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

La musica è sempre stata molto più di un semplice suono; per secoli, ha servito come veicolo per la storia, la fede e l'identità. Nel campo della scienza moderna, i ricercatori hanno sviluppato modi per insegnare ai computer ad ascoltare, un campo noto come Music Information Retrieval (Recupero di Informazioni Musicali). Questa disciplina chiede alle macchine di fare ciò che le orecchie umane fanno naturalmente: riconoscere schemi, identificare strumenti e classificare le canzoni in categorie come jazz, rock o classica. Sebbene i computer siano diventati molto bravi nell'analizzare le vaste biblioteche della musica occidentale, spesso faticano con forme tradizionali uniche che si affidano esclusivamente alla voce umana. Queste antiche tradizioni, tramandate di generazione in generazione senza spartiti scritti o strumenti, presentano una sfida speciale. I loro suoni sono sottili, le loro variazioni sono fini e la loro preservazione è urgente, poiché il numero di persone in grado di insegnarle sta diminuendo.

In Etiopia, la Chiesa Ortodossa Tewahedo etiope custodisce una sacra tradizione musicale nota come Zema. Questa è una forma di canto spirituale composta nel sesto secolo da San Yared, uno studioso venerato come il capo professore di musica del suo tempo. San Yared organizzò questi canti in tre stili distinti: Geez, Ezil e Araray. Quando questi canti vengono eseguiti senza strumenti musicali, usando solo la voce umana, vengono chiamati Qum Zema. Per secoli, la conoscenza di come distinguere tra questi tre stili è vissuta nelle menti di pochi studiosi specializzati all'interno delle scuole ecclesiastiche. Tuttavia, poiché il numero di questi esperti diminuisce e il grande pubblico trova difficile distinguere gli stili, esiste il rischio che questa arte sottile possa essere persa o fraintesa. La domanda che i ricercatori si ponevano era se la tecnologia moderna potesse imparare a sentire queste differenze con la stessa chiarezza di un esperto esperto.

Un team di ricercatori dell'Università di Debre Markos si è messo in viaggio per rispondere a questa domanda costruendo un modello informatico progettato specificamente per riconoscere i tre generi del Qum Zema di San Yared. Non hanno cercato di insegnare al computer elencando manualmente le regole della musica, come note specifiche o ritmi. Invece, hanno utilizzato un tipo di intelligenza artificiale chiamata rete neurale convoluzionale, che è un sistema progettato per imparare guardando le immagini. Per far sì che questo funzionasse, i ricercatori hanno prima dovuto tradurre il suono dei canti in qualcosa che il computer potesse vedere. Hanno preso le registrazioni delle performance vocali e le hanno suddivise in brevi clip di dieci secondi. Ognuna di queste clip è stata poi trasformata in uno spettrogramma, ovvero una mappa visiva che mostra come l'altezza e il volume del suono cambiano nel tempo. In questa mappa, l'asse orizzontale rappresenta il tempo, l'asse verticale rappresenta l'altezza e la luminosità dei colori mostra quanto è forte il suono in ogni dato momento.

I ricercatori hanno raccolto un totale di 1.555 di queste clip audio da dieci secondi provenienti da studiosi di scuole ecclesiastiche tradizionali. Si sono assicurati che le registrazioni fossero pulite rimuovendo il rumore di fondo e hanno poi convertito ogni singola clip in un'immagine spettrografica. Questa collezione di immagini è diventata il dato di addestramento per il loro nuovo modello, che hanno chiamato Saint Yared's Qum Zema Classifier. Il sistema è stato alimentato con queste immagini e gli è stato chiesto di imparare i modelli visivi che corrispondono agli stili Geez, Ezil e Araray. Per testare se il sistema stesse davvero imparando, i ricercatori hanno diviso i loro dati, utilizzando il 70 percento delle immagini per istruire il modello e trattenendo il restante 30 percento per vedere come si sarebbe comportato su musica che non aveva mai visto prima.

I risultati hanno mostato che il computer poteva effettivamente imparare a distinguere tra questi antichi stili vocali. Quando il modello è stato testato sulle clip audio non viste, ha identificato correttamente il genere l'88 percento delle volte. Questo è stato un risultato significativo, specialmente considerando che i tre stili sono molto simili tra loro e vengono cantati senza alcun aiuto strumentale per guidare l'ascoltatore. I ricercatori hanno confrontato il loro modello personalizzato con diversi altri sistemi informatici ben noti progettati per il riconoscimento di immagini, come ResNet, VGGNet e AlexNet. Sebbene quegli altri sistemi fossero più grandi e richiedessero più potenza di calcolo, non sono stati altrettanto efficaci in questo compito specifico. Il modello personalizzato ha raggiunto un tasso di accuratezza superiore rispetto agli altri, pur essendo molto più piccolo e veloce nell'esecuzione.

Lo studio ha anche esplorato come diverse impostazioni all'interno del modello informatico influenzassero la sua capacità di apprendimento. Hanno scoperto che un modo specifico di elaborare le informazioni, noto come funzione di attivazione ReLU, aiutava il modello a imparare i modelli in modo più efficace rispetto ad altri metodi. L'intero processo si basava sull'idea che, trasformando il suono in immagini, un computer potesse trovare l'impronta digitale unica di ogni stile musicale senza bisogno che un essere umano spiegasse le regole. I ricercatori hanno osservato che le prestazioni del modello erano limitate dal fatto che il dataset conteneva solo suoni vocali con alte somiglianze, rendendo il compito intrinsecamente difficile, ma l'88 percento di successo ha dimostrato che il deep learning può essere uno strumento potente per preservare tesori culturali intangibili.

Questo lavoro offre una via pratica per proteggere e insegnare l'eredità musicale di San Yared. Creando uno strumento che può classificare automaticamente questi canti, i ricercatori hanno fornito un modo per sostenere l'educazione di nuovi studiosi e garantire che le distinzioni tra Geez, Ezil e Araray non vadano perdute nel tempo. Lo studio suggerisce che, sebbene il compito sia complesso, la combinazione di conoscenza tradizionale e moderno machine learning può colmare il divario tra il passato e il futuro. I ricercatori intendono continuare questo lavoro raccogliendo più dati ed esplorando modi per rendere il sistema ancora più accurato, ma il successo iniziale dimostra che un computer può essere istruito ad ascoltare i canti sacri dell'Etiopia con un nuovo tipo di comprensione.