La música existe en dos mundos distintos. Uno es el sonido que escuchamos, un flujo fluido de ondas que llena una habitación. El otro es el manual de instrucciones que los músicos utilizan para crear ese sonido, una página estática de símbolos conocida como partitura. Durante décadas, las computadoras han sido muy buenas leyendo el primer mundo, convirtiendo el audio en datos, pero han tenido dificultades con el segundo. Cuando los investigadores querían enseñar a una computadora a entender o crear música, dependían de un formato digital llamado MIDI. Este formato es excelente para decirle a una computadora qué notas tocar y cuándo tocarlas, actuando como una lista precisa de instrucciones para un pianista robótico. Sin embargo, esta lista carece de una capa crucial de matiz humano. Le dice a la máquina las notas, pero deja fuera las instrucciones emocionales que le dicen a un intérprete humano cómo sentirlas.

En la música de partitura occidental, los compositores llenan los espacios entre las notas con palabras y símbolos que guían la interpretación. Estas no son solo sugerencias; son comandos específicos sobre velocidad, volumen y estilo. Un compositor puede escribir "adagio" para decirle al intérprete que vaya lento, o "crescendo" para indicar un aumento gradual del volumen. Pueden marcar una sección para ser tocada con un toque agudo y desprendido o con un flujo suave y conectado. Estas instrucciones, conocidas como texto de expresión, son la hoja de ruta que convierte una secuencia de notas en una obra de arte viva y palpitante. Hasta ahora, las herramientas estándar para enseñar música a las computadoras han ignorado en gran medida esta hoja de ruta, tratando las notas como lo único que importa. Esta brecha significaba que, si bien las computadoras podían generar una melodía, no podían generar fácilmente el estado de ánimo, la tensión o la forma dinámica que hace que la música se sienta humana.

Un equipo de investigadores ha abordado esta limitación creando una nueva herramienta llamada MusPyExpress. Este software es una actualización de una biblioteca existente utilizada por científicos de la computación para procesar datos musicales. El nuevo sistema está diseñado para leer las instrucciones ricas y detalladas que se encuentran en MusicXML, un formato utilizado para partituras digitales que es mucho más expresivo que el antiguo estándar MIDI. Al construir esta extensión, los investigadores permitieron que las computadoras extraigan y comprendan toda la gama de texto de expresión, desde marcas de tempo que cambian la velocidad de la música hasta símbolos dinámicos que controlan qué tan fuerte o suave debe ser una nota. Trataron estas instrucciones no como meros comentarios, sino como puntos de datos esenciales que pueden almacenarse, analizarse y utilizarse para enseñar a las máquinas cómo componer con sentimiento.

Para demostrar que esta nueva herramienta podía manejar la complejidad de la música del mundo real, los investigadores recurrieron a una enorme colección de partituras de dominio público que contiene más de 220,000 archivos. Utilizaron MusPyExpress para escanear esta biblioteca y descubrieron que la gran mayoría de estas canciones, más del 95 por ciento, contenían estas instrucciones expresivas. En total, el software identificó más de 3.5 millones de marcas individuales a través de la colección. El análisis reveló que estas instrucciones no están dispersas al azar; siguen patrones que reflejan la historia de la música misma. Por ejemplo, los investigadores encontraron que los compositores de la era Romántica, que vivieron en el siglo XIX, usaron estas marcas expresivas con mucha más frecuencia que los compositores de los periodos anteriores, Barroco o Clásico. Esto concuerda con la práctica histórica, ya que los compositores románticos a menudo escribían direcciones emocionales específicas para guiar a los intérpretes, mientras que los compositores anteriores dependían más de las convenciones de interpretación de su tiempo.

El estudio también mostró cómo la densidad de estas instrucciones varía a través de una pieza musical. Las marcas estructurales, como las letras de ensayo que dividen una canción en secciones, aparecen con menos frecuencia y están más espaciadas. En contraste, las instrucciones sobre tempo y volumen pueden estar muy concentradas, apareciendo frecuentemente para dar forma al flujo inmediato de la melodía. Los investigadores incluso observaron que ciertos compositores, como Liszt y Debussy, llenaron sus partituras con estos detalles, mientras que otros los usaron de manera más parca. Este mapeo detallado del texto de expresión proporcionó la primera imagen clara de cuántos datos emocionales están ocultos dentro de la partitura digital estándar, datos que anteriormente eran inaccesibles para la mayoría de los modelos informáticos.

Con esta nueva capacidad para leer y comprender el texto de expresión, los investigadores demostraron tres formas distintas en las que una computadora podría usar esta información. Primero, mostraron que un modelo puede aprender a generar tanto las notas como las instrucciones de expresión al mismoamente, imitando la forma en que un compositor humano escribe una partitura. Segundo, entrenaron un sistema para crear música basada en un conjunto específico de instrucciones emocionales, permitiendo que un usuario proporcione una secuencia de palabras como "lento, fuerte, luego suave" y que la computadora genere una melodía que se ajuste a ese estado de ánimo. Esto podría ser útil para crear música de fondo para películas o videojuegos donde el sonido necesita coincidir con un arco narrativo específico. Tercero, probaron un sistema que podía tomar una secuencia de notas simple y sin emociones y añadir automáticamente las marcas de expresión apropiadas, anotando efectivamente una melodía pura con el contexto emocional que le faltaba.

Los experimentos demostraron que cuando la computadora recibía estas instrucciones expresivas, su capacidad para crear música realista mejoraba. Los modelos que aprendieron a generar notas y texto de expresión juntos, o que utilizaron el texto de expresión como guía, produjeron resultados que eran más consistentes con los patrones musicales humanos que los modelos que solo miraban las notas. Los investigadores encontraron que el enfoque más efectivo consistía en alimentar las instrucciones de expresión al modelo justo antes de que generara las notas correspondientes, permitiendo que la computadora anticipara la dirección emocional de la música. Aunque los modelos no replicaron perfectamente la complejidad de una interpretación humana, los resultados sugirieron que incluir estas instrucciones textuales ayuda significativamente a la computadora a comprender la estructura y el sentimiento de una pieza.

Este trabajo no pretende haber resuelto el problema de la inteligencia artificial creando música perfecta, ni sugiere que las máquinas puedan ahora reemplazar a los compositores humanos. En cambio, establece un nuevo fundamento para cómo las computadoras interactúan con las partituras musicales. Al desbloquear la capa expresiva de la partitura, MusPyExpress permite a los investigadores construir modelos que son conscientes del contexto completo de una composición. Los investigadores planean usar esta herramienta para anotar grandes colecciones de música existente que actualmente carecen de estos detalles emocionales, aportando potencialmente un nuevo nivel de expresividad a vastas bibliotecas de música digital. El objetivo final no es reemplazar el toque humano, sino dar a las máquinas el vocabulario para entender y reproducir las sutiles instrucciones que convierten una secuencia de notas en una historia.