O ArrangementLabs.ai

Marcin jest muzykiem i inżynierem oprogramowania z wieloletnim doświadczeniem w obu dziedzinach. Kształcił się w grze na fortepianie i informatyce, działając równolegle jako wykonawca i jako programista. Przez lata pracy z różnymi zespołami instrumentalnymi zderzył się wielokrotnie z tym samym problemem: potrzeba było adaptacji partytury na inny skład, a żadne dostępne narzędzie nie robiło tego dobrze. Komercyjne transkryptory zatrzymują się na konwersji formatu. Generatywne modele AI tworzą nową muzykę, nie adaptują istniejącej. Ręczna przepisanie aranżacji zajmuje godziny lub dni, których w praktyce nie ma o 23:00 przed próbą. To właśnie to zderzenie doprowadziło do powstania ArrangementLabs.ai — narzędzia, które Marcin sam chciał mieć. Zbudował BandArranger: 80-milionowy model Transformer generujący aranżacje takt po takcie w autorskim formacie tokenów REMI-z, ze zwrotem do treningu przez feedback użytkowników i eksperckie korekty. Całą infrastrukturę — od backendu przez pipeline ML po deploy w GCP — prowadzi sam, a projekt jest dowodem na to, że głęboka technika i muzyczne rzemiosło mogą działać razem w jednym produkcie.

Wiarygodność muzyczna ArrangementLabs.ai wyrasta bezpośrednio z pracy czynnego kompozytora i aranżera z wykształceniem konserwatoryjnym i dorobkiem w europejskiej muzyce koncertowej i filmowej. Jego rola w projekcie jest kluczowa: kiedy model generuje aranżację, to on ocenia, czy jest dobra muzycznie — czy prowadzenie głosów jest naturalne, czy dynamika instrumentalna jest przekonująca, czy wynik nadaje się do wykonania przez prawdziwych muzyków. Ta ekspercka ocena zasila pętlę HITL (human-in-the-loop), dzięki której model poprawia się z każdą nową partią feedbacku. Nazwisko i credits pojawią się tutaj, gdy będzie gotowy na publiczne wystąpienie.

Nasz inżynier AI odpowiada za stronę modelową i infrastrukturalną produktu — fine-tuning BandArranger na danych eksperckich, pipeline HITL (SFT → KTO → DPO), oraz architekturę systemu od bazy danych przez kolejki zadań po worker GPU. Łączy kompetencje z machine learningu z inżynierią produktu, co jest rzadką kombinacją w projektach na styku muzyki i AI. Nazwisko i bio pojawią się tutaj, gdy będzie gotowy na publiczne wystąpienie.

Punkt wyjścia był konkretny: wziąłem partyturę solową i potrzebowałem jej adaptacji na kwartet smyczkowy na próbę następnego dnia. Istniejące narzędzia radziły sobie z konwersją formatu, ale nie z aranżacją — nie wiedziały, jak rozdzielić głosy melodyczne między instrumenty, jak zadbać o naturalne prowadzenie głosów, jak dostosować zakres dynamiczny do kwartetu. Ręczna robota zajęła mi cztery godziny. Następnym razem pomyślałem, że może napiszę skrypt. Skrypt stał się modelem, model stał się produktem. Ale motywacja jest głębsza niż wygoda. Aranżacja muzyczna to rzemiosło, które przez wieki było dostępne tylko dla tych, którzy mieli czas i zasoby, żeby je opanować — albo pieniądze, żeby zatrudnić kogoś, kto je opanował. ArrangementLabs.ai to próba demokratyzacji tego rzemiosła: żeby kompozytor bez umiejętności aranżacyjnych mógł usłyszeć swoją muzykę na kwartecie, żeby nauczyciel mógł dostosować repertuar do składu klasy, żeby mały zespół mógł wykonać utwór napisany na większy skład. Nie chcemy zastępować aranżerów — chcemy dać narzędzie tym, którzy go nie mają, i skrócić czas pracy tym, którzy mają go za mało.