vega-mir: An information-theoretic Python toolkit for symbolic music, with applications to harmonic graphs and rubato spectra

Este artículo presenta *vega-mir*, un toolkit de Python de código abierto para el análisis simbólico de la música que incorpora nueve métricas de la teoría de la información, y demuestra su utilidad mediante estudios de caso que revelan una correlación entre la centralidad del grafo armónico y la distancia armónica entre compositores, así como evidencia de que el rubato de Glenn Gould se caracteriza por una periodicidad estructurada en lugar de una rigidez metronómica.

Lo esencial

Imagina que tienes una biblioteca masiva de partituras de diferentes compositores e intérpretes. Durante mucho tiempo, los investigadores de música han intentado comprender estas bibliotecas tomando simples "instantáneas": como contar con qué frecuencia un compositor usa una nota específica o medir la velocidad promedio de una interpretación. Pero estas instantáneas a menudo pasan por alto el panorama general, como el flujo de una conversación o el ritmo de un latido cardíaco.

Este artículo introduce vega-mir, una nueva "caja de herramientas" de código abierto para informáticos y musicólogos. Piensa en ella como un cuchillo suizo que viene precargado con nueve herramientas matemáticas específicas diseñadas para analizar música escrita como símbolos (como partituras o códigos digitales) en lugar de ondas sonoras.

Aquí tienes un desglose de lo que hace realmente el artículo, utilizando analogías simples:

1. La Caja de Herramientas (La Biblioteca)

Antes de esta herramienta, si un investigador quería analizar música, tenía que construir su propia cinta métrica, su propia balanza y su propia calculadora para cada proyecto individual. Era desordenado y difícil comparar resultados.

vega-mir es como un kit estandarizado y precalibrado. Agrupa nueve "métricas" diferentes (formas de medir) en un solo paquete limpio.

• Tres de estas herramientas ya se habían utilizado en un estudio anterior (llamado "Cygnus") para analizar miles de grabaciones de piano.
• Cuatro son nuevos "comprobaciones de sanidad" que los autores probaron en un pequeño grupo de compositores para asegurarse de que funcionaban correctamente.
• Dos son herramientas totalmente nuevas que los autores utilizan en este artículo para profundizar más que nunca antes.

2. Estudio de Caso A: El "Mapa Armónico" (Transiciones de Acordes)

La primera herramienta nueva examina cómo se mueven los acordes de uno a otro. Imagina un mapa de ciudad donde cada intersección es un acorde musical.

• La Vieja Forma: Los investigadores solían simplemente contar cuántos coches (acordes) pasaban por cada intersección. Sabían qué intersecciones estaban concurridas, pero no cómo fluía el tráfico entre ellas.
• La Nueva Forma (vega-mir): Esta herramienta construye un mapa de tráfico completo. Calcula un "centro de gravedad": un acorde específico que actúa como el principal nudo de la ciudad, atrayendo la mayor parte del tráfico.
• El Descubrimiento: Los autores analizaron a 14 compositores famosos (como Bach, Mozart y Beethoven). Descubrieron que para la mayoría de los compositores, el "centro de gravedad" no era el acorde de tónica (el hogar), sino un acorde vecino (la supertónica).
  • Analogía: Es como darse cuenta de que en una ciudad, el nudo más importante no es el Ayuntamiento (el hogar), sino la estación principal de tren (el vecino) porque ahí es donde ocurren todas las conexiones.
  • También descubrieron que la ubicación de este "nudo" se correlaciona con lo diferente que suena la música de un compositor respecto a otros, pero el tipo de nudo (mayor vs. menor) no cuenta toda la historia.

3. Estudio de Caso B: El "Radar de Rubato" (Cambios de Tempo)

El "rubato" es cuando un músico acelera o desacelera ligeramente por efecto emocional. La vieja forma de medir esto consistía en tomar la velocidad promedio de toda la interpretación y decir: "Esta persona es rápida" o "Esta persona es lenta".

• El Problema: Esto es como juzgar a un corredor solo por su velocidad promedio. Se pierde si está corriendo a sprint en ráfagas, trotando constantemente o derivando lentamente.
• La Nueva Forma (vega-mir): Esta herramienta actúa como un radar meteorológico. En lugar de medir solo la velocidad del viento, observa el patrón del viento. ¿Es una brisa constante? ¿Una ráfaga repentina? ¿Una onda rítmica?
• El Descubrimiento: Los autores estudiaron a tres pianistas famosos interpretando a Bach: Glenn Gould, András Schiff y Sviatoslav Richter.
  • El Cliché: La gente suele decir que Glenn Gould toca como un "metrónomo" (perfectamente robótico) porque sus cambios de velocidad promedio son muy pequeños.
  • La Realidad: El radar mostró que Gould no es robótico; simplemente es estructurado. Mientras que Schiff y Richter dejaban que su tempo derivara libremente (como una nube suelta), el tempo de Gould cambiaba en un patrón muy específico y rítmico (como un latido cardíaco).
  • El Giro: Gould en realidad tenía la mayor estructura rítmica (periodicidad más alta) de los tres. Su "rubato" era pequeño en tamaño pero muy organizado en el tiempo. La antigua medición de "velocidad promedio" ocultaba este hecho por completo.

4. Por Qué Esto Importa

El artículo no afirma descubrir nuevas leyes de la física o de la teoría musical. En cambio, se trata de consolidación.

• Toma matemáticas complejas que normalmente requieren un doctorado para implementar y las convierte en comandos simples de una sola línea que cualquiera puede usar.
• Demuestra que observar la estructura de la música (cómo se conectan los acordes, cómo se repiten los patrones de tempo) revela detalles ocultos que los promedios simples pasan por alto.
• Proporciona un lenguaje compartido para que diferentes investigadores puedan comparar sus resultados sin discutir sobre quién usó la calculadora correcta.

En resumen: Los autores construyeron un mejor microscopio para la música. Lo utilizaron para mostrar que un famoso pianista no es un robot, sino un arquitecto rítmico, y que los "nudos" de la armonía musical a menudo son diferentes de lo que pensábamos. Todo esto está ahora disponible para que cualquiera lo utilice en su propia investigación.

Resumen técnico

Resumen Técnico de vega-mir: Un toolkit informático en Python basado en teoría de la información para música simbólica

Declaración del Problema
Aunque los descriptores basados en teoría de la información (por ejemplo, entropía de Shannon, divergencia de Kullback-Leibler, ajustes de tipo Zipf) se han convertido en estándar para el análisis cuantitativo de la música simbólica, su implementación sigue siendo fragmentada. La investigación actual típicamente requiere "coser" llamadas dispares a scipy.stats, algoritmos de suavizado creados a medida y código de análisis de redes ad hoc. Esta fragmentación resulta en una falta de APIs compartidas, suites de pruebas o valores de referencia, lo que obstaculiza la reproducibilidad y la validación entre estudios. Existe la necesidad de una biblioteca consolidada y probada que agrupe estas métricas con valores predeterminados consistentes y valores de referencia para las comunidades de recuperación de información musical (MIR) y musicología computacional.

Metodología
El artículo introduce vega-mir, una biblioteca de código abierto en Python (v0.0.1) diseñada para operar sobre entradas de música simbólica (secuencias de grados de escala, grafos de transición de acordes, curvas de tempo). La biblioteca se construye sobre numpy, scipy, networkx, mido y pretty_midi, y sigue una estrategia de validación rigurosa:

1. Anclas Analíticas: Las métricas se prueban unitariamente contra verdades fundamentales teóricas (por ejemplo, distribuciones uniformes que producen valores de entropía específicos, ruido blanco que produce dimensiones fractales específicas).
2. Verificaciones de Paridad: Las implementaciones se verifican para lograr una paridad exacta con la tubería upstream Cygnus (Jalbert-Desforges 2026).
3. Diseño de API: La biblioteca expone una API de tres capas para cada métrica: una función primitiva para vectores normalizados, una función de conveniencia basada en conteos con suavizado de Laplace y una función de conveniencia basada en secuencias para entradas de acordes/grados de escala.

El artículo cataloga nueve métricas divididas en cuatro dominios:

• Teoría de la Información: Entropía de Shannon y divergencia de Kullback-Leibler (KL) (anteriormente desplegadas en Cygnus).
• Rango-Frecuencia: Ajustes de tipo Zipf para distribuciones marginales y de transición (anteriormente desplegados en Cygnus).
• Desigualdad: Coeficiente de Gini multidimensional.
• Redes: Análisis de redes en grafos de transición de acordes (PageRank, agrupamiento, modularidad).
• Series Temporales/Procesamiento de Señales: Pruebas de estacionariedad Chi-cuadrado, dimensión fractal de Higuchi, análisis espectral de rubato y ajuste de distribución de intervalos.

Contribuciones Clave

1. Consolidación de la Biblioteca: La contribución principal es la consolidación de nueve métricas detrás de una única API probada y citable con un conjunto compartido de valores de referencia, reduciendo el costo de activación para análisis distribucionales.
2. Estudio de Caso 1: Firmas de Redes Armónicas: Un análisis de redes de grafos de transición de acordes para 14 compositores de MAESTRO ($N \ge 10$ piezas). El estudio construye grafos dirigidos ponderados de transiciones de grados de escala y analiza descriptores a nivel de nodo (PageRank) y a nivel de grafo.
3. Estudio de Caso 2: Firmas Espectrales de Rubato: Un análisis espectral de curvas de tempo (rubato) en un corpus de 247 piezas de Bach interpretado por tres pianistas (Schiff, Gould, Richter). El estudio utiliza un clasificador espectral para categorizar el rubato en cuatro tipos (metronómico, libre, cuasi-periódico, periódico) basándose en la densidad espectral de potencia y las relaciones de periodicidad.

Resultados

• Redes Armónicas:

  • Saturación del Grafo: En el umbral de probabilidad de transición del 1%, los grafos de transición armónica para los 14 compositores están saturados (retienen ~120 de 210 aristas posibles) y exhiben propiedades de mundo pequeño.
  • Identidad del Centro de Gravedad: El "centro de gravedad" de PageRank (el grado de escala con el PageRank más alto) varía entre compositores, tomando cinco valores distintos (por ejemplo, Tónica Mayor I para Mozart; Supertónica II para Bach, Haydn, etc.). Sin embargo, esta identidad categórica no se correlaciona con la distancia KL marginal ($\rho = 0.13, p = 0.21$).
  • Correlación Continua: El valor continuo de PageRank del nodo del centro de gravedad se correlaciona con la distancia KL marginal ($\rho = 0.61$, Spearman, $N=14$). Esta correlación es impulsada casi en su totalidad por la única característica de PageRank; otros descriptores de red (densidad, agrupamiento) son cuasi-uniformes en todo el corpus.
  • Apalancamiento: La correlación es sensible a compositores individuales; eliminar a Mendelssohn reduce significativamente la correlación, lo que indica que el resultado es una observación cualitativa de ordenamiento y no una estimación estadísticamente estable.

• Espectros de Rubato:

  • Inversión del Cliché: Contrario a la interpretación escalar de que la baja desviación estándar ($\sigma$) de Glenn Gould implica un toque "metronómico", el análisis espectral revela que Gould tiene la relación de periodicidad más alta (0.293) entre los tres pianistas, significativamente mayor que Schiff (0.204) y Richter (0.257).
  • Color Temporal: El rubato de Gould se caracteriza como "pequeño en amplitud pero estructurado en el tiempo", con un período dominante mediano de 66 tiempos, en comparación con 102 (Schiff) y 104 (Richter).
  • Análisis Diacrónico: En una comparación de las Variaciones Goldberg de Gould de 1955 vs. 1981, la grabación de 1981 muestra una reducción significativa en la amplitud del rubato ($\Delta\sigma = -2.39$ BPM) pero ningún cambio significativo en el color espectral (el cambio en la relación de periodicidad no es significativo). La interpretación de 1981 es una versión "más tranquila" del mismo rubato estructural, no una reestructurada.
  • Robustez: El hallazgo de que Gould mantiene la mayoría de las clasificaciones "periódicas" sobrevive al análisis de sensibilidad de umbrales (17/17 ejecuciones de perturbación).

Significado y Afirmaciones
El artículo enmarca explícitamente a vega-mir como una consolidación, no un descubrimiento. Los fundamentos matemáticos de las nueve métricas tienen décadas de antigüedad; la contribución radica en proporcionar "una única API probada con valores predeterminados consistentes y un conjunto compartido de valores de referencia".

Los autores afirman que la biblioteca permite:

1. Reproducibilidad: Al ofrecer una suite de pruebas compartida y valores de referencia, los resultados pueden ser validados cruzadamente entre estudios.
2. Recuperación de Señales: Los estudios de caso demuestran que los descriptores basados en teoría de la información más allá de las estadísticas marginales (específicamente la topología de red y el color espectral) recuperan señales que los resúmenes escalares descartan. Por ejemplo, la media escalar del rubato oscurece el "color temporal" de la interpretación, mientras que el análisis de redes revela que el "centro de gravedad" del flujo armónico es un descriptor continuo correlacionado con la divergencia marginal, distinto de su identidad categórica.
3. Accesibilidad: La biblioteca reduce la barrera de entrada para investigadores que necesitan análisis distribucionales sin reimplementar las matemáticas subyacentes.

El artículo mantiene modestia respecto a las afirmaciones estadísticas, señalando que las correlaciones de red son observaciones cualitativas sujetas a un alto apalancamiento por parte de compositores individuales, y que cuatro de las nueve métricas (Gini, estacionariedad, Higuchi, intervalos) actualmente solo están validadas en conjuntos de datos pequeños y esperan un despliegue empírico a escala de corpus completo en trabajos futuros.