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

A música sempre foi mais do que apenas som; durante séculos, serviu como um veículo para a história, a fé e a identidade. No domínio da ciência moderna, pesquisadores desenvolveram formas de ensinar computadores a ouvir, um campo conhecido como Recuperação de Informação Musical. Esta disciplina pede que as máquinas façam o que os ouvidos humanos fazem naturalmente: reconhecer padrões, identificar instrumentos e classificar canções em categorias como jazz, rock ou clássica. Embora os computadores tenham se tornado bastante bons em analisar as vastas bibliotecas da música ocidental, eles frequentemente têm dificuldade com formas tradicionais únicas que dependem apenas da voz humana. Essas tradições ancestrais, transmitidas através de gerações sem partituras escritas ou instrumentos, apresentam um desafio especial. Seus sons são sutis, suas variações são finas e sua preservação é urgente, à medida que o número de pessoas que podem ensiná-las está diminuindo.

Na Etiópia, a Igreja Ortodoxa Tewahedo Etíope guarda uma tradição musical sagrada conhecida como Zema. Esta é uma forma de canto espiritual composta no século VI por São Yared, um estudioso reverenciado como o professor principal de música de sua época. São Yared organizou esses cânticos em três estilos distintos: Geez, Ezil e Araray. Quando esses cânticos são executados sem quaisquer instrumentos musicais, usando apenas a voz humana, eles são chamados de Qum Zema. Durante séculos, o conhecimento de como distinguir entre esses três estilos viveu nas mentes de alguns estudiosos especializados dentro das escolas da igreja. No entanto, à medida que o número desses especialistas declina e o público em geral encontra dificuldade em distinguir os estilos, há o risco de que esta arte sutil possa ser perdida ou mal compreendida. A questão que os pesquisadores enfrentavam era se a tecnologia moderna poderia aprender a ouvir essas diferenças tão claramente quanto um estudioso experiente.

Uma equipe de pesquisadores da Universidade de Debre Markos partiu para responder a essa questão, construindo um modelo de computador projetado especificamente para reconhecer os três gêneros do Qum Zema de São Yared. Eles não tentaram ensinar o computador listando manualmente as regras da música, como notas específicas ou ritmos. Em vez disso, utilizaram um tipo de inteligência artificial chamada rede neural convolucional, que é um sistema projetado para aprender olhando para imagens. Para fazer isso funcionar, os pesquisadores primeiro tiveram que traduzir o som dos cânticos em algo que o computador pudesse ver. Eles pegaram gravações das performances vocais e as dividiram em clipes curtos de dez segundos. Cada um desses clipes foi então transformado em um espectrograma, que é um mapa visual mostrando como o tom e o volume do som mudam ao longo do tempo. Neste mapa, o eixo horizontal representa o tempo, o eixo vertical representa o tom, e o brilho das cores mostra o quão alto o som é em qualquer momento dado.

Os pesquisadores reuniram um total de 1.555 desses clipes de áudio de dez segundos de estudiosos em escolas tradicionais da igreja. Eles garantiram que as gravações estivessem limpas, removendo o ruído de fundo, e então converteram cada um dos clipes em uma imagem de espectrograma. Esta coleção de imagens tornou-se os dados de treinamento para seu novo modelo, que nomearam como Classificador de Qum Zema de São Yared. O sistema recebeu essas imagens e foi solicitado a aprender os padrões visuais que correspondem aos estilos Geez, Ezil e Araray. Para testar se o sistema estava realmente aprendendo, os pesquisadores dividiram seus dados, usando 70 por cento das imagens para ensinar o modelo e reservando os 30 por cento restantes para ver o quão bem ele desempenharia em músicas que nunca tinha visto antes.

Os resultados mostraram que o computador podia, de fato, aprender a distinguir entre esses antigos estilos vocais. Quando o modelo foi testado nos clipes de áudio não vistos, ele identificou corretamente o gênero 88 por cento das vezes. Este foi um feito significativo, especialmente considerando que os três estilos são muito semelhantes entre si e são cantados sem qualquer ajuda instrumental para guiar o ouvinte. Os pesquisadores compararam seu modelo personalizado contra vários outros sistemas conhecidos de reconhecimento de imagem, como ResNet, VGGNet e AlexNet. Embora esses outros sistemas fossem maiores e exigissem mais poder de computação, eles não tiveram o mesmo desempenho nesta tarefa específica. O modelo personalizado alcançou uma taxa de precisão maior do que os outros, sendo também muito menor e mais rápido de executar.

O estudo também explorou como diferentes configurações dentro do modelo de computador afetavam sua capacidade de aprender. Eles descobriram que uma forma específica de processar a informação, conhecida como função de ativação ReLU, ajudou o modelo a aprender os padrões de forma mais eficaz do que outros métodos. Todo o processo foi construído sobre a ideia de que, ao transformar o som em imagens, um computador poderia encontrar a "impressão digital" única de cada estilo musical sem precisar que um humano explicasse as regras. Os pesquisadores observaram que o desempenho do modelo foi limitado pelo fato de o conjunto de dados conter apenas sons vocais com altas similaridades, tornando a tarefa inerentemente difícil, mas o sucesso de 88 por cento demonstrou que o aprendizado profundo pode ser uma ferramenta poderosa para preservar tesouros culturais intangíveis.

Este trabalho oferece um caminho prático para proteger e ensinar o patrimônio musical de São Yared. Ao criar uma ferramenta que pode classificar automaticamente esses cânticos, os pesquisadores forneceram uma maneira de apoiar a educação de novos estudiosos e garantir que as distinções entre Geez, Ezil e Araray não sejam perdidas no tempo. O estudo sugere que, embora a tarefa seja complexa, a combinação de conhecimento tradicional e aprendizado de máquina moderno pode construir uma ponte entre o passado e o futuro. Os pesquisadores planejam continuar este trabalho coletando mais dados e explorando maneiras de tornar o sistema ainda mais preciso, mas o sucesso inicial prova que um computador pode ser ensinado a ouvir as canções sagradas da Etiópia com um novo tipo de compreensão.