En música, los ornamentos son florituras que sirven para dar expresividad a la pieza musical que se está interpretando. Ahora, una tecnología que han desarrollado Sergio Giraldo y Rafael Ramírez, miembros del Grupo de Investigación en Tecnología Musical (MTG) del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF, permite a los ordenadores aprender a interpretar música jazz con toda su expresividad a través de técnicas de inteligencia artificial.  

Para hacer esto posible, los investigadores han estudiado los recursos expresivos que usan los guitarristas de jazz para transmitir las emociones en la ejecución de sus piezas musicales. A continuación, esta información ha sido empleada para entrenar modelos computacionales con la ayuda de grabaciones realizadas por un guitarrista profesional, para que el modelo fuera capaz de predecir el modo de ornamentar una melodía, es decir, con toda su expresividad . El resultado ha sido un programa que genera automáticamente interpretaciones de música jazz con la expresividad de un experto y que está disponible en línea.

Sergio Giraldo y Rafael Ramírez, miembros del Music and Machine Learning Lab del MTG presentan los detalles del sistema de aprendizaje para generar de manera automática interpretaciones de jazz con expresividad en el Journal of Mathematics and Music y aportan algunos ejemplos en Machine Learning and Jazz,  que publica SoundCloud,  una plataforma social de sonidos en la que se pueden crear sonidos y compartirlos. Los autores, en esta plataforma, muestran la pieza musical "Yesterday" de Jerome Kern,  la cual fue generada utilizando la metodología que estos investigadores han puesto a punto para interpretación de música expresiva para guitarra de jazz.

El modelado computacional para la música de jazz empleando la guitarra como estudio de caso, fue el tema de la tesis doctoral que Sergio Giraldo defendió el pasado 16 de septiembre del 2016 en la UPF, bajo la dirección de Rafael Ramírez. Para su investigación doctoral, Giraldo obtuvo las grabaciones de audio a partir de las características de alto nivel que extrajo de las partituras musicales y las correspondientes transformaciones expresivas (tiempo, energía, ornamentación). Una vez que cada nota fue caracterizada según su descripción en el contexto musical y para sus desviaciones expresivas, Giraldo exploró varias técnicas de aprendizaje automático para inducir modelos predictivos.

Las emociones en la interacción hombre-máquina son importantes para atender las diferentes expectativas de los usuarios. En el  Music and Machine Learning Lab,que dirige el profesor Rafael Ramírez-Meléndez, se trabaja en el uso de las emociones en las interfaces cerebro-computador en el ámbito musical. Aplican estas tecnologías para investigar los beneficios de combinar la música y las interfaces cerebro-computadora para la mejora de la salud y la calidad de vida de los usuarios.

Trabajos de referencia:

Sergio Giraldo, Rafel Ramírez (2016), “A Machine learning approach to ornamentation modelling and synthesis in jazz guitar”, Journal of Mathematics and Music, Vol. 10, No. 2, 107–126, http://dx.doi.org/10.1080/17459737.2016.1207814.

Sergio Giraldo (2016), Computational modelling expressive music performance in Jazz guitar: a machine learning approach, tesis doctoral defensada el 16 de setembre a la Universitat Pompeu Fabra, sota la supervisió de Rafael Ramírez-Meléndez.