Лейбл «ШОВ»: источники медиа
Концепция медиа
Название:
ШОВ — музыкальный лейбл и медиа об экспериментальной музыке, саунд-арте и звуковых исследованиях.
Краткое описание:
«ШОВ» выпускает музыку, рассказывает о том, как она создаётся, и соединяет слушателей, музыкантов и художников через релизы, тексты, аудиоматериалы и события. Проект работает с музыкой, которая не всегда укладывается в привычные жанры и форматы: эмбиентом, нойзом, дроуном, полевыми записями, модульным синтезом и аудиовизуальными практиками.
Лейбл не только публикует релизы, но и формирует вокруг них контекст: авторские заметки, интервью, разборы звуковых процессов, плейлисты, небольшие выставки и прослушивания.
Миссия:
Создавать пространство, где экспериментальная музыка может быть услышана, понята и представлена не как закрытая практика «для своих», а как доступный опыт внимательного слушания.
Цель медиа:
Поддерживать независимых музыкантов и саунд-артистов, помогать им находить аудиторию и развивать культуру осознанного слушания через цифровые публикации, физические релизы и офлайн-события.
Источники данных для медиа
Внутренние источники (Human-Driven):
1. Open Call и Демо-заявки: Аудиофайлы (WAV/FLAC), концептуальные описания и схемы сетапов от музыкантов через формы на сайте/в Telegram.
2. Аудиозаписи интервью: Необработанные диктофонные записи бесед с саунд-художниками и исследователями акустики.
3. Авторский архив «ШОВА»: Собственная библиотека полевых записей (Field Recordings) с метаданными геолокации и характеристиками оборудования.
Внешние источники (Machine-Driven / API & Scraping):
1. Bandcamp API & Web Scraping: Мониторинг новых релизов по тегам field-recordings, experimental, drone, noise, sound-art, soundscape.
2. Freesound.org API: Автоматический поиск открытых сэмплов и шум-текстур по ключевым параметрам.
2. RSS-фиды и Парсинг профильных медиа: Автоматический сбор новостей и анонсов с площадок The Quietus, KVR Audio, Chain D.L.K., Neural.it.
2. Spotify Web API & Last.fm Trends: Анализ микро-трендов в нишевых авангардных жанрах (индексы популярности и похожие артисты).
Схема данных: Человеческая vs Машинная обработка
- Сбор данных (Машина)Парсеры собирают новинки с Bandcamp и Freesound.Бот принимает демо-записи и аудио-интервью от авторов.Данные сохраняются в общую базу (Notion/Google Sheets).↓2. Первичная обработка (ИИ-сервисы)Whisper: Переводит аудио-интервью в текст.Librosa: Анализирует темп (BPM) и спектр треков.LLM: Делает краткий пересказ интервью и выделяет главные мысли.↓3. Кураторский отбор (Человек)Редактор: Проверяет текст интервью, правит стиль и смысл.Куратор: Слушает отобранные треки и решает, что пойдет в релиз.Арт-директор: Утверждает визуал и обложки.↓4. Публикация и рассылка (Машина)FFmpeg: Автоматически создает видео-превью с волной звука.Бот-постер: Верстает пост в Telegram и ставит ссылку на Bandcamp.Скрипт: Загружает финальный релиз на стриминговые площадки.
Гайдлайны для автоматизированных сервисов в схеме
1. ИИ-Транскрибатор и Саммарайзер (Whisper + LLM)
Системный промпт для LLM-редактора:
Role:
Вы — профессиональный музыкальный редактор медиа «ШОВ», специализирующийся на экспериментальной музыке и саунд-арте.
Task: Переработайте необработанный сырой транскрипт голосового интервью с артистом в структурированный черновик статьи.
Rules:
Не изменяйте смыслы и специфическую терминологию (например: «генеративный синтез», «спектральный плотность», «полевые записи», «патчинг»).
Удалите паразитные слова («э-э-э», «ну», «как бы»), но сохраните паузы и авторскую интонацию.
Разбейте текст на смысловые блоки с лаконичными заголовками.
Не используйте рекламные штампы и клише («уникальный», «потрясающий», «шедевральный»). Тон должен быть сдержанным, исследовательским и уважительным.
2. Скрипт акустического анализа аудио (Python / Librosa)
Назначение: Автоматический первичный анализ присылаемых демо-треков для тегирования базы данных.
Алгоритм обработки:
Peak & RMS Loudness: Определение динамического диапазона. Если RMS выше -8 dBFS
(перекомпрессированный звук), файл помечается тегом hard_compressed.
Spectral Flatness (Плоскостность спектра): Определение характера звука (шум vs тональность). Высокие значения = noise / textural, низкие = ambient / drone.
Zero-Crossing Rate (ZCR): Выявление высокочастотных шумов и щелчков для автоматической маркировки lo-fi или field_recording.
3. Авто-генератор медиа-ассетов (FFmpeg + Telegram Bot)
Назначение: Автоматическое создание превью-видео для Telegram и Instagram из аудиофайла и обложки.
Правила верстки карточек и видео:
Формат видео: 1:1 (Square, 1080×1080px), длина — 45 секунд (самый выразительный фрагмент трека).
Визуализация волны: Минималистичная линия осциллограммы внизу кадра (цвет: оранжевый FF5500 или монохромный FFFFFF на черном фоне 000000).
Форматирование текста поста:
Заголовок: [АРТИСТ] — [НАЗВАНИЕ РЕЛИЗА / ТРЕКА] (жирный шрифт).
Блок метаданных: теги, формат записи, используемое оборудование.
Описание: Не более 400 символов (цитата автора или краткая выжимка от ИИ-саммарайзера).
Обязательная ссылка на полный релиз на Bandcamp.
