Resumo

Neste artigo, apresento um software prototípico para manipulação e visualização interativa de sucessões de acordes geradas por um modelo preditivo conexionista e discuto criticamente os resultados obtidos. Foram treinados modelos empíricos para tonalidades, compositores e estilos a partir de um corpus de 52.203 canções populares cifradas, coletado por scraping (extração automatizada) de um site colaborativo de cifras de acordes. Os dados brutos passaram por filtragem e tratamento para obtenção de melhor consistência e eficiência na modelagem. A aprendizagem computacional empregada utilizou Redes Neurais Recorrentes com células LSTM (Long Short-Term Memory), arquitetura escolhida pela sua capacidade em modelar dependências e relacionamentos em dados sequenciais. Em busca de indícios do sucesso da modelagem, foram avaliadas a capacidade de generalização dos modelos de tonalidades aprendidos em sucessões harmônicas com implicações funcionais claras – extraídas da música popular brasileira – bem como a capacidade de contextualização a partir dos elementos prévios.

harmonIA: Predictive Modelling of Chord Sucessions using Computational Deep Learning

In this article, I present a prototype software using connectionist predictive models for interactive music generation of chord sequences and critically discuss the results. Models for specific keys, composers, and styles were trained on a corpus of 52,203 popular songs scraped from a collaborative chord sheets site. Raw data underwent filtering and treatment to obtain better consistency and efficiency in the modeling. The computational learning employed used Recurrent Neural Networks with Long Short-Term Memory (LSTM) cells, an architecture chosen for its ability to model dependencies and relationships in temporal series (sequential data). To evaluate the predictive modelling, we tested the generalization capacity of the resulting tonality models in harmonic sequences– selected from Brazilian popular music – with clear functional implications as well as the model’s ability to contextualize output based on previous elements.