AI tarafından üretilen müziklerle insan yapımı müzikleri ayırt eden makine öğrenmesi sistemi.

• Vocal Separation: Sözlü müziklerden vocal'i ayırıp sadece melodi analizi
• Deep Feature Extraction: 60+ özellik çıkarma (tempo, pitch, harmony, spectral, timing vb.)
• Multiple ML Models: Random Forest, XGBoost, SVM, Neural Network ve Ensemble
• Detailed Analysis: Her müziği detaylı analiz edip AI vs Human farkları gösterir
• Minimal API: Test için basit FastAPI endpoint

Music-AIDetector/
├── backend/
│   ├── app/
│   │   ├── vocal_separator.py      # Demucs ile vocal ayırma
│   │   ├── feature_extractor.py    # Feature extraction (60+ özellik)
│   │   ├── dataset_processor.py    # Veri seti işleme pipeline
│   │   ├── detailed_analyzer.py    # Detaylı analiz ve rapor
│   │   ├── model_trainer.py        # Model eğitimi (5 farklı algoritma)
│   │   ├── predictor.py            # Tahmin yapma
│   │   └── api.py                  # Minimal FastAPI
│   ├── data/
│   │   ├── raw/
│   │   │   ├── ai_generated/       # AI müzikler buraya
│   │   │   └── human_made/         # İnsan müzikleri buraya
│   │   ├── processed/              # İşlenmiş features
│   │   ├── models/                 # Eğitilmiş modeller
│   │   └── analysis/               # Detaylı analiz raporları
│   ├── temp/                       # Geçici dosyalar
│   └── uploads/                    # API upload'ları
└── requirements.txt

# Python 3.8+ gerekli
python -m pip install -r requirements.txt

pip install demucs

100 AI + 100 Human müzik toplayın:

AI Müzik Kaynakları:

• Suno AI (suno.ai)
• Udio (udio.com)
• Meta MusicGen
• AIVA (aiva.ai)
• Soundraw (soundraw.io)

Human Müzik Kaynakları:

• Spotify playlists (indie/underground)
• SoundCloud
• Bandcamp
• YouTube (orijinal kompozisyonlar)

Dosyaları yerleştirin:

backend/data/raw/ai_generated/     ← AI müzikleri buraya (.mp3, .wav)
backend/data/raw/human_made/       ← İnsan müzikleri buraya

Önce her müziği detaylı analiz edin, AI vs Human farkları görmek için:

cd backend/app
python detailed_analyzer.py

Bu:

• Her parçayı vocal'lerden ayırır
• 60+ özellik çıkarır
• AI vs Human karşılaştırmalı rapor oluşturur
• Görselleştirmeler yapar
• Text rapor oluşturur

Çıktılar:

• backend/data/analysis/detailed_analysis_*.json - Her track'in detaylı analizi
• backend/data/analysis/comparison_report_*.json - Karşılaştırma istatistikleri
• backend/data/analysis/analysis_report_*.txt - İnsan okunabilir rapor
• backend/data/analysis/feature_comparison_*.png - Box plots
• backend/data/analysis/correlation_heatmap_*.png - Correlation heatmaps

Analizden sonra, modeli eğitmek için veri setini işleyin:

cd backend/app
python dataset_processor.py

Bu:

• Tüm müziklerden vocal'leri ayırır
• Feature extraction yapar
• CSV formatında kaydeder

Çıktı:

• backend/data/processed/features.csv - Tüm features
• backend/data/processed/metadata.json - Dosya bilgileri

5 farklı algoritma dener ve en iyisini seçer:

cd backend/app
python model_trainer.py

Eğitilen Modeller:

1. Random Forest
2. XGBoost
3. SVM
4. Neural Network
5. Ensemble (Voting)

Çıktı:

• backend/data/models/latest_model.pkl - En iyi model
• backend/data/models/latest_scaler.pkl - Feature scaler
• backend/data/models/metadata_*.json - Model bilgileri
• backend/data/models/feature_importance.png - Önemli özellikler

Yeni bir müzik dosyasını test edin:

cd backend/app
python predictor.py path/to/music.mp3

Örnek Çıktı:

============================================================
PREDICTION EXPLANATION
============================================================
File: unknown_song.mp3
Prediction: AI
Confidence: 87.34%
  - AI probability: 87.34%
  - Human probability: 12.66%

Top 10 Contributing Features:
  tempo_stability              : 0.0023 (importance: 0.0845)
  pitch_std                    : 12.3456 (importance: 0.0782)
  semitone_deviation           : 3.4567 (importance: 0.0721)
  ...
============================================================

Minimal API başlatın:

cd backend/app
python api.py

Test:

curl -X POST "http://localhost:8000/predict" \
     -F "[email protected]"

• tempo: BPM
• tempo_stability: Tempo ne kadar stabil (AI'da çok düşük)
• tempo_variance: Tempo varyasyonu
• tempo_cv: Coefficient of variation
• onset_variation: Onset strength variation
• num_beats: Beat sayısı

• pitch_std: Pitch standart sapması (AI çok düşük)
• pitch_variance: Pitch varyansı
• semitone_deviation: Semitone'dan sapma (AI çok düşük)
• vibrato_strength: Vibrato gücü (Human'da yüksek)
• chroma_std/mean: Harmony özellikleri
• tonnetz_variance: Tonal space variance

• spectral_centroid_mean/std: Brightness
• spectral_rolloff_mean/std: Frequency rolloff
• spectral_contrast_mean/std: Frequency band contrast
• spectral_flatness_mean/std: Noise vs tonal
• zcr_mean/std: Zero crossing rate
• mfcc_0..12_mean/std: Timbre (26 features)

• ioi_variance: Inter-onset interval variance (AI'da çok düşük)
• ioi_cv: IOI coefficient of variation
• ioi_entropy: Timing randomness (Human'da yüksek)
• num_onsets: Onset sayısı

• rms_mean/std/range: RMS energy
• dynamic_range: dB range
• peak_to_avg_ratio: Peak-to-average

• hp_ratio: Harmonic/Percussive ratio
• harmonic_energy: Harmonic component energy
• percussive_energy: Percussive component energy
• harmonic_std: Harmonic consistency

1. Tempo: Çok stabil, neredeyse hiç varyasyon yok
2. Pitch: Mükemmel pitch alignment, vibrato yok
3. Timing: Mikro-timing variations yok, çok mekanik
4. Spectral: Pattern tekrarları, uniform timbre
5. Dynamics: Aşırı compressed veya aşırı wide

1. Tempo: Natural variations, "groove" var
2. Pitch: İnsan hataları, vibrato var
3. Timing: Mikro-timing variations (groove)
4. Spectral: Organic, varied timbre
5. Dynamics: Natural dynamic range

Tipik performans (100 AI + 100 Human ile):

Random Forest:    Accuracy: 0.92, F1: 0.91
XGBoost:         Accuracy: 0.94, F1: 0.93
SVM:             Accuracy: 0.88, F1: 0.87
Neural Network:  Accuracy: 0.91, F1: 0.90
Ensemble:        Accuracy: 0.95, F1: 0.94

from feature_extractor import MusicFeatureExtractor

extractor = MusicFeatureExtractor()
features = extractor.extract_all_features("song.mp3")

# Sadece tempo features
tempo_features = extractor._extract_tempo_features(y, sr)

from model_trainer import MusicAIDetectorTrainer

trainer = MusicAIDetectorTrainer()
X, y = trainer.load_data()

# Kendi modelinizi ekleyin
from sklearn.ensemble import GradientBoostingClassifier
custom_model = GradientBoostingClassifier()
# ...

# Manuel test
python -m demucs --two-stems=vocals test_song.mp3

# feature_extractor.py'de sample rate'i düşür
sr=16000  # default 22050 yerine

# Önce model eğitin
python model_trainer.py

• Minimum veri: 50 AI + 50 Human önerilir, 100+100 ideal
• Vocal separation: İlk çalıştırmada Demucs modelini indirir (~300MB)
• İşlem süresi: Her parça ~30-60 saniye (vocal separation dahil)
• Disk alanı: 100+100 parça için ~10GB (separated stems dahil)

MIT License

Pull request'ler kabul edilir.

Sorular için issue açın.