Avances en la Generación Automática de Música

La música es importante en nuestra vida diaria, y mucha gente quiere crear nueva música. La generación automática de música es un campo emocionante que busca hacer esto posible. Históricamente, la investigación temprana se centró en los fundamentos de la teoría musical y modelos que generaban música de manera aleatoria. Con el paso de los años, los avances en tecnología, especialmente en redes neuronales, han llevado a mejores métodos de generación musical. Sin embargo, todavía hay algunos desafíos que superar.

Uno de los principales problemas en la generación automática de música es no tener suficiente información sobre Acordes y escalas. Los acordes son cruciales para transmitir emociones en la música. Muchos métodos existentes ignoran este aspecto esencial, lo que lleva a una música que puede carecer de profundidad y sentimiento.

Otro desafío es los formatos cambiantes de cómo representamos la música. Los artistas e investigadores usan diferentes maneras de codificar música, lo que hace difícil crear modelos que puedan trabajar con todos los tipos de datos musicales de manera eficiente. Las Redes Generativas Antagónicas (GANs) son herramientas populares en este campo, ya que pueden mejorar la generación musical utilizando dos modelos: un Generador que crea música y un Discriminador que la evalúa.

#Nuevo Enfoque para la Creación Musical

Para abordar los problemas de la falta de datos de acordes y los formatos musicales variados, proponemos un nuevo método para generar música. Nos enfocamos en la representación simbólica de la música, lo que significa que traducimos la música a un formato que las computadoras puedan procesar fácilmente. Nuestro enfoque incorpora información sobre acordes en esta representación, haciendo posible que la música que generamos suene más como si hubiera sido compuesta por un humano.

Nuestro modelo, al que llamamos MMT-BERT, utiliza dos componentes principales: un transformador musical multitrack como generador y un modelo especializado en comprensión musical como discriminador. Al combinar estos elementos con una nueva forma de analizar acordes, buscamos crear mejor música que se sienta más humana.

#Acordes en la Generación Musical

Los acordes juegan un papel vital en la música; añaden emoción y riqueza a las composiciones. Muchos métodos de generación automática de música no consideran los acordes, lo que lleva a resultados que se sienten planos o robóticos. Al incluir un modelo de análisis de acordes en nuestro trabajo, podemos extraer información esencial sobre los acordes a partir del audio crudo. Esto significa que nuestra generación musical estará basada en una estructura más informativa.

En nuestro modelo, utilizamos un proceso especial para convertir los datos musicales en una secuencia de tokens, que representan diferentes aspectos de los eventos musicales. Cada token puede representar el inicio de una canción, los instrumentos utilizados, las notas tocadas y, lo más importante, los acordes presentes en la música. Al hacer esto, mejoramos la forma en que la música se representa para los modelos de aprendizaje automático.

#Técnicas de Representación Musical

A lo largo de los años, los investigadores han desarrollado varias técnicas para la representación simbólica de la música. El formato más común es MIDI, que codifica datos de rendimiento para notas musicales. Algunos métodos más nuevos han intentado mejorar MIDI agregando más detalles, como la duración de las notas y otras características rítmicas. Sin embargo, estos métodos aún pueden enfrentar problemas, como secuencias más largas que son más difíciles de manejar.

Una de las soluciones que han surgido es el uso de un transformador musical multitrack. Este modelo puede manejar formatos musicales complejos y generar largas piezas musicales. Sin embargo, le falta la consideración de los acordes, que son cruciales para crear música emocionalmente resonante. Nuestra nueva representación se basa en esto al integrar datos de acordes, lo que nos permite producir composiciones musicales más ricas.

#Cómo Funciona MMT-BERT

Nuestro modelo MMT-BERT opera usando un sistema de dos partes: el generador y el discriminador. El generador es responsable de crear nuevas piezas musicales, mientras que el discriminador las evalúa para asegurarse de que suenen auténticas y parecidas a las humanas.

#Generador

Para el generador, utilizamos un modelo basado en la arquitectura Transformer que se especializa en procesar datos musicales. Este modelo comienza insertando los diferentes elementos de nuestros datos musicales en una forma que la máquina pueda entender. Luego pasa estos datos a través de capas que le permiten generar nuevas muestras musicales.

Este generador tiene la capacidad de mantener información de segmentos pasados de música, conectando diferentes partes de la pieza. Esta característica permite la creación de música más larga y coherente, lo cual es esencial para hacer composiciones que realmente puedan enganchar a los oyentes.

#Discriminador

El discriminador que utilizamos en nuestro modelo se basa en un modelo preentrenado de comprensión musical. Este modelo ha sido diseñado para comprender a fondo los datos musicales simbólicos. Toma la música generada y evalúa qué tan cerca está de las composiciones humanas reales.

Refinamos el formato de entrada de este discriminador para hacerlo compatible con los tokens producidos por el generador. Este ajuste asegura que el discriminador pueda evaluar efectivamente la nueva música creada por el generador, permitiendo un mejor ciclo de retroalimentación durante el entrenamiento.

#Pérdida Estándar Relativista

Para mejorar aún más el proceso de entrenamiento de nuestro modelo, incorporamos un tipo especial de función de pérdida llamada pérdida estándar relativista. Este enfoque permite que el generador se enfoque en crear música que no solo sea realista, sino que también lo anime a hacer ajustes con el tiempo, asegurando salidas de mayor calidad.

#Experimentación y Resultados

Para evaluar la efectividad de nuestro modelo MMT-BERT, realizamos experimentos utilizando una base de datos completa de archivos MIDI. Este conjunto de datos contenía una amplia variedad de piezas musicales, lo que proporcionó una base sólida para probar nuestro modelo.

#Métricas de Evaluación

En nuestra evaluación, utilizamos varias métricas para valorar la calidad de la música generada. Estas métricas incluían:

• Similitud de entropía de clase de tono: Mide la estabilidad de la tonalidad en la música generada en comparación con composiciones reales.
• Similitud de consistencia de escala: Determina qué tan bien la música generada se adhiere a escalas musicales estándar.
• Similitud de consistencia de groove: Evalúa la estabilidad rítmica de la música.
• Longitud promedio de la música generada: Valora la capacidad del modelo para crear piezas musicales más largas.

Puntuaciones más altas en estas categorías indicaban una mejor calidad de generación musical.

#Resultados

Los resultados de nuestros experimentos mostraron que MMT-BERT superó a otros métodos existentes. Produjo música que no solo era de mejor calidad, sino que también conservaba la capacidad de generar composiciones más largas. La inclusión de información sobre acordes mejoró significativamente la riqueza y las cualidades humanas de las piezas generadas.

#Evaluación Subjetiva

Para añadir otra capa a nuestro análisis, también realizamos evaluaciones subjetivas. En este experimento, los oyentes calificaron la música en función de factores como riqueza, humanidad, corrección y la impresión general. Los resultados indicaron que los oyentes encontraron que las salidas de nuestro modelo eran más atractivas y se acercaban más a lo que un músico humano podría producir en comparación con otros métodos.

#Conclusión

En resumen, nuestro modelo MMT-BERT reúne técnicas avanzadas en generación musical, centrándose en la conciencia de acordes y una comprensión robusta de la representación musical. Al superar las limitaciones de métodos anteriores, somos capaces de generar música que resuena más con las emociones y la creatividad humanas. Nuestro trabajo contribuye a un futuro donde la generación automática de música se convierte en una herramienta valiosa para compositores, músicos y amantes de la música por igual.

Mirando hacia adelante, planeamos refinar aún más nuestro modelo. Buscamos enfocarnos en mejorar las estructuras musicales e incorporar diversas modalidades de entrada musical para seguir mejorando la calidad y complejidad de la música que podemos generar.