Genre Classification of Saint Yared Qum Zema Using a Convolutional Neural Network

La música siempre ha sido más que solo sonido; durante siglos, ha servido como un vehículo para la historia, la fe y la identidad. En el ámbito de la ciencia moderna, los investigadores han desarrollado formas de enseñar a las computadoras a escuchar, un campo conocido como Recuperación de Información Musical. Esta disciplina pide a las máquinas que hagan lo que los oídos humanos hacen naturalmente: reconocer patrones, identificar instrumentos y clasificar canciones en categorías como jazz, rock o clásica. Si bien las computadoras se han vuelto bastante buenas analizando las vastas bibliotecas de la música occidental, a menudo tienen dificultades con formas tradicionales únicas que dependen únicamente de la voz humana. Estas tradiciones ancestrales, transmitidas de generación en generación sin partituras escritas ni instrumentos, presentan un desafío especial. Sus sonidos son sutiles, sus variaciones son finas y su preservación es urgente, ya que el número de personas que pueden enseñarlas está disminuyendo.

En Etiopía, la Iglesia Ortodoxa Tewahedo de Etiopía custodia una tradición musical sagrada conocida como Zema. Esta es una forma de canto espiritual compuesta en el siglo VI por San Yared, un erudito venerado como el director de música de su época. San Yared organizó estos cantos en tres estilos distintos: Geez, Ezil y Araray. Cuando estos cantos se interpretan sin ningún instrumento musical, usando solo la voz humana, se denominan Qum Zema. Durante siglos, el conocimiento de cómo distinguir entre estos tres estilos ha residido en las mentes de unos pocos eruditos especializados dentro de las escuelas eclesiásticas. Sin embargo, a medida que el número de estos expertos disminuye y el público en general encuentra dificultades para distinguir los estilos, existe el riesgo de que este arte sutil pueda perderse o malinterpretarse. La pregunta que enfrentaban los investigadores era si la tecnología moderna podría aprender a escuchar estas diferencias con la misma claridad que un erudito experimentado.

Un equipo de investigadores de la Universidad de Debre Markos se propuso responder a esta pregunta construyendo un modelo informático diseñado específicamente para reconocer los tres géneros del Qum Zema de San Yared. No intentaron enseñar a la computadora mediante la enumeración manual de las reglas de la música, como notas o ritmos específicos. En su lugar, utilizaron un tipo de inteligencia artificial llamada red neuronal convolucional, que es un sistema diseñado para aprender mirando imágenes. Para que esto funcionara, los investigadores primero tuvieron que traducir el sonido de los cantos en algo que la computadora pudiera ver. Tomaron grabaciones de las interpretaciones vocales y las dividieron en clips cortos de diez segundos. Cada uno de estos clips fue transformado en un espectrograma, que es un mapa visual que muestra cómo cambian el tono y el volumen del sonido a lo largo del tiempo. En este mapa, el eje horizontal representa el tiempo, el eje vertical representa el tono y el brillo de los colores muestra qué tan fuerte es el sonido en cualquier momento dado.

Los investigadores recolectaron un total de 1,555 de estos clips de audio de diez segundos de eruditos en escuelas eclesiásticas tradicionales. Se aseguraron de que las grabaciones estuvieran limpias eliminando el ruido de fondo y luego convirtieron cada uno de los clips en una imagen de espectrograma. Esta colección de imágenes se convirtió en los datos de entrenamiento para su nuevo modelo, al que llamaron Clasificador de Qum Zema de San Yared. El sistema recibió estas imágenes y se le pidió que aprendiera los patrones visuales que corresponden a los estilos Geez, Ezil y Araray. Para probar si el sistema realmente estaba aprendiendo, los investigadores dividieron sus datos, utilizando el 70 por ciento de las imágenes para enseñar al modelo y reservando el 30 por ciento restante para ver qué tan bien se desempeñaba con música que nunca había visto antes.

Los resultados mostraron que la computadora podía, de hecho, aprender a distinguir entre estos antiguos estilos vocales. Cuando el modelo fue probado con los clips de audio no vistos, identificó correctamente el género el 88 por ciento de las veces. Este fue un logro significativo, especialmente considerando que los tres estilos son muy similares entre sí y se cantan sin ayuda instrumental que guíe al oyente. Los investigadores compararon su modelo personalizado contra varios otros sistemas informáticos bien conocidos diseñados para el reconocimiento de imágenes, tales como ResNet, VGGNet y AlexNet. Aunque esos otros sistemas eran más grandes y requerían más potencia de cómputo, no funcionaron tan bien en esta tarea específica. El modelo personalizado logró una tasa de precisión más alta que los otros, siendo mucho más pequeño y rápido de ejecutar.

El estudio también exploró cómo diferentes configuraciones dentro del modelo informático afectaban su capacidad de aprendizaje. Encontraron que una forma específica de procesar la información, conocida como la función de activación ReLU, ayudó al modelo a aprender los patrones de manera más efectiva que otros métodos. Todo el proceso se basó en la idea de que, al convertir el sonido en imágenes, una computadora podía encontrar la "huella digital" única de cada estilo musical sin necesidad de que un humano explicara las reglas. Los investigadores señalaron que el rendimiento del modelo estaba limitado por el hecho de que el conjunto de datos contenía solo sonidos vocales con altas similitudes, lo que hacía que la tarea fuera inherentmente difícil, pero la tasa de éxito del 88 por ciento demostró que el aprendizaje profundo puede ser una herramienta poderosa para preservar tesoros culturales intangibles.

Este trabajo ofrece un camino práctico hacia adelante para proteger y enseñar el patrimonio musical de San Yared. Al crear una herramienta que puede clasificar automáticamente estos cantos, los investigadores han proporcionado una forma de apoyar la educación de nuevos eruditos y asegurar que las distinciones entre Geez, Ezil y Araray no se pierdan con el tiempo. El estudio sugiere que, si bien la tarea es compleja, la combinación de conocimiento tradicional y aprendizaje automático moderno puede cerrar la brecha entre el pasado y el futuro. Los investigadores planean continuar este trabajo recolectando más datos y explorando formas de hacer que el sistema sea aún más preciso, pero el éxito inicial demuestra que una computadora puede ser enseñada a escuchar las canciones sagradas de Etiopía con un nuevo tipo de comprensión.