Um estudo publicado na prestigiosa revista Nature apresenta um modelo de machine learning treinado para uma tarefa que, até então, pertencia exclusivamente a ouvidos treinados e críticos especializados: identificar músicos de jazz pelo seu estilo. O sistema, desenvolvido por pesquisadores como Huw Cheston e Peter M. C. Harrison, alcançou 94% de acurácia na identificação de 20 artistas icônicos a partir de um banco de dados com 84 horas de gravações.

A pesquisa vai além de um simples exercício de classificação. A proposta é quantificar a "impressão digital" de um artista, um conceito que sempre foi central na crítica de arte, mas de natureza subjetiva. O modelo consegue não apenas dizer quem está tocando, mas também apontar quais elementos musicais são mais distintivos em seu estilo, oferecendo uma nova lente computacional para a análise da criatividade.

A anatomia do estilo

A chave para a alta performance do modelo está em sua arquitetura. Em vez de analisar o áudio como um bloco monolítico, o sistema utiliza uma abordagem de múltiplas entradas, que processa separadamente quatro domínios musicais: melodia, harmonia, ritmo e dinâmica. Essa separação imita, em certo grau, a forma como um músico ou musicólogo disseca uma performance para entender suas particularidades.

Essa abordagem permite isolar e medir as características que tornam o fraseado de um saxofonista único ou a síncope rítmica de um pianista reconhecível. O que era descrito com adjetivos — o som "quente" de um trompete, o ritmo "quebrado" de uma bateria — agora pode ser associado a padrões de dados mensuráveis. A leitura aqui é que a IA não está substituindo o crítico, mas fornecendo a ele uma ferramenta de análise com um nível de granularidade inédito.

Além da atribuição de autoria

As aplicações da tecnologia, segundo os autores, transcendem a simples confirmação de quem gravou qual faixa. No campo da educação musical, uma ferramenta derivada deste estudo poderia ajudar estudantes a entender objetivamente as diferenças estilísticas entre John Coltrane e Lester Young, apontando para padrões harmônicos ou rítmicos específicos. Para historiadores e pesquisadores da cultura, abre-se a possibilidade de analisar a evolução de gêneros e a influência entre artistas em larga escala.

Ao disponibilizar o código e os modelos em formato open-source, os pesquisadores convidam a comunidade a explorar e expandir esses resultados. O projeto não busca dar uma resposta final sobre o que é a arte, mas sim oferecer um novo método para fazer perguntas mais precisas sobre ela. A questão que permanece não é se uma máquina pode apreciar jazz, mas o que podemos aprender sobre o jazz — e sobre a própria criatividade humana — quando uma máquina é ensinada a ouvi-lo com atenção analítica.

Com reportagem de Brazil Valley

Source · 3 Quarks Daily