En música, els ornaments són floritures que serveixen per donar expressivitat a la peça musical que s’està interpretant. Ara, una tecnologia que han desenvolupat Sergio Giraldo i Rafael Ramirez, investigadors del Grup de Recerca en Tecnologia Musical  (MTG) del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF, permet als ordinadors aprendre a interpretar música jazz amb tota la seva expressivitat a través de tècniques d’intel·ligència artificial.  

Per fer-ho possible, els investigadors han estudiat els recursos expressius que fan servir els guitarristes de jazz per transmetre les emocions en l’execució de les seves peces musicals. Tot seguit, aquesta informació ha estat emprada per entrenar models computacionals amb l’ajut de gravacions realitzades per un guitarrista professional,  per tal que el model fos capaç de predir la manera d’ornamentar una melodia, és a dir, amb tota la seva expressivitat. El resultat ha estat un programa que genera automàticament interpretacions de música jazz amb l’expressivitat d’un expert i que està disponible en línia.

Sergio Giraldo i Rafael Ramírez, membres del Music and Machine Learning Lab del  MTG presenten els detalls del sistema d’aprenentatge per generar de manera automàtica interpretacions de jazz  amb expressivitat al Journal of Mathematics and Music i aporten alguns exemples a Machine Learning and Jazz, que publica SoundCloud,  una plataforma social de sons en què es poden crear sons i compartir-los.  Els autors, en aquesta plataforma, mostren la peça musical “Yesterday” de Jerome Kern la qual va ser generada emprant la metodologia que aquests investigadors han posat a punt per a interpretació de música expressiva per a guitarra de jazz.

El modelatge computacional per a la musica de jazz emprant la guitarra com a estudi de cas, va ser el tema de la tesis doctoral que Sergio Giraldo va defensar el passat 16 de setembre del 2016 a la UPF, sota la direcció de Rafael Ramírez.  Per a la seva recerca doctoral, Giraldo va obtenir les gravacions d’àudio a partir de les característiques d’alt nivell que va extraure de les partitures musicals i les corresponents transformacions expressives (temps, energia, ornamentació). Una vegada que cada nota va ser caracteritzada segons la seva descripció en el context musical i per a les seves desviacions expressives, Giraldo va explorar vàries tècniques d’aprenentatge automàtic per induir models predictius.

Les emocions en la interacció home-màquina són importants per tal d’atendre les diferents expectatives dels usuaris. Al Music and Machine Learning Lab, que dirigeix el professor Rafael Ramírez-Meléndez, es treballa en l’ús de les emocions en les interfícies cervell-computador en l’àmbit musical. Apliquen aquestes tecnologies per investigar els beneficis de combinar la música i les interfícies cervell-computadora per a la millora de la salut i la qualitat de vida dels usuaris.

Treballs de referència:

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.