Über ArrangementLabs.ai

Marcin ist Musiker und Softwareentwickler mit jahrelanger Erfahrung in beiden Disziplinen — er spielt, komponiert und baut Software parallel. Er studierte Klavierspiel und Informatik und arbeitete jahrelang mit verschiedenen Ensembles, wo immer wieder dasselbe Problem auftauchte: Eine Partitur musste für eine andere Besetzung adaptiert werden, und nichts tat es gut. Kommerzielle Transkriptionswerkzeuge konvertieren nur Dateiformate. Generative KI-Modelle erstellen neue Musik, statt vorhandene Stücke anzupassen. Manuelles Arrangieren dauert Stunden oder Tage, die um 23 Uhr vor einer Probe einfach nicht da sind. Diese Kollision führte zu ArrangementLabs.ai — dem Werkzeug, das Marcin haben wollte. Er baute BandArranger: ein 80-Millionen-Parameter-Transformer-Modell, das Arrangements Takt für Takt im REMI-z-Token-Format generiert, mit einer Feedback-Schleife, bei der Nutzerbewertungen und Expertenkorrekturen sich zu einem besseren Modell summieren. Er betreibt den gesamten Stack selbst — Backend, ML-Pipeline, GCP-Deployment — und das Projekt zeigt, dass tiefgehende technische Arbeit und musikalisches Handwerk zusammen in einem einzigen Produkt funktionieren können.

Die musikalische Glaubwürdigkeit von ArrangementLabs.ai kommt direkt von einem praktizierenden Komponisten und Arrangeur mit Konservatoriumsausbildung und Credits in europäischer Konzert- und Filmmusik. Seine Rolle im Projekt ist entscheidend: Wenn das Modell ein Arrangement erstellt, bewertet er, ob es musikalisch tatsächlich funktioniert — ob die Stimmführung natürlich ist, ob die instrumentalen Dynamiken überzeugend sind, ob die Ausgabe von echten Musikern tatsächlich aufführbar ist. Diese Expertenbewertung speist die HITL-Pipeline (Human-in-the-Loop), durch die sich das Modell mit jeder neuen Feedback-Runde verbessert. Name und Credits erscheinen hier, wenn er bereit für die Öffentlichkeit ist.

Unser KI-Ingenieur verantwortet die Modell- und Infrastrukturseite des Produkts — Fine-Tuning von BandArranger auf Expertendaten, die HITL-Pipeline (SFT → KTO → DPO) und Systemarchitektur von der Datenbank über Job-Queues bis zum GPU-Worker. Sie kombinieren maschinelles Lernen mit Produktentwicklung, was in Projekten an der Schnittstelle von Musik und KI eine seltene Kombination ist. Name und Bio erscheinen hier, wenn sie bereit für die Öffentlichkeit sind.

Der Ausgangspunkt war konkret: Ich hatte eine Solopartitur und brauchte sie für ein Streichquartett für eine Probe am nächsten Tag arrangiert. Bestehende Werkzeuge handhabten die Dateiformat-Konvertierung, aber nicht das Arrangieren — sie wussten nicht, wie man melodische Stimmen auf die Instrumente verteilt, wie man natürliche Stimmführung verwaltet, wie man den Dynamikbereich an ein Quartett anpasst. Die manuelle Arbeit dauerte vier Stunden. Beim nächsten Mal dachte ich: vielleicht schreibe ich ein Skript. Das Skript wurde ein Modell, das Modell wurde ein Produkt. Aber die Motivation geht tiefer als Bequemlichkeit. Musikarrangement ist ein Handwerk, das jahrhundertelang nur denjenigen zugänglich war, die die Zeit und Ressourcen hatten, es zu meistern — oder das Geld, jemanden zu beauftragen, der es hatte. ArrangementLabs.ai ist ein Versuch, dieses Handwerk zugänglicher zu machen: damit ein Komponist ohne Arrangierkenntnisse seine Musik von einem Quartett hören kann, damit ein Lehrer Repertoire für das Klassenensemble anpassen kann, damit eine kleine Gruppe ein für eine größere Besetzung geschriebenes Stück aufführen kann. Wir versuchen nicht, Arrangeure zu ersetzen — wir versuchen, denen ein Werkzeug zu geben, die keines haben, und Zeit für diejenigen zu sparen, die nicht genug davon haben.