chocan fácilmente con nombres de archivo, búsqueda, ordenamiento y herramientas de seguridad
  • Álbumes sin título, múltiples portadas, varios álbumes con el mismo título, pistas de 7 horas, 13 horas o 4723 horas, y un EP donde la mayoría de sus 99 pistas son 4 segundos de silencio rompen las suposiciones simples sobre la duración y la estructura de las unidades musicales
  • Cuando una misma persona tiene varios alias, una banda cambia de nombre, hay diferencias de nombre por región, varias bandas comparten el mismo nombre o se superponen nombres internacionalizados, es difícil identificar a un artista con una sola cadena de texto
  • La razón por la que los esquemas de bases de datos como MusicBrainz separan álbumes, lanzamientos, artistas, alias y pistas con tanto detalle es que realmente deben manejar estas excepciones

Suposiciones básicas que rompen los títulos y nombres

  • En los metadatos musicales, los nombres de álbumes pueden parecer creativos para las personas, pero para los sistemas se vuelven un problema de manejo de caracteres especiales
    • † de Justice
    • ★ de David Bowie
    • ' de Frank Zappa
    • () de Sigur Rós
    • Love Symbol de Prince; en 1993 Prince también cambió su nombre artístico a este símbolo y fue llamado “The Artist Formerly Known as Prince”
    • <|°_°|> de Caravan Palace
  • Los sistemas operativos y los sistemas de archivos también se tambalean con los nombres
    • El esquema de nombres de álbumes de MASTER BOOT RECORD puede causar problemas tanto en Windows como en Linux
    • En entornos Linux, nombres como ///////-//-///// de The You Suck Flying Circus llaman especialmente la atención
    • C:/del*mp3 de Marco.V es un título que parece una ruta de archivo
    • Another Round Won't Get Us Down de Auto!Automatic!! tiene una pista llamada \\\\\ y otra llamada //////////
  • Buscar y ordenar tampoco es simple
    • En el género vaporwave, hay artistas que insertan espacios entre letras, como A T R I U M de Hallmark '87
    • Laughing Mantis lanzó una canción con el mismo nombre que la cadena de archivo de prueba EICAR: X5O!P%@AP[4\PZX54(P^)7CC)7}$EICAR-STANDARD-ANTIVIRUS-TEST-FILE!$H+H*

Sin título, títulos confusos y títulos largos

  • Hay álbumes sin título
    • El álbum más reciente de Rammstein
    • El cuarto álbum de Led Zeppelin
    • El octavo álbum de KoЯn
  • También hay muchos nombres de álbumes que parecen no tener título o resultan confusos
    • (untitled) de The Byrds
    • untitled de R Kelly
    • untilted de Autechre
    • Self-Titled Long-Playing Debut Album de +/-
    • El lado A del sencillo en vinilo de 7 pulgadas de Tintern Abbey es Beeside
    • Weezer lanzó varios álbumes titulados Weezer, e incluso hubo un caso en que lanzó dos el mismo año
    • Ø (Disambiguation) de Underoath genera confusión con la página de desambiguación de Ø en Wikipedia
    • Title de Meghan Trainor
  • Los títulos de álbum extremadamente largos presionan la UI, la búsqueda y las áreas de visualización

Portadas, cantidad de pistas, duración y versiones de lanzamiento

  • Algunos álbumes tienen varias portadas, así que la suposición “un álbum = una portada” no se sostiene
    • Synchronicity de The Police tiene 36 variantes de portada
    • Fate for Breakfast de Art Garfunkel tenía 6 portadas, pero como fracasó comercialmente en Estados Unidos, la mayoría solo vio una
    • Do It Yourself de Ian Dury & The Blockheads tuvo al menos 34 fundas
  • La imagen de portada en sí también puede generar polémica o ediciones censuradas
  • Las pistas pueden no tener título o tener nombres que en sí mismos resultan confusos
  • En la duración y composición de las pistas hay casos extremos
    • “Doom Apocalypse X, The Ultimate Fate Of The Universe (Part IX: The Photon Era)” de NǽnøĉÿbbŒrğ VbëřřĦōlökäävsŦ dura casi 7 horas, y el álbum completo “The Ultimate Fate Of The Universe” queda apenas por debajo de las 23 horas
    • The Rise and Fall of Bossanova de Pipe Choir Three divide una canción de 13 horas en 5 partes
    • 209: Blurred With Tears And Suffering Beyond Hope de Bull of Heaven incluye una pista de 4723 horas, 54 minutos y 37 segundos
    • Broken de Nine Inch Nails tiene 99 pistas, y de la 7 a la 97 cada una son 4 segundos de silencio
  • La mayoría de los álbumes tienen varias versiones o lanzamientos
    • The Eminem Show tiene 15 versiones
    • All Lights Fucked on the Hairy Amp Drooling tiene 27 pistas en el casete de 1994, 4 pistas en la reedición de 2022 y 31 pistas en el bootleg
    • God Speed You Black Emperor! cambió su nombre a “Godspeed You! Black Emperor” en 2002
    • Antares de Sybreed difiere en cantidad de pistas y en la pista 11 entre la edición japonesa, estadounidense, rusa, promo suiza y promo europea
    • El sencillo Close-Up de Art of Noise tuvo 4 ediciones británicas con el mismo número de catálogo y la misma funda, pero con pistas distintas, y una de ellas ni siquiera incluía la pista “Close-Up”
    • Taylor Swift volvió a grabar sus álbumes para recuperar la propiedad completa de su música
  • Los problemas de licencias también generan diferencias entre lanzamientos
    • MM..FOOD de MF DOOM salió en 2004, y debido a samples de Sesame Street que no estaban resueltos, en 2007 apareció una versión regrabada

Casos que dificultan identificar al artista

  • Una sola pista puede tener muchísimos artistas asociados
    • “119 REMIX” de GRAY, tal como su título indica, cuenta con la participación de 119 artistas
  • Las bandas pueden cambiar de nombre o usar nombres distintos por región
    • GZR aparece como g//z/r en su primer álbum, geezer en el segundo y GZR en el tercero
    • Ghost fue conocida durante un tiempo como Ghost B.C. solo en Estados Unidos
    • Suede es conocida en Estados Unidos como “The London Suede”
    • Zoviet France tiene grafías como :$OVIET:FRANCE:, Soviet France, :Zoviet-France: y :zoviet*france:
    • Invent, Animate cambió su nombre a “Invent, Animate” para no ser confundido con dos artistas
  • Algunos artistas usan muchos nombres
    • Aphex Twin tiene muchos alias, como Blue Calx, Caustic Window, Brian Tregaskin, The Dice Man, Polygon Window, Power-Pill, Richard D. James, GAK, The Tuss y user48736353001
    • Filipe Santos también se presenta como caso de múltiples nombres
  • El propio nombre de la banda altera las reglas de búsqueda y ordenamiento
  • Bandas distintas pueden usar el mismo nombre
    • “Emperor” puede referirse a una banda noruega de black metal, un productor de drum and bass, un artista de trance, una banda japonesa de metal, o un artista ficticio de hip hop pingüino del universo de Arknights, entre otros
    • Havamal puede referirse tanto a una banda de Viking metal como a otra banda de Viking metal
    • Bulldog Breed puede referirse a dos bandas del Reino Unido, y ambas lanzaron un álbum llamado “Made in England”
    • Avishai Cohen se refiere a dos músicos de jazz israelíes
    • Nombres “cool” y comunes como Revolver, Peace, Hybrid o End tienen muchas duplicaciones
  • La internacionalización dificulta aún más la identificación
    • Пётр Ильич Чайковский, es decir Tchaikovsky, tiene 31 nombres en MusicBrainz

Codificación de caracteres, sistemas operativos y modelo de datos

Lecturas relacionadas

2 comentarios

 
kunggom 2023-11-13

Este artículo ya se publicó antes en GeekNews.
https://es.news.hada.io/topic?id=6319
 
GN⁺ 2023-11-13
Opiniones de Hacker News

  • Recuerdo que cuando vendí "Kill 'Em All" de Metallica en una tienda de CD usados y luego volví a comprar el mismo "Kill 'Em All", el empleado quedó bastante confundido.
    Algunas ediciones incluyen dos canciones extra, los covers Am I Evil y Blitzkrieg, y para hacerlo más confuso, los dos CD tenían el mismo número de identificación.
    Como era lógico, me preguntó por qué estaba comprando de nuevo el CD que acababa de vender; se lo mostré y quedó perplejo, diciendo que era la primera vez que veía algo así.

  • The The, so much for skipping articles like "A" or "The" I guess.

    Antes había una imagen meme de una búsqueda de "The Who" en Google, donde arriba de los resultados decía: "'The' se eliminó de la consulta por ser una palabra común" / "'Who' se eliminó de la consulta por ser una palabra común".

    • Uno de los softwares de foros comunes, por defecto, ignoraba o bloqueaba todos los términos de búsqueda de 3 letras o menos.
      En foros técnicos que usan muchas siglas, es una configuración increíblemente molesta.
    • Los nombres de bandas que rompen Siri son un problema real en mi vida.
      Them, hablo de ustedes O_o
    • A principios y mediados de los 2000 trabajé bastante con el famoso software estadístico R.
      En esa época, para encontrar en Google cómo hacer algo en R, necesitabas trucos bastante específicos, como saber dónde estaban los archivos de la lista de correo y limitar la búsqueda a ese dominio.
      Más tarde, cuando Google empezó a usar mucho R internamente, de pronto ese problema desapareció.

  • Que Taylor Swift haya vuelto a grabar y relanzar todas sus canciones antiguas también es un caso bastante famoso.
    Si alguien le pide a Alexa que ponga "Love Story", ¿debería reproducir la versión que le da más regalías a Taylor, o la que le da más a alguna editorial musical?
    Al ordenar las canciones por popularidad, probablemente no conviene tratar las distintas versiones como canciones diferentes.

    • En las listas de canciones más reproducidas de los servicios de streaming, a veces la misma canción aparece dos veces en el ranking.
      Es porque existen tanto la versión single como la versión de álbum.

  • Relacionado: https://github.com/minimaxir/big-list-of-naughty-strings
    Big List of Naughty Strings es una lista de cadenas que tienen alta probabilidad de causar problemas cuando se usan como datos de entrada de usuario.

    • Un texto relacionado y además divertido: https://www.sempf.net/post/On-Testing1
    • También habría que agregar a esta lista las cadenas comunes de inyección en LLM.
    • Tras décadas trabajando como administrador de sistemas, puedo asegurar que la gran mayoría de los programadores nunca ha visto esta lista y tampoco la verá :|

  • Parece que se les pasó una banda que simplemente se llama A.
    Esta banda lanzó una canción llamada “nothing” https://en.wikipedia.org/wiki/Nothing_(A_song)
    Recuerdo haber sufrido para encontrar sus álbumes en Amazon antes, y ahora tampoco parece mucho más fácil.

    • O también está el álbum A de Jethro Tull de principios de los 80.
    • Me encantó cuando salió ese álbum.
      Pero buscarlo era prácticamente imposible, así que al final tuve que comprar el CD.

  • Some tracks are long

    Parece que se refieren solo a pistas grabadas, pero 13 horas es un número de principiantes[0].
    [0] https://en.wikipedia.org/wiki/As_Slow_as_Possible#Halberstad...

    • Entre las pistas grabadas hay una de 4,700 horas.
      https://www.discogs.com/release/3580802-Bull-Of-Heaven-209-B...
      También hay una pista de 5.5 años, pero solo se publicó una parte.
      https://www.discogs.com/release/3580806-Bull-Of-Heaven-210-L...
      Aun así, son unas 13,000 horas.
    • Hay una pieza corta para piano[1], pero la instrucción original del compositor era repetirla más de mil veces[2], así que una interpretación real dura más de 24 horas.
      Por eso, obviamente casi nunca se toca.
      También está As Slow as Possible de John Cage, con una interpretación que todavía sigue en curso.
      Empezó en 2001 y termina en 2640, así que quizá haya que apurarse si uno quiere ver el final.
      [1] Probablemente sea una pieza de Ravel, pero ahora mismo ni mi memoria ni una búsqueda rápida me dan la razón.
      [2] Creo que era un número especial que sonaba algo arbitrario, tipo 2347.
    • Quizá no se refieran exactamente a esto, pero los títulos también pueden ser larguísimos.
      Me viene a la mente "The Black Hawk War, or, How to Demolish an Entire Civilization and Still Feel Good About Yourself in the Morning, or, We Apologize for the Inconvenience but You're Going to Have to Leave Now, or, 'I Have Fought the Big Knives and Will Continue to Fight Them Until They Are Off Our Lands!'" de Sufjan Stevens.
      Es la canción que me enseñó, cuando era un joven script kiddie, el límite de 255 caracteres para la ruta completa en FAT32.

  • C:\del.mp3* de Marco V también merece una mención especial.
    https://www.discogs.com/release/133498-MarcoV-Cdelmp3-Solari...

    • Es casi el Bobby Tables de la música.

  • Desde que empecé a escuchar la música de emma essex, me di cuenta de lo a medias que sigue estando implementado el manejo de Unicode incluso en esta época
    Entre mis ejemplos favoritos están "⎆" de "HHSU 𓃚 𝕮𝖆𝖒𝖇𝖎𝖚𝖒, 𝕏𝕪𝕝𝕖𝕞, 𝓗𝓮𝓪𝓻𝓽𝔀𝓸𝓸𝓭", incluido en el álbum "𝅙𝅙" (U+1D159), "♫♫♩♫‿♩ but it's 怒首領蜂 大往生", "ｒｔｒｃ{（''»''）²２}：≞（''»''０１）；", etc.

    • Apple Music parece odiar tanto la canción "⎆" que, en mi cuenta, desapareció por completo del álbum
    • Al ver esto busqué una herramienta de línea de comandos para convertir UTF-8 a puntos de código Unicode, y resultó ser uconv -x hex/unicode
      El primer ejemplo parece estar compuesto en su mayoría por símbolos alfanuméricos matemáticos
      https://en.wikipedia.org/wiki/Mathematical_Alphanumeric_Symb...
      Me pregunto si alguien ha probado usar caracteres Unicode del área de uso privado
      Podría arrojar resultados interesantes
    • Creo que HN habrá eliminado algunos caracteres

  • GZR, also known as g//z/r on their first album, geezer on their second, and GZR on their third.

    Cambiaron el nombre de la banda en cada álbum; habría sido impresionante si los tres álbumes hubieran tenido exactamente el mismo título

    • Si hubiera existido algo como album_grouping_key o musicbrainz_albumid, se podría haber resuelto hace 20 años
      “Qué horror”
    • Este tipo de caso límite de cambio de nombre de banda se resuelve asignando IDs a las entidades dentro del dataset para separarlas
      A estas alturas, ni siquiera sé si corresponde llamarlo caso límite

  • Untilted de Autechre es uno de mis ejemplos favoritos de títulos de álbum hechos deliberadamente para confundir
    Como se menciona en el artículo, cuando se renderiza en letra pequeña, no queda claro a simple vista que el título no es "Untitled"

    • Juro que lo escuché durante años y recién hace poco me di cuenta de que el álbum no se llamaba "untitled"
      ¡Bien hecho, Ae!