Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com15. Juni 2026 · Q009746

Swift: Let’s try to understand some music!

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der vollständige Beitrag zeigt anhand von Swift-Beispielcode, wie Apples MusicUnderstanding-Framework Audio auf Tonart, Rhythmus, Struktur, Tempo, Instrumentaktivität und Lautstärke analysieren kann. Laut Autor sind die Resultate aggregiert; geschützte Inhalte und entfernte Livestreams werden nicht unterstützt, und je Sitzung ist nur eine Analyse möglich.

Mittel

Der vollständige Beitrag erklärt Apples MusicUnderstanding-Framework zur Audioanalyse. Laut Autor arbeitet es auf dem Gerät und kann sechs Bereiche auswerten: Tonart, Rhythmus, Struktur, Tempo, Instrumentaktivität und Lautstärke. Die Ergebnisse sind aggregiert; einzelne Noten für eine Partitur oder Melodiensuche erhält man demnach nicht. Geschützte Inhalte wie Apple-Music-Downloads seien ausgeschlossen. Analysierbar seien nur lokal verfügbare Medien oder vollständige Dateien, keine entfernten Livestreams. Außerdem ist pro Sitzung nur ein Analyseaufruf möglich, und die Auswertung erfolgt asynchron.

Der Autor skizziert die Nutzung mit einer `MusicUnderstandingSession`: Audioquelle angeben, geschützte Inhalte prüfen, Sitzung erstellen und `analyze()` aufrufen. Der beigefügte SwiftUI-Code importiert eine Audiodatei und zeigt beispielhaft BPM, Tonart und Modus mit Zeitbereichen, Tempo sowie erkannte Instrumente an. Der Autor bewertet den Einstieg als einfach und verweist für aufwendigere Diagramme auf Apples Swift-Charts-Beispiel. Der Text demonstriert die Verwendung, belegt aber weder die Erkennungsgenauigkeit noch die Leistung des Frameworks.

Ausführlich lesen

Der vollständige Beitrag stellt Apples MusicUnderstanding-Framework vor, das laut Autor auf dem Gerät Audiodateien analysiert und dabei sechs Bereiche abdeckt: Tonart, Rhythmus, musikalische Struktur, Tempo beziehungsweise Verlauf, Aktivität von Instrumenten und Lautstärke. Die Analyse kann etwa Hinweise auf Tonart und Modus, Beats pro Minute, zeitliche Abschnitte sowie darauf liefern, welche Instrumente wann zu hören sind. Der Autor beschreibt das Framework als leistungsfähig, leicht zu verwenden und datenschutzfreundlich, weil die Verarbeitung lokal erfolge.

Zugleich hebt der Beitrag Grenzen hervor. Die Ergebnisse sind zusammengefasst: Das Framework liefert laut Autor keine einzelnen Noten, aus denen sich unmittelbar eine vollständige Partitur oder eine Melodien-Suche erstellen ließe. Geschützte Inhalte, etwa Downloads aus Apple Music, könnten nicht analysiert werden. Außerdem müsse das Medium lokal verfügbar oder eine vollständige Datei sein; eine entfernte Quelle wie ein HTTP-Livestream werde nicht unterstützt. Pro Sitzung lasse sich `analyze()` nur einmal aufrufen. Auch wenn Audiodaten über einen Stream eingespeist werden können, sei die Analyse asynchron und liefere keine fortlaufenden Einzelnoten, sondern aggregierte Resultate.

Als Vorgehen beschreibt der Artikel, eine `MusicUnderstandingSession` aus einem `AVAsset` oder einem Audiostream zu erzeugen und anschließend `analyze()` aufzurufen. Im Beispiel wird zunächst geprüft, ob die Datei geschützte Inhalte enthält; danach wird eine Sitzung angelegt und eine Auswahl von Analysearten angefordert. Ein SwiftUI-Beispiel zeigt, wie eine Audiodatei importiert und analysiert werden kann. Die Oberfläche stellt unter anderem BPM, Tonart und Modus in Zeitbereichen, Tempoangaben und verwendete Instrumente dar. Hilfsfunktionen formatieren Zeitspannen und musikalische Bezeichnungen.

Der Beitrag ist ein kurzer Einstieg mit Beispielcode, kein systematischer Vergleich oder dokumentierter Leistungstest. Als Ergebnis präsentiert der Autor eine einfache Demonstration und meint, die grundlegende Nutzung sei unkomplizierter, als Apples Beispielcode mit seinen zusätzlichen Bestandteilen vermuten lasse. Für weitergehende Visualisierungen verweist er auf Apples Beispiel, das Swift Charts verwendet. Aussagen zu Genauigkeit, unterstützten Dateiformaten im Einzelnen oder zur Qualität der Erkennung werden im Text nicht belegt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Es wurden keine Sammel- oder Teilfragen angegeben, daher bleibt die Einordnung leer. Beide Zusammenfassungen von Luna geben den Bericht sachlich korrekt wieder, es gibt keine erfundenen Angaben. Die kurze Fassung lässt die Aggregat-Einschränkung für Einzelnoten und die Selbsteinschätzung des Autors aus; die mittlere Fassung ist vollständiger und ergänzt sinnvoll, dass der Text weder Erkennungsgenauigkeit noch Leistung belegt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Ergebnisse sind nur aggregiert, einzelne Noten für Partituren oder Melodiesuche gibt es nicht (nur in 'mittel' genannt)
  • Der Autor beschreibt sich selbst als kein Musikexperte (in beiden Zusammenfassungen fehlend)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vertrauen in Modelle
Beteiligung und Gemeinwohl

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →