Investigadores de Israel en ciencias de la computación usan inteligencia artificial
para generar solos de jazz personalizados y musicalmente atractivos que coinciden con las preferencias específicas de los humanos.
Recientemente, en la 21 Conferencia de la Sociedad Internacional para la Recuperación de Información Musical (ISMIR 2020) se presentó un artículo titulado BebopNet: modelos neuronales profundos para la improvisación personalizada de jazz.
Recibió el premio a la mejor investigación. Escrito por los estudiantes Nadav Bhonker y Shunit Haviv Hakimi, y su asesor, el profesor Ran El-Yaniv, el artículo indica que es posible modelar y optimizar las preferencias de jazz.
Aprender a generar música es un desafío constante para la IA. Una tarea aún más difícil es la creación de piezas musicales que coincidan con preferencias humanas.
En el proyecto BebopNet, Bhonker y Haviv Hakimi, aficionados al jazz, se centraron en la generación, monofónica y basada en símbolos de improvisaciones de jazz con restricciones de armonía.
Para abordar este objetivo, introdujeron una canalización que consta de varios pasos: aprendizaje supervisado mediante un corpus de solos (un modelo de lenguaje), aprendizaje de métricas de preferencias de usuario de alta resolución y generación optimizada mediante planificación.
El corpus consistió en cientos de solos de jazz originales interpretados por gigantes del saxofón como Charlie Parker, Stan Getz, Sonny Stitt y Dexter Gordon.
Presentaron un extenso estudio empírico en el que aplicaron esta línea para extraer modelos individuales tal como los definen implícitamente varios oyentes humanos. Este enfoque permite un examen objetivo de modelos subjetivos personalizados cuyo rendimiento es cuantificable.
También se realizó un análisis de plagio para asegurar que los solos generados sean genuinos en lugar de una concatenación de otros que estaban previamente en el corpus.
“Si bien nuestros solos generados por computadora son localmente coherentes y, a menudo, interesantes o agradables, carecen de las cualidades de los solos profesionales de jazz relacionados con la estructura general, como el desarrollo de motivos y variaciones“, dijeron los autores.
El profesor El-Yaniv espera superar este desafío en investigaciones futuras. Los modelos preliminares basados en un conjunto de datos más pequeño eran sustancialmente más débiles, y es posible que un conjunto de datos más grande constituya un modelo sustancialmente mejor.
Para obtener un corpus tan grande, podría ser necesario abandonar el enfoque simbólico y confiar en grabaciones de audio que se pueden recopilar en cantidades mucho mayores.
Para escuchar algunos ejemplos hacer click aqui.
“Quizás uno de los principales cuellos de botella en la generación de arte por IA, incluida la improvisación del jazz, es cómo evaluar la calidad de manera significativa. Nuestro trabajo enfatiza la necesidad de desarrollar metodologías y técnicas efectivas para extraer y destilar la retroalimentación humana ruidosa que se requerirá para una evaluación de calidad efectiva del arte de IA personalizado.
“Estas técnicas son clave para desarrollar muchas aplicaciones interesantes”, señaló el profesor El-Yaniv.
Fuente: latamisrael