La musicología computacional es un área de investigación interdisciplinaria entre la musicología y la informática . [1] La musicología computacional incluye cualquier disciplina que utilice la computación para estudiar la música. Incluye subdisciplinas como la teoría matemática de la música , la música por computadora , la musicología sistemática , la recuperación de información musical , la musicología digital, la computación de sonido y música y la informática musical . [2] Como 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 la música comenzó generalmente 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 tratan las múltiples formas en que se puede representar la música. [4]
Esta historia de la musicología computacional comenzó, en general, a mediados del siglo XX. En general, se considera que este campo es una extensión de una historia mucho más larga de investigación intelectual en el campo de la música que se superpone con la ciencia, las matemáticas, la tecnología [5] y los archivos.
Los primeros enfoques de la musicología computacional comenzaron a principios de la década de 1960 y se desarrollaron por completo en 1966. [6] [3] En ese momento, la entrada de datos se realizaba principalmente con cinta de papel o tarjetas perforadas [3] y estaba limitada computacionalmente. Debido al alto costo de esta investigación, para obtener financiación, los proyectos solían plantear preguntas globales y buscar soluciones globales. [3] Uno de los primeros esquemas de representación simbólica fue el de las Representaciones Alternativas Digitales de la Música o DARMS. El proyecto recibió el apoyo de la Universidad de Columbia y la Fundación Ford entre 1964 y 1976. [7] El proyecto fue uno de los primeros proyectos a gran escala para desarrollar un esquema de codificación que incorporara completitud, objetividad y direccionalidad del codificador. [7] Otros trabajos en esta época en la Universidad de Princeton , impulsados principalmente por Arthur Mendel e implementados por Michael Kassler [8] y Eric Regener, ayudaron a impulsar los lenguajes de Lenguaje Musical Intermediario (IML) y Recuperación de Información Musical (MIR) que luego cayeron en desuso a fines 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.
A diferencia de los intereses de investigación globales de la década de 1960, los objetivos de la musicología computacional en la década de 1970 estaban impulsados por la realización de ciertas tareas. [3] Esta motivación impulsada por las tareas 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.
La década de 1980 fue la primera en la que se abandonó la informática centralizada y se avanzó hacia la informática personalizada. Esta transferencia de recursos condujo al crecimiento de este campo en su conjunto. John Walter Hill comenzó a desarrollar un programa comercial llamado Savy PC que pretendía ayudar a los musicólogos a analizar el contenido lírico de la música. Los hallazgos de la música de Hill permitieron encontrar patrones en las conversiones de textos sagrados y seculares en los que solo se habían modificado las primeras líneas de los textos. [3] En consonancia con las cuestiones globales que dominaron la década de 1960, Helmuth Schaffrath comenzó su Colección de Folklore de Essen codificada en Código Asociativo de Essen (ESAC), que desde entonces se ha convertido en notación monótona. [9] Utilizando un software desarrollado en ese momento, Sandra Pinegar examinó manuscritos de teoría musical del siglo XIII en su trabajo de doctorado en la Universidad de Columbia con el fin de obtener evidencia sobre la datación y autoría de los textos. [10] La década de 1980 también introdujo la notación MIDI .
La musicología computacional se puede dividir en tres ramas principales relacionadas con las tres formas en que una computadora puede representar la música: datos de partituras, datos simbólicos y datos de audio. Los datos de partituras se refieren a la representación gráfica y legible por humanos de la música a través de símbolos. Los 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 formato digital, pero los datos simbólicos no son legibles por humanos y están codificados para ser analizados por una computadora. Los ejemplos de este tipo de codificación incluyen piano roll , kern, [11] 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. [12] Los ejemplos de este tipo de codificación incluyen archivos MP3 o WAV .
Las partituras están pensadas para ser leídas por el músico o intérprete. En general, el término se refiere a la nomenclatura estandarizada que utiliza una cultura para documentar su notación musical. Además de la alfabetización musical, la notación musical también exige decisiones por parte del intérprete. Por ejemplo, la notación de los ragas indostaníes comenzará con un alap que no exige una estricta adherencia a un ritmo o pulso , sino que se deja a discreción del intérprete. [13] La notación de la partitura captura la secuencia de gestos que se anima al intérprete a hacer dentro de una cultura musical, pero de ninguna manera se limita a esas decisiones de interpretación.
Los datos simbólicos se refieren a la codificación musical que puede analizar una computadora. A diferencia de los datos de partituras musicales, cualquier tipo de formato de datos digitales puede considerarse simbólico debido al hecho de que el sistema que lo representa se genera a partir de una serie finita de símbolos. Los datos simbólicos normalmente no requieren ningún tipo de elección interpretativa por parte del intérprete. [4] Dos de las opciones de software más comunes para analizar datos simbólicos son Humdrum Toolkit de David Huron [14] y music21 de Michael Scott Cuthbert. [15]
Los datos de audio se conceptualizan generalmente como existentes en un continuo de características que van desde características de audio de nivel inferior a características de nivel superior. Las características de audio de nivel bajo se refieren a volumen , flujo espectral y cepstrum . Las características de audio de nivel medio se refieren a tono , inicios y ritmos. Algunos ejemplos de características de audio de nivel alto incluyen estilo , artista , estado de ánimo y clave . [16]
Una de las primeras aplicaciones de la musicología computacional fue la creación y el uso de bases de datos musicales . La introducción, el uso y el análisis de grandes cantidades de datos pueden resultar muy complicados si se utilizan métodos manuales, mientras que el uso de ordenadores puede facilitar considerablemente estas tareas.
Se han desarrollado varios programas informáticos para analizar datos musicales. Los formatos de datos varían desde la notación estándar hasta el audio sin procesar. Los análisis de formatos que se basan en el almacenamiento de todas las propiedades de cada nota, por ejemplo MIDI , se utilizaron originalmente y siguen estando entre los métodos más comunes. Recientemente se han producido avances significativos en el análisis de datos de audio sin procesar.
Se pueden utilizar distintos algoritmos tanto para crear composiciones completas como para improvisar música . Uno de los métodos mediante los cuales un programa puede aprender a improvisar es el análisis de las decisiones que toma un intérprete humano mientras improvisa. Las redes neuronales artificiales se utilizan ampliamente en dichas aplicaciones.
Una teoría sociomusicológica en desarrollo en la 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 en formas igualmente limitadas), puede identificarse una relación entre las trayectorias de características significativas del sonido musical y el discurso lingüístico con respecto a los datos sociales". [17] 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 cada vez se identifican más correlaciones significativas dentro del espectro musicolingüístico de la comunicación auditiva humana. [18]
En los últimos tiempos, se están aplicando estrategias de musicología computacional para el análisis de la música en diversas partes del mundo. Por ejemplo, profesores afiliados al Instituto Birla de Tecnología en la India han realizado estudios sobre las tendencias armónicas y melódicas (en la estructura del raga ) de la música clásica indostánica . [19]
La base de datos 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. [20]
El Centro de Historia y Análisis de la Música Grabada (CHARM) ha desarrollado el Proyecto Mazurka, [21] que ofrece "grabaciones descargables... software analítico y materiales de capacitación, y una variedad de recursos relacionados con la historia de la grabación".
La investigación de la musicología computacional es ocasionalmente el foco de atención de la cultura popular y de los principales medios de comunicación. Algunos ejemplos de esto incluyen un informe en The New Yorker en el que los musicólogos Nicholas Cook y Craig Sapp, mientras trabajaban en el Centro para la Historia y el Análisis de la Música Grabada (CHARM), en la Universidad de Londres , descubrieron la grabación fraudulenta de la pianista Joyce Hatto . [22] En el 334.º cumpleaños de Johann Sebastian Bach, Google celebró la ocasión con un Google Doodle que permitía a las personas ingresar su propia partitura en la interfaz y luego hacer que un modelo de aprendizaje automático llamado Coconet [23] armonizara la melodía. [24]
{{cite book}}: Mantenimiento de CS1: falta la ubicación del editor ( enlace ){{citation}}: Mantenimiento de CS1: otros ( enlace )