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

La musique a toujours été bien plus qu'un simple son ; pendant des siècles, elle a servi de réceptacle à l'histoire, à la foi et à l'identité. Dans le domaine de la science moderne, les chercheurs ont développé des moyens d'apprendre aux ordinateurs à écouter, un domaine connu sous le nom de Recherche d'Information Musicale (Music Information Retrieval). Cette discipline demande aux machines de faire ce que les oreilles humaines font naturellement : reconnaître des motifs, identifier des instruments et classer des chansons dans des catégories telles que le jazz, le rock ou le classique. Bien que les ordinateurs soient devenus très performants pour analyser les vastes bibliothèques de musique occidentale, ils éprouvent souvent des difficultés avec des formes traditionnelles uniques qui reposent uniquement sur la voix humaine. Ces traditions ancestrales, transmises de génération en génération sans partitions écrites ni instruments, présentent un défi particulier. Leurs sons sont subtils, leurs variations sont fines et leur préservation est urgente, car le nombre de personnes capables de les enseigner diminue.

En Éthiopie, l'Église orthodoxe tewahedo éthiopienne garde une tradition musicale sacrée appelée Zema. Il s'agit d'une forme de chant spirituel composée au sixième siècle par Saint Yared, un érudit vénéré comme le grand professeur de musique de son époque. Saint Yared a organisé ces chants en trois styles distincts : Geez, Ezil et Araray. Lorsque ces chants sont interprétés sans aucun instrument de musique, en utilisant uniquement la voix humaine, ils sont appelés Qum Zema. Pendant des siècles, la connaissance de la distinction entre ces trois styles a vécu dans l'esprit de quelques érudits spécialisés au sein des écoles de l'église. Cependant, à mesure que le nombre de ces experts décline et que le grand public éprouve des difficultés à distinguer les styles, il existe un risque que cet art subtil soit perdu ou mal compris. La question qui se posait aux chercheurs était de savoir si la technologie moderne pouvait apprendre à entendre ces différences aussi clairement qu'un érudit chevronné.

Une équipe de chercheurs de l'Université de Debre Markos s'est donné pour mission de répondre à cette question en construisant un modèle informatique conçu spécifiquement pour reconnaître les trois genres du Qum Zema de Saint Yared. Ils n'ont pas essayé d'enseigner à l'ordinateur en énumérant manuellement les règles de la musique, telles que des notes ou des rythmes spécifiques. Au lieu de cela, ils ont utilisé un type d'intelligence artificielle appelé réseau de neurones convolutifs, qui est un système conçu pour apprendre en regardant des images. Pour que cela fonctionne, les chercheurs ont d'abord dû traduire le son des chants en quelque chose que l'ordinateur puisse voir. Ils ont pris des enregistrements de performances vocales et les ont décomposés en courts clips de dix secondes. Chacun de ces clips a ensuite été transformé en un spectrogramme, qui est une carte visuelle montrant comment la hauteur et le volume du son changent au fil du temps. Dans cette carte, l'axe horizontal représente le temps, l'axe vertical représente la hauteur et la luminosité des couleurs montre l'intensité du son à n'importe quel moment donné.

Les chercheurs ont rassemblé un total de 1 555 de ces clips audio de dix secondes provenant d'érudits des écoles traditionnelles de l'église. Ils ont veillé à ce que les enregistrements soient propres en supprimant le bruit de fond et ont converti chaque clip en une image de spectrogramme. Cette collection d'images est devenue les données d'entraînement pour leur nouveau modèle, qu'ils ont nommé le Classificateur de Qum Zema de Saint Yared. Le système a reçu ces images et on lui a demandé d'apprendre les motifs visuels qui correspondent aux styles Geez, Ezil et Araray. Pour tester si le système apprenait réellement, les chercheurs ont divisé leurs données, utilisant 70 % des images pour enseigner au modèle et réservant les 30 % restants pour voir comment il se comportait face à de la musique qu'il n'avait jamais vue auparavant.

Les résultats ont montré que l'ordinateur pouvait effectivement apprendre à distinguer ces anciens styles vocaux. Lorsque le modèle a été testé sur les clips audio inédits, il a correctement identifié le genre dans 88 % des cas. Il s'agit d'une réussite significative, surtout compte tenu du fait que les trois styles sont très similaires et qu'ils sont chantés sans aide instrumentale pour guider l'auditeur. Les chercheurs ont comparé leur modèle personnalisé à plusieurs autres systèmes informatiques bien connus conçus pour la reconnaissance d'images, tels que ResNet, VGGNet et AlexNet. Bien que ces autres systèmes soient plus volumineux et nécessitent plus de puissance de calcul, ils n'ont pas été aussi performants pour cette tâche spécifique. Le modèle personnalisé a obtenu un taux de précision plus élevé que les autres tout en étant beaucoup plus petit et plus rapide à exécuter.

L'étude a également exploré comment différents paramètres au sein du modèle informatique affectaient sa capacité d'apprentissage. Ils ont découvert qu'une manière spécifique de traiter l'information, connue sous le nom de fonction d'activation ReLU, aidait le modèle à apprendre les motifs plus efficacement que d'autres méthodes. Tout le processus reposait sur l'idée qu'en transformant le son en images, un ordinateur pourrait trouver l'« empreinte digitale » unique de chaque style musical sans avoir besoin qu'un humain explique les règles. Les chercheurs ont noté que la performance de leur modèle était limitée par le fait que l'ensemble de données ne contenait que des sons vocaux présentant de fortes similitudes, rendant la tâche intrinsèquement difficile, mais le taux de réussite de 88 % a démontré que l'apprentissage profond peut être un outil puissant pour la préservation des trésors culturels immatériels.

Ce travail offre une voie pratique pour protéger et enseigner l'héritage musical de Saint Yared. En créant un outil capable de trier automatiquement ces chants, les chercheurs ont fourni un moyen de soutenir l'éducation de nouveaux érudits et de garantir que les distinctions entre Geez, Ezil et Araray ne soient pas perdues avec le temps. L'étude suggère que, bien que la tâche soit complexe, la combinaison des connaissances traditionnelles et de l'apprentissage automatique moderne peut combler le fossé entre le passé et le futur. Les chercheurs prévoient de poursuivre ce travail en collectant davantage de données et en explorant des moyens de rendre le système encore plus précis, mais le succès initial prouve qu'un ordinateur peut apprendre à écouter les chants sacrés d'Éthiopie avec un nouveau type de compréhension.