💻 computer science

Tonnetz-Driven Graph Wedgelet for Harmonic Complexity Reduction in Music Scores

Este artículo propone un método para reducir la complejidad armónica de partituras musicales simbólicas mediante la construcción de un grafo heterogéneo de elementos musicales y la compresión del subgrafo de piano utilizando un algoritmo ávido adaptativo que particiona las notas en cuñas basadas en un incrustamiento Tonnetz de seis dimensiones para generar partituras simplificadas y ejecutables preservando las relaciones armónicas.

Autores originales: Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

Publicado 2026-07-13

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Emmanuel Caronna, Elisa Francomano, Silvia Licciardi

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes un castillo de LEGO enorme e intrincado que representa una pieza de música. Cada uno de sus ladrillos es una nota, y todos están apilados en un patrón específico y complejo. Ahora, imagina que quieres encoger ese castillo para que quepa en tu bolsillo sin perder su "alma". No puedes simplemente aplastarlo al azar, porque dejaría de parecer un castillo. Necesitas una forma inteligente de agrupar los ladrillos para que, cuando lo reconstruyas, siga pareciéndose y sonando al original, solo que de forma más simple.

Eso es exactamente lo que hace este artículo, pero en lugar de LEGOs, utiliza partituras musicales, y en lugar de manos, utiliza una herramienta matemática ingeniosa llamada grafo.

El Problema: Demasiados ladrillos, poco espacio

Las partituras musicales, especialmente las partes de piano que acompañan a un cantante, suelen estar llenas de repetición. Piensa en una canción donde el piano toca un patrón elegante y ondulante una y otra vez. Para una computadora, cada una de las notas en ese patrón ondulante es un ladrillo separado y único. Esto crea un "grafo" (un mapa de conexiones) que es enorme y desordenado.

Los autores argumentan que las formas anteriores de simplificar la música eran como intentar aplanar una escultura 3D en una hoja de papel plana. O bien ignoraban las relaciones musicales entre las notas, o trataban la música como una simple lista de sonidos, perdiendo las profundas conexiones armónicas que hacen que la música suene "bien".

La Solución: El "Mapa de Armonía" (Tonnetz)

Para solucionar esto, los investigadores construyeron un mapa especial llamado Tonnetz. Imagina la esfera de un reloj estándar donde los números del 1 al 12 representan notas musicales. En un reloj normal, la distancia entre el 1 y el 2 es la misma que entre el 1 y el 7. Pero en la música, el 1 y el 7 (una quinta perfecta) son mejores amigos, mientras que el 1 y el 2 son extraños.

Los autores utilizan una versión de este mapa en seis dimensiones. Piensa en ello como un patio de juegos mágico y multicapa donde las notas que suenan bien juntas están físicamente cerca unas de otras, y las notas que chocan están lejos. Esto es crucial porque asegura que la computadora entienda la armonía, no solo el orden de las notas.

El Truco de Magia: El rebanador "Wedge"

Aquí está el núcleo de su invención: el Graph Wedgelet.

Imagina que tienes una pila gigante y desordenada de arcilla (el grafo de la música). Quieres tallarla en trozos grandes y suaves llamados cuñas (wedges). El objetivo es hacer que cada trozo sea tan uniforme que puedas describir todo el bloque con un solo número (el promedio de las notas dentro de él).

El artículo presenta un algoritmo "Fully Adaptive Greedy". Esta es una forma elegante de decir que la computadora juega al juego de "caliente o frío":

Mira toda la pila de arcilla.
Pregunta: "Si corto esto a la mitad ahora mismo, ¿qué corte hará que los dos nuevos montones sean más similares entre sí?".
Realiza el corte.
Repite este proceso, dividiendo los montones recursivamente hasta que tenga el número de trozos que necesita.

El "corte" no es aleatorio. Utiliza el mapa Tonnetz para asegurar que las notas agrupadas estén relacionadas armónicamente. Si un trozo contiene un acorde de Do mayor, la computadora lo mantiene unido. No agrupará accidentalmente un Do con una nota que suene terrible junto a él.

El Resultado: Una partitura más simple y ejecutable

Una vez que la música se ha troceado en estas "cuñas", la computadora reemplaza cada nota en una cuña con la nota promedio de ese grupo.

Piénsalo de esta manera: Si una cuña contiene 50 notas que son todas variaciones de un acorde de Do mayor, la computadora dice: "Bien, para toda esta sección, solo tocaremos el 'promedio' de Do".

El artículo muestra que esto funciona de maravilla. En sus simulaciones, tomaron 70 partituras reales de tres compositores diferentes. Probaron cuánto podían encoger la música (la tasa de compresión) antes de que sonara mal.

Cuando mantenían todo (100% de las notas), el resultado era perfecto.
Cuando la comprimían fuertemente (reduciéndola a solo unas pocas cuñas), la música se volvía mucho más simple, pero seguía sonando como la canción original.

El artículo establece explícitamente que este método no introduce nuevas notas que no estuvieran en la canción original. Solo elige entre las notas que el compositor ya escribió. Esta es una función de seguridad: la partitura simplificada siempre es jugable y legible para un humano, y nunca inventa notas extrañas o alienígenas que no pertenecen allí.

Lo que esto NO es (y lo que NO hace)

Es importante saber lo que este artículo no afirma.

No afirma que sea una varita mágica que pueda comprimir cualquier archivo instantáneamente. Funciona específicamente en la parte del acompañamiento de piano de las partituras de voz y piano. Aún no maneja la melodía o la letra de la misma manera.
No dice que este sea el método de compresión "perfecto" para siempre. Los autores admiten que, por ahora, reemplazan una cuña entera con una única nota constante. En el futuro, esperan usar formas más complejas para capturar el movimiento dentante de una cuña, pero por ahora, es un promedio plano y constante.
Los resultados se basan en simulaciones y experimentos sobre un conjunto específico de 70 partituras. No han probado esto en cada pieza de música jamás escrita, pero las matemáticas funcionan para las que intentaron.

La Conclusión

Los autores han construido una herramienta que actúa como un editor inteligente para la música. Observa una parte de piano compleja, encuentra los patrones armónicos ocultos y agrupa las notas similares en "cuñas". Luego, simplifica la partitura reemplazando esos grupos con su sonido promedio.

El resultado es una nueva versión más simple de la música que es más fácil de leer y tocar, pero que sigue sonando como la pieza original. Es como tomar una foto de alta resolución y convertirla en una versión de pixel art que todavía se ve exactamente igual al sujeto, solo que con menos píxeles. El artículo sugiere que este podría ser el primer paso hacia un software que cree automáticamente arreglos simplificados para principiantes, asegurando que la música se mantenga fiel a la visión original del compositor.

Resumen Técnico: Wedgelet de Grafo Impulsado por Tonnetz para la Reducción de la Complejidad Armónica en Partituras Musicales

Planteamiento del Problema
Las partituras musicales simbólicas, particularmente aquellas que contienen partes vocales y de piano, exhiben una redundancia estructural significativa en su acompañamiento. Las figuraciones armónicas, tales como bajos de Alberti, acordes arpegiados y ostinatos, suelen repetir las mismas secuencias armónicas a lo largo de extensiones temporales prolongadas. Si bien existen métodos de compresión para la música simbólica —que van desde la teoría de la información algorítmica (p. ej., Lempel-Ziv) hasta transformadas de wavelet en señales melódicas y la tokenización para el procesamiento neuronal—, estos sufren de limitaciones específicas. Los enfoques actuales operan típicamente a nivel de señal, de eventos secuenciales o de tokens simbólicos. Crucialmente, no logran simultáneamente: (i) adaptarse a la geometría de la representación de grafo subyacente de la partitura; (ii) considerar la distancia armónica en lugar de la mera distancia cromática; y (iii) restringir la reconstrucción para que permanezca como una partitura musical válida dentro de la escala e instrumentación originales. Existe la necesidad de un esquema de compresión que reduzca la complejidad armónica preservando la información relevante para la tarea, las relaciones entre notas y la estructura del grafo.

Metodología
Los autores proponen un esquema de compresión que preserva la estructura para el subgrafo de piano de partituras vocal-pianísticas, utilizando un marco de Wedgelet de Grafo Impulsado por Tonnetz. La metodología integra el procesamiento de señales en grafos con la teoría musical de la siguiente manera:

Representación de Grafo: La partitura musical se modela como un grafo heterogéneo donde los nodos representan notas (línea melódica, letras, acompañamiento) y las aristas codifican relaciones secuenciales, verticales y transmodales. La compresión se enfoca específicamente en el subgrafo de piano ( $G_{piano}$ ).
Incrustación (Embedding) de Tonnetz: Para asegurar que la compresión respete las relaciones armónicas, las notas musicales se mapean a un espacio vectorial de seis dimensiones utilizando una incrustación de Tonnetz. Esta incrustación proyecta las clases de altura sobre un círculo utilizando tres factores enteros distintos ( $k_1, k_2, k_3$ ) para capturar terceras mayores, terceras menores y el círculo de quintas. La métrica euclidiana en este espacio de 6D captura la proximidad armónica en lugar de la simple distancia cromática.
Partición de Wedge Binaria (BWP): El grafo se particiona en regiones llamadas "wedges" (cuñas) utilizando un algoritmo de Codicia Totalmente Adaptativo (FA-greedy).
- El proceso construye un árbol binario mediante la división recursiva del grafo.
- Criterio de División: En cada paso, el algoritmo selecciona un wedge para dividir y un nuevo nodo central ( $v_{m+1}$ ) para minimizar el error $L_2$ de la partición resultante dentro de la incrustación de Tonnetz de 6D.
- Conectividad: La división se basa en la distancia de camino más corto en el grafo, asegurando que cada wedge resultante sea un subgrafo conectado (musicalmente contiguo).
Codificación y Decodificación:
- Codificador: El algoritmo FA-greedy genera un conjunto de $M$ wedges basados en una razón de compresión $r$ . La señal dentro de cada wedge se aproxima mediante el valor medio de las notas en la incrustación de Tonnetz.
- Decodificador: Para reconstruir una partitura ejecutable, el valor medio de cada wedge se cuantiza. El algoritmo selecciona la clase de altura más cercana presente en el wedge original del conjunto de clases de altura realmente utilizadas en esa región ( $PC(V_{vi})$ ). Esto asegura que las notas reconstruidas provengan de la paleta original del compositor, evitando la introducción de clases de altura ajenas.
Exportación: La señal MIDI reconstruida, de tipo constante por tramos, se mapea de nuevo a la estructura MusicXML original, preservando todos los atributos no relacionados con la altura (duración, dinámica, articulación, etc.) mientras actualiza los valores de altura.

Contribuciones Clave

Compresión Consciente de la Armonía: El artículo introduce un método de compresión que minimiza explícitamente el error en un espacio armónico (Tonnetz) en lugar de un espacio cromático o de series temporales, asegurando que la complejidad reducida refleje las relaciones armónicas intrínsecas.
Partición Adaptativa al Grafo: Al aplicar árboles de partición de wedge binaria al grafo de la partitura, el método se adapta a la topología específica del acompañamiento musical, manteniendo la conectividad de los fragmentos musicales.
Reconstrucción de Partitura Válida: La estrategia de cuantización propuesta garantiza que el resultado sea una partitura válida, legible por humanos y ejecutable que retiene la instrumentación y escala originales, evitando la generación de notas "alucinadas" no presentes en el material de origen.
Integración de Marcos de Trabajo: Este trabajo extiende el marco de los graph wedgelets (aplicado previamente a imágenes y datos biomédicos) al dominio de la musicología simbólica, combinándolo con incrustaciones de altura multidimensionales.

Resultados Experimentales
Los autores evaluaron el enfoque en un corpus de 70 partituras musicales simbólicas (formato MusicXML) de tres compositores diferentes.

Métrica: El rendimiento se midió mediante el Error Cuadrático Medio (RMSE) entre la señal con valores de Tonnetz original y la aproximación de wedgelet, computado por vértice.
Hallazgos: Los experimentos demostraron un compromiso (trade-off) entre la razón de compresión ( $r$ ) y la fidelidad de la reconstrucción. A medida que la razón $r$ disminuye (menos wedges), el RMSE aumenta, indicando una mayor desviación armónica. Sin embargo, el análisis visual de los compases reconstruidos (Fig. 4) mostró que, incluso en razones bajas, el sistema preserva la altura original para una parte significativa de las notas (cabezas de nota verdes), ocurriendo las reasignaciones (cabezas de nota amarillas) principalmente donde la simplificación armónica es más efectiva. El método generó con éxito partituras simplificadas que permanecen reconocibles como las piezas originales.

Significancia y Reivindicaciones
El artículo posiciona este trabajo como un paso necesario hacia la generación automática de arreglos musicales simplificados. Los autores afirman que su método establece una "condición necesaria" para este objetivo: asegurar que un arreglo comprimido permanezca como una partitura válida que sea reconocible como la pieza original. Al preservar la estructura armónica y la topología del grafo, el método permite la reducción de la complejidad armónica sin distorsionar la identidad musical del acompañamiento. Los autores señalan modestamente que el esquema actual opera sobre el subgrafo homogéneo del piano de forma aislada y que se requiere trabajo futuro para extender las métricas de error y los criterios de división al grafo heterogéneo completo (incluyendo melodía y letras) y para explorar funciones no constantes dentro de los wedges para capturar el movimiento armónico intra-wedge.