Stage DSP - Feedback Delay Networks (F/H)

Arturia conçoit des instruments de musique et des logiciels pour musiciens et producteurs, professionnels comme amateurs. Sa mission est de rendre la création musicale accessible à tous grâce à la technologie, et d’offrir l’expérience la plus intuitive et conviviale possible.
Arturia a commencé son aventure en 1999 avec la recréation de synthétiseurs analogiques légendaires sous forme logicielle, ce qui a ensuite conduit au développement d’une gamme complète de synthétiseurs matériels et d’outils audio contemporains. Les produits reposent sur l’innovation pour offrir une approche audacieuse, accessible, ludique et inspirante de l’exploration sonore.
L’entreprise est en pleine croissance et emploie désormais plus de 180 personnes passionnées situées en France, aux États-Unis, à Hong Kong, au Mexique et au Royaume-Uni. Dans cette aventure collective, les Arturians partagent une ambition d’excellence, des valeurs telles que la transparence et la simplicité, ainsi qu’une culture de célébration autour de nos réussites.

Les Feedback Delay Networks (FDN) sont une classe d’algorithmes largement utilisée et économiquement performante pour générer de la réverbération artificielle. Cependant, leurs nombreux paramètres interconnectés représentent un défi important pour les concepteurs sonores souhaitant obtenir des caractéristiques acoustiques spécifiques ou explorer diverses textures sonores. Le réglage manuel de ces paramètres est souvent un processus long et non intuitif.

Ce stage vise à relever ce défi en étudiant des méthodes permettant de créer un espace de paramètres plus intuitif et contrôlable pour les FDN. L’idée principale est de dépasser les ajustements de paramètres individuels pour passer à des macro-paramètres capables de guider le FDN vers des qualités perceptuelles souhaitées. Cela implique une étude complète des avancées récentes en matière de FDN, y compris l’application de techniques d’apprentissage automatique pour la synthèse des paramètres. Un aspect crucial sera l’intégration de métriques perceptuelles objectives pour orienter le processus d’exploration et d’optimisation, offrant ainsi aux concepteurs sonores un flux de travail plus fluide et expressif pour la définition de la réverbération.

Objectifs :

1) Revue et analyse de l’état de l’art :
Effectuer une revue approfondie des avancées récentes en FDN, en mettant particulièrement l’accent sur les techniques de contrôle et d’optimisation des paramètres. Cela inclut l’exploration des définitions de matrices de rétroaction paramétriques et l’application de techniques d’apprentissage automatique telles que les FDN différentiables.

2) Intégration des métriques de réverbération et modélisation perceptuelle :
Étudier et implémenter diverses métriques objectives utilisées pour caractériser la réverbération et les mesures de coloration. Cet objectif comprendra également l’exploration de la manière dont ces métriques peuvent être utilisées comme fonctions de perte ou critères d’évaluation dans un cadre d’optimisation, afin de guider la recherche de paramètres FDN vers des résultats perceptuellement souhaitables.

3) Paramétrisation des FDN :
Développer et prototyper des méthodes pour paramétrer le FDN. Cela pourrait impliquer l’exploration de différentes représentations mathématiques des paramètres FDN permettant un contrôle intuitif à un niveau supérieur, ou l’utilisation de techniques d’optimisation pour trouver des matrices adaptées aux caractéristiques perceptuelles souhaitées. L’objectif est de définir un espace de paramètres compact et significatif permettant une exploration systématique des comportements des FDN.

4) Implémentation et évaluation du proof-of-concept :
Mettre en œuvre un système proof-of-concept intégrant l’approche choisie avec une technique d’optimisation ou d’apprentissage automatique sélectionnée. Ce système sera évalué à l’aide des métriques de réverbération définies, dans le but de démontrer la capacité à générer des configurations FDN présentant des caractéristiques spécifiques souhaitées et réduisant le besoin de réglages manuels extensifs.

*** English Version ***

Arturia designs musical instruments and software for musicians and producers, professionals and amateurs alike. Its mission is to make music creation accessible to everyone thanks to technology, and to offer the most intuitive and user-friendly experience.

Arturia started its journey in 1999 with the recreation of legendary analog synthesizers in software form, which then led to developing a full range of hardware synthesizers and contemporary audio tools. The products rely on innovation to offer a daring, accessible, fun and inspiring approach to sound exploration.

The company is growing and now employs over 180 passionate people located in France, the USA, Hong-Kong, Mexico, and the UK. In this collective adventure, Arturians share an ambition for excellence, values such as transparency and simplicity, and a culture of celebration around our successes.

Feedback Delay Networks (FDNs) are a widely used and computationally efficient class of algorithms for generating artificial reverberation. However, their many interconnected parameters present a significant challenge for sound designers seeking to achieve specific acoustic characteristics or explore diverse sonic textures. Manually tuning these parameters is often a time-consuming and non-intuitive process.

This internship aims to address this challenge by investigating methods for creating a more intuitive and controllable parameter space for FDNs. The core idea is to move beyond individual parameter adjustments towards macro-parameters that can guide the FDN towards desired perceptual qualities. This involves a comprehensive study of state-of-the-art FDN advancements, including the application of machine learning techniques for parameter synthesis. A crucial aspect will be the integration of objective perceptual metrics to guide the exploration and optimization process, ultimately providing sound designers with a more streamlined and expressive workflow for reverb definition.

Objectives:

1. State-of-the-Art Review and Analysis: Conduct a thorough review of recent advancements in FDNs, with a particular emphasis on techniques for parameter control and optimization. This includes exploring parametric feedback matrix definitions and applications of machine learning techniques such as Differentiable FDNs.

2. Reverb Metric Integration and Perceptual Modeling: Investigate and implement various objective metrics used to characterize reverberation and coloration measures. This objective will also involve exploring how these metrics can be used as loss functions or evaluation criteria within an optimization framework to guide the FDN parameter search towards perceptually desirable outcomes.

3. FDN Parametrization: Develop and prototype methods for parameterizing the FDN. This could involve exploring different mathematical representations of FDN parameters that lend themselves to intuitive higher-level control, or using optimization techniques to find suitable matrices given desired perceptual characteristics. The goal is to define a compact and meaningful parameter space that allows for systematic exploration of FDN behaviors.

4. Proof-of-Concept Implementation and Evaluation: Implement a proof-of-concept system that integrates the chosen approach with a selected optimization or machine learning technique. This system will be evaluated using the defined reverb metrics, aiming to demonstrate the ability to generate FDN configurations that exhibit specific desired characteristics and reduce the need for extensive manual tuning.

●        Master en génie informatique ou équivalent
●        Connaissance des concepts avancés en traitement du signal numérique (DSP)
●        Bonne formation en apprentissage automatique (Machine Learning)
●        Intérêt pour la musique et la technologie musicale fortement apprécié
●        Maîtrise de l’anglais écrit et parlé
●        Durée : 6 mois
●        Période : de février 2026 à août 2026

*** English Version ***

●        M.Sc. in Computer Engineering or equivalent

●        Knowledge of advanced DSP concepts

●        Good background in Machine Learning

●        Interest in music and music technology is a big plus

●        Proficiency in written and spoken English

●        6 months

●        From February 2026 to August 2026