La musicología computacional es un área de investigación interdisciplinaria entre la musicología y la informática . [1] La musicología computacional incluye cualquier disciplina que utilice computadoras para estudiar música. Incluye sub-disciplinas como la teoría matemática de la música, música por ordenador , la musicología sistemática , recuperación de información musical , musicología computacional, la musicología digital, sonido e informática de la música y la informática de música . [2]Dado que esta área de investigación se define por las herramientas que utiliza y su tema, la investigación en musicología computacional se cruza tanto con las humanidades como con las ciencias . El uso de computadoras para estudiar y analizar música generalmente comenzó en la década de 1960, [3] aunque los músicos han estado usando computadoras para ayudarlos en la composición de música a partir de la década de 1950. Hoy en día, la musicología computacional abarca una amplia gama de temas de investigación que se ocupan de las múltiples formas en que se puede representar la música. [4]
Historia
Esta historia de la musicología computacional comenzó generalmente a mediados del siglo XX. Generalmente, se considera que el campo es una extensión de una historia mucho más larga de investigación intelectual en la música que se superpone con la ciencia, las matemáticas, la tecnología [5] y los archivos.
1960
Los primeros enfoques de la musicología computacional comenzaron a principios de la década de 1960 y se estaban desarrollando completamente en 1966. [6] [3] En este momento, la entrada de datos se realizaba principalmente con cinta de papel o tarjetas perforadas [3] y estaba computacionalmente limitada. Debido al alto costo de esta investigación, para ser financiados, los proyectos a menudo tendían a hacer preguntas globales y buscar soluciones globales. [3] Uno de los primeros esquemas de representación simbólica fueron las Representaciones Alternativas Digitales de Música o DARMS. El proyecto fue apoyado por la Universidad de Columbia y la Fundación Ford entre 1964 y 1976. [7] El proyecto fue uno de los proyectos iniciales a gran escala para desarrollar un esquema de codificación que incorpore integridad, objetividad y dirección del codificador. [7] Otro trabajo en este momento en la Universidad de Princeton impulsado principalmente por Arthur Mendel e implementado por Michael Kassler y Eric Regener ayudó a impulsar los lenguajes Intermediary Musical Language (IML) y Music Information Retrieval (MIR) que luego cayeron en popularidad en finales de la década de 1970. La década de 1960 también marcó una época de documentación de iniciativas bibliográficas como el Repertoire International de Literature Musicale (RILM) creado por Barry Brook en 1967.
1970
A diferencia de los intereses de investigación global de la década de 1960, los objetivos de la musicología computacional en la década de 1970 fueron impulsados por el cumplimiento de ciertas tareas. [3] Esta motivación impulsada por la tarea condujo al desarrollo de MUSTRAN para el análisis musical dirigido por Jerome Wenker y Dorothy Gross en la Universidad de Indiana . Proyectos similares como SCORE (SCORE-MS) en la Universidad de Stanford se desarrollaron principalmente con fines de impresión.
Decenio de 1980
La década de 1980 fue la primera década en alejarse de la informática centralizada y avanzar hacia la informática personalizada. Esta transferencia de recursos condujo al crecimiento del campo en su conjunto. John Walter Hill comenzó a desarrollar un programa comercial llamado Savy PC que estaba destinado a ayudar a los musicólogos a analizar el contenido lírico de la música. Los hallazgos de la música de Hill pudieron encontrar patrones en las conversiones de textos sagrados y seculares donde solo se cambiaron las primeras líneas de los textos. [3] De acuerdo con las preguntas globales que dominaron la década de 1960, Helmuth Schaffrath comenzó su Colección Folk de Essen codificada en el Código Asociativo de Essen (ESAC), que desde entonces se ha convertido a una notación monótona. [8] Utilizando software desarrollado en ese momento, Sandra Pinegar examinó los manuscritos de teoría musical del siglo XIII en su trabajo de doctorado en la Universidad de Columbia para obtener evidencia sobre la datación y la autoría de los textos. [9] La década de 1980 también introdujo la notación MIDI .
Métodos
La musicología computacional se puede dividir generalmente en las tres ramas principales relacionadas con las tres formas en que la música puede representar una computadora: datos de partituras, datos simbólicos y datos de audio. Los datos de partituras se refieren a la representación gráfica de la música legible por humanos a través de símbolos. Ejemplos de esta rama de investigación incluirían la digitalización de partituras que van desde la notación neumenal del siglo XV hasta la notación musical occidental contemporánea . Al igual que los datos de partituras, los datos simbólicos se refieren a la notación musical en un formato digital, pero los datos simbólicos no son legibles por humanos y están codificados para ser analizados por una computadora. Ejemplos de este tipo de codificación incluyen piano roll , kern, [10] y representaciones MIDI . Por último, los datos de audio se refieren a la grabación de las representaciones de la onda acústica o el sonido que resulta de los cambios en las oscilaciones de la presión del aire. [11] Ejemplos de este tipo de codificación incluyen archivos MP3 o WAV .
Datos de partituras
La partitura está destinada a ser leída por el músico o intérprete. Generalmente, el término se refiere a la nomenclatura estandarizada utilizada por una cultura para documentar su notación musical. Además de la alfabetización musical, la notación musical también exige opciones por parte del intérprete. Por ejemplo, la notación de ragas indostaní comenzará con un alap que no exige una estricta adherencia a un ritmo o pulso , sino que se deja a la discreción del intérprete. [12] La notación de la partitura captura la secuencia de gestos que se anima al intérprete a realizar dentro de una cultura musical, pero de ninguna manera se fija en esas opciones de interpretación.
Datos simbólicos
Los datos simbólicos se refieren a la codificación musical que puede analizar una computadora. A diferencia de los datos de partituras, cualquier tipo de formato de datos digitales puede considerarse simbólico debido a que el sistema que lo representa se genera a partir de una serie finita de símbolos. Por lo general, los datos simbólicos no tienen ningún tipo de opciones interpretativas requeridas por parte del intérprete. [4] Dos de las opciones de software más comunes para analizar datos simbólicos son Humdrum Toolkit de David Huron [13] y la música de Michael Scott Cuthbert y Christopher Azaria21. [14]
Datos de audio
Los datos de audio generalmente se conceptualizan como existentes en un continuo de características que van desde características de audio de nivel inferior a superior. Las características de audio de bajo nivel se refieren a la sonoridad , el flujo espectral y el cepstrum . Las características de audio de nivel medio se refieren al tono , los inicios y los tiempos. Entre los ejemplos de funciones de audio de alto nivel se incluyen el estilo , el artista , el estado de ánimo y la clave . [15]
Aplicaciones
Bases de datos musicales
Una de las primeras aplicaciones en musicología computacional fue la creación y uso de bases de datos musicales . La entrada, el uso y el análisis de grandes cantidades de datos pueden resultar muy problemáticos si se utilizan métodos manuales, mientras que el uso de computadoras puede facilitar considerablemente estas tareas.
Análisis de la música
Se han desarrollado diferentes programas informáticos para analizar datos musicales. Los formatos de datos varían desde la notación estándar hasta el audio sin formato. El análisis de formatos que se basan en almacenar todas las propiedades de cada nota, por ejemplo MIDI , se utilizaron originalmente y todavía se encuentran entre los métodos más comunes. Solo recientemente se han logrado avances significativos en el análisis de datos de audio sin procesar.
Producción artificial de música
Se pueden utilizar diferentes algoritmos tanto para crear composiciones completas como para improvisar música . Uno de los métodos por los cuales un programa puede aprender a improvisar es el análisis de las elecciones que hace un jugador humano mientras improvisa. Las redes neuronales artificiales se utilizan ampliamente en tales aplicaciones.
Cambio histórico y música
Una teoría sociomusicológica en desarrollo en musicología computacional es la "Hipótesis discursiva" propuesta por Kristoffer Jensen y David G. Hebert , que sugiere que "debido a que tanto la música como el lenguaje son discursos culturales (que pueden reflejar la realidad social de formas igualmente limitadas), una relación puede ser identificables entre las trayectorias de características significativas del sonido musical y el discurso lingüístico con respecto a los datos sociales ". [16] Según esta perspectiva, los análisis de " big data " pueden mejorar nuestra comprensión de cómo las características particulares de la música y la sociedad están interrelacionadas y cambian de manera similar a lo largo del tiempo, ya que se identifican cada vez más correlaciones significativas dentro del espectro musicolingüístico de la comunicación auditiva humana . [17]
Música no occidental
Recientemente, se están aplicando estrategias de la musicología computacional para el análisis de la música en varias partes del mundo. Por ejemplo, profesores afiliados al Birla Institute of Technology en India han producido estudios de tendencias armónicas y melódicas (en la estructura raga ) de la música clásica indostánica . [18]
Investigar
La base de datos de RISM (Répertoire International des Sources Musicales) es una de las bases de datos musicales más grandes del mundo y contiene más de 700.000 referencias a manuscritos musicales. Cualquiera puede utilizar su motor de búsqueda para encontrar composiciones. [19]
El Centro de Historia y Análisis de Música Grabada (CHARM) ha desarrollado el Proyecto Mazurka , [20] que ofrece "grabaciones descargables ... software analítico y materiales de capacitación, y una variedad de recursos relacionados con la historia de la grabación".
Musicología computacional en la cultura popular
La investigación de la musicología computacional ocasionalmente es el foco de la cultura popular y los principales medios de comunicación. Ejemplos de esto incluyen reportar en The New Yorker, los musicólogos Nicholas Cook y Craig Sapp mientras trabajaban en el Centro para la Historia y Análisis de la Música Grabada (CHARM), en la Universidad de Londres, descubrieron la grabación fraudulenta de la pianista Joyce Hatto . [21] En el cumpleaños 334 de Johann Sebastian Bach, Google celebró la ocasión con un Doodle de Google que permitió a las personas ingresar su propia partitura en la interfaz y luego hacer que un modelo de aprendizaje automático llamado Coconut [22] armonizara la melodía. [23]
Ver también
- Composición algorítmica
- Modelos informáticos de creatividad musical
- Cognición musical
- Musicología cognitiva
- Musicología
- Red neuronal artificial
- MIDI
- JFugue
Referencias
- ^ "Desarrollo del potencial de la musicología computacional" (PDF) . Actas de la Decimotercera Conferencia Internacional sobre Informática y Semiótica en las Organizaciones: Problemas y Posibilidades de las Humanidades Computacionales .
- ^ Meredith, David (2016). "Prefacio". Análisis musical computacional . Nueva York: Springer. pag. v. ISBN 978-3319259291.
- ^ a b c d e f Hewlett, Walter B .; Selfridge-Field, Eleanor (1991). "Computación en Musicología, 1966-91". Informática y Humanidades . 25 (6): 381–392. doi : 10.1007 / BF00141188 . JSTOR 30208121 .
- ^ a b Meinard, Müller (21 de julio de 2015). Fundamentos del procesamiento musical: audio, análisis, algoritmos, aplicaciones . Suiza. ISBN 9783319219455. OCLC 918555094 .
- ^ Forte, Allen (1967). "Música e informática: la situación actual". Informática y Humanidades . 2 (1): 32–35. doi : 10.1007 / BF02402463 . JSTOR 30203948 .
- ^ Berlind, Gary; Brook, Barry S .; Hiller, Lejaren A .; Larue, Jan P .; Logemann, George W. (otoño de 1966). "Escritos sobre el uso de computadoras en la música". Simposio universitario de música . 6 : 143-157. JSTOR 40373186 .
- ^ a b Erickson, Raymond F. (1975). " " El proyecto Darms ": un informe de estado". Informática y Humanidades . 9 (6): 291-298. doi : 10.1007 / BF02396292 . JSTOR 30204239 .
- ^ "Página de inicio de datos de ESAC" . www.esac-data.org . Consultado el 11 de febrero de 2019 .
- ^ "Relaciones textuales y conceptuales entre escritos teóricos sobre música medible del siglo XIII y principios del XIV - ProQuest". ProQuest 303944932 . Falta o vacío
|url=
( ayuda ) - ^ Huron, David (2002). "Procesamiento de información musical utilizando el kit de herramientas Humdrum: conceptos, ejemplos y lecciones". Computer Music Journal . 26 (2): 11-26. doi : 10.1162 / 014892602760137158 .
- ^ Müller, Meinard (2015), "Music Representations", en Müller, Meinard (ed.), Fundamentals of Music Processing: Audio, Analysis, Algorithms, Applications , Springer International Publishing, págs. 1-37, doi : 10.1007 / 978- 3-319-21945-5_1 , ISBN 9783319219455
- ^ La guía raga: una encuesta de 74 ragas hindustani , Bor, Joep., Rao, Suvarnalata, 1954-, Meer, Wim van der., Harvey, Jane, 1949-, Chaurasia, Hariprasad., Das Gupta, Buddhadev, 1933-, Registros de Nimbus, 2002, ISBN 978-0954397609, OCLC 80291538CS1 maint: otros ( enlace )
- ^ "The Humdrum Toolkit: Software para la investigación musical - documentación de humdrum-tools 1" . www.humdrum.org . Consultado el 20 de marzo de 2019 .
- ^ Cuthbert, Michael Scott; Ariza, Christopher (agosto de 2010). "music21: un conjunto de herramientas para la musicología asistida por computadora y datos musicales simbólicos". En J. Stephen Downie; Remco C. Veltkamp (eds.). XI Conferencia de la Sociedad Internacional de Recuperación de Información Musical (ISMIR 2010), 9-13 de agosto de 2010, Utrecht, Países Bajos . págs. 637–642. hdl : 1721,1 / 84963 . ISBN 9789039353813.
- ^ Pablo Bello, Juan. "Funciones de bajo nivel y timbre" (PDF) . nyu.edu . Consultado el 11 de febrero de 2019 .
- ^ McCollum, Jonathan y Hebert, David (2014) Teoría y método en etnomusicología histórica Lanham, MD: Lexington Books / Rowman & Littlefield ISBN 0739168266 ; p.62. Algunos de los descubrimientos pioneros de Jensen y Hebert de 2013 sobre las tendencias en las canciones del Billboard Hot 100 de EE. UU. Han sido replicados y ampliados por otros estudiosos (p. Ej., Mauch M, MacCallum RM, Levy M, Leroi AM. 2015 The evolution of popular music: USA 1960 –2010. R. Soc. Open sci. 2: 150081. https://dx.doi.org/10.1098/rsos.150081 ).
- ^ Kristoffer Jensen y David G. Hebert (2016). Evaluación y predicción de la complejidad armónica a lo largo de 76 años de Billboard 100 Hits. En R. Kronland-Martinet, M. Aramaki y S. Ystad, (Eds.), Music, Mind, and Embodiment . Suiza: Springer Press, págs. 283-296. ISBN 978-3-319-46281-3 .
- ^ Chakraborty, S., Mazzola, G., Tewari, S., Patra, M. (2014) "Musicología computacional en la música hindustani" Nueva York: Springer.
- ^ Base de datos RISM, < http://www.rism.info/ >
- ^ Proyecto Mazurka, < http://mazurka.org.uk/ >
- ^ Cantante, Mark (10 de septiembre de 2007). "Fantasía para piano" . ISSN 0028-792X . Consultado el 23 de marzo de 2019 .
- ^ Huang, Cheng-Zhi Anna; Cooijmans, Tim; Roberts, Adam; Courville, Aaron; Eck, Douglas (17 de marzo de 2019). "Contrapunto por convolución". arXiv : 1903.07227 [ cs.LG ].
- ^ magenta.tensorflow.org https://magenta.tensorflow.org/coconet . Consultado el 23 de marzo de 2019 . Falta o vacío
|title=
( ayuda )
enlaces externos
- Musicología computacional: una encuesta sobre metodologías y aplicaciones
- ¿Hacia el musicólogo completo?
- Transformación de la musicología: un proyecto de transformaciones digitales de AHRC