Transcripción (música)

Desde la llegada de la autoedición, los músicos pueden adquirir software de notación musical , que procesa el análisis mental de las notas y las almacena y formatea en notación musical estándar para impresión personal o publicación profesional de partituras. Algunos programas de notación aceptan archivos MIDI estándar (SMF) o interpretaciones MIDI como entrada, en lugar de la introducción manual de notas. Estas aplicaciones pueden exportar sus partituras en diversos formatos como EPS , PNG y SVG . A menudo, el software incluye una biblioteca de sonidos que permite reproducir la partitura del usuario para su verificación.

Antes de la invención de las herramientas de transcripción digital, los músicos ralentizaban un disco o una grabación para poder escuchar las líneas melódicas y los acordes a un ritmo más lento y comprensible. El problema era que este método también alteraba la altura del sonido, por lo que, una vez transcrita la pieza, era necesario transportarla a la tonalidad correcta. El software diseñado para ralentizar el tempo de la música sin cambiar su altura puede ser muy útil para reconocer tonos, melodías, acordes, ritmos y letras al transcribir música. Sin embargo, a diferencia del efecto de ralentización de un tocadiscos, la altura y la octava original de las notas se mantienen, sin descender. Esta tecnología es lo suficientemente sencilla como para estar disponible en muchas aplicaciones de software gratuitas.

El software generalmente sigue un proceso de dos pasos para lograr esto. Primero, el archivo de audio se reproduce a una frecuencia de muestreo menor que la del archivo original. Esto tiene el mismo efecto que reproducir una cinta o un disco de vinilo a menor velocidad: el tono se reduce, lo que hace que la música suene como si estuviera en una tonalidad diferente. El segundo paso consiste en utilizar el procesamiento digital de señales (DSP) para elevar el tono al nivel original o a la tonalidad musical correspondiente.

Como se mencionó en la sección de transcripción automática de música, algunos programas comerciales pueden rastrear aproximadamente el tono de las melodías dominantes en grabaciones musicales polifónicas. Los escaneos de notas no son exactos y, a menudo, requieren edición manual por parte del usuario antes de guardarlos en un archivo, ya sea en un formato propietario o en formato MIDI estándar . Algunos programas de seguimiento de tono también permiten animar las listas de notas escaneadas durante la reproducción de audio.

La detección de tono suele referirse a la identificación de las notas individuales que componen una melodía o un acorde . Al pulsar una tecla en un piano, lo que oímos no es una única frecuencia de vibración sonora, sino una combinación de múltiples vibraciones sonoras que se producen a diferentes frecuencias relacionadas matemáticamente. Los elementos de esta combinación de vibraciones a distintas frecuencias se denominan armónicos o parciales.

Por ejemplo, si se toca la nota La ₃ (220 Hz), las frecuencias individuales de la serie armónica compuesta comenzarán en 220 Hz como frecuencia fundamental : 440 Hz sería el segundo armónico, 660 Hz el tercero, 880 Hz el cuarto, etc. Estas son múltiplos enteros de la frecuencia fundamental (por ejemplo, dos veces 220 es 440, el segundo armónico). Si bien solo se necesitan alrededor de ocho armónicos para recrear audiblemente la nota, el número total de armónicos en esta serie matemática puede ser grande, aunque cuanto mayor sea el número del armónico, menor será su magnitud y contribución. Contrariamente a la intuición, una grabación musical en su nivel físico más bajo no es una colección de notas individuales , sino una colección de armónicos individuales. Por eso, se pueden crear grabaciones con un sonido muy similar con diferentes colecciones de instrumentos y sus notas asignadas. Siempre y cuando se recreen, en cierta medida, los armónicos totales de la grabación, realmente no importa qué instrumentos o qué notas se hayan utilizado.     

Un primer paso en la detección de notas es la transformación de los datos digitales del archivo de audio del dominio del tiempo al dominio de la frecuencia , lo que permite medir diversas frecuencias a lo largo del tiempo. La representación gráfica de una grabación de audio en el dominio de la frecuencia se denomina espectrograma o sonograma. Una nota musical, como una composición de varios armónicos , aparece en un espectrograma como un peine colocado verticalmente , donde los dientes individuales del peine representan los distintos armónicos y sus diferentes valores de frecuencia. La transformada de Fourier es el procedimiento matemático que se utiliza para crear el espectrograma a partir de los datos digitales del archivo de audio.

La tarea de muchos algoritmos de detección de notas consiste en buscar en el espectrograma la aparición de patrones de peine (una composición de armónicos) causados ​​por notas individuales. Una vez detectado el patrón de la forma de peine de armónicos de una nota, se puede medir el tono de la nota mediante la posición vertical del patrón de peine en el espectrograma .

Básicamente, existen dos tipos de música que plantean exigencias muy diferentes para un algoritmo de detección de tono : la música monofónica y la música polifónica . La música monofónica consiste en un pasaje con un solo instrumento tocando una nota a la vez, mientras que la música polifónica puede tener varios instrumentos y voces sonando simultáneamente. La detección de tono en una grabación monofónica era una tarea relativamente sencilla, y su tecnología permitió la invención de los afinadores de guitarra en la década de 1970. Sin embargo, la detección de tono en música polifónica se convierte en una tarea mucho más difícil porque la imagen de su espectrograma aparece como una nube difusa debido a la multitud de patrones de peine superpuestos, causados ​​por los múltiples armónicos de cada nota .

Otro método de detección de tono fue inventado por Martin Piszczalski junto con Bernard Galler en la década de 1970 ^{[ 3 ]} y desde entonces ha sido ampliamente adoptado. ^{[ 4 ]} Se centra en la música monofónica. El núcleo de este método es cómo el oído humano determina el tono . ^{[ 5 ]} El proceso intenta imitar aproximadamente la biología del oído interno humano al encontrar solo algunos de los armónicos más fuertes en un instante dado. Ese pequeño conjunto de armónicos encontrados se compara a su vez con todos los conjuntos armónicos de tonos resultantes posibles, para hipotetizar cuál podría ser el tono más probable dado ese conjunto particular de armónicos.

Hasta la fecha, la detección completa de las notas en grabaciones polifónicas sigue siendo un misterio para los ingenieros de audio, aunque continúan progresando mediante la invención de algoritmos que pueden detectar parcialmente algunas de las notas de una grabación polifónica, como una melodía o una línea de bajo.

El seguimiento del ritmo consiste en determinar el intervalo de tiempo que se repite entre los pulsos percibidos en la música. El ritmo también puede describirse como el golpeteo de los pies o las palmas al compás de la música. El ritmo suele ser una unidad básica y predecible dentro de la pieza musical, y puede variar solo ligeramente durante la interpretación. Las canciones se miden frecuentemente en pulsaciones por minuto (BPM) para determinar el tempo de la música, ya sea rápido o lento.

Dado que las notas suelen comenzar en un tiempo, o en una simple subdivisión del intervalo de tiempo del tiempo, el software de seguimiento de ritmos tiene el potencial de resolver con mayor precisión los inicios de las notas que podrían haberse detectado de forma imprecisa. El seguimiento de ritmos suele ser el primer paso en la detección de instrumentos de percusión.

A pesar de la naturaleza intuitiva del "golpeteo de pies", del que la mayoría de los humanos son capaces, desarrollar un algoritmo para detectar esos ritmos es difícil. La mayoría de los algoritmos de software actuales para la detección de ritmos utilizan una hipótesis de competencia grupal para los pulsos por minuto, ya que el algoritmo encuentra y resuelve progresivamente picos locales de volumen, que se corresponden aproximadamente con los golpeteos de pies de la música.

Para transcribir música automáticamente, hay que resolver varios problemas:

1. Es necesario reconocer las notas; esto se suele lograr mediante la transformación del dominio del tiempo al dominio de la frecuencia. Esto se puede conseguir mediante la transformada de Fourier . Existen algoritmos informáticos comunes para este fin. El algoritmo de la transformada rápida de Fourier calcula el contenido de frecuencia de una señal y resulta útil para procesar fragmentos musicales.

2. Es necesario detectar el ritmo y el tempo ( detección de ritmo ): este es un problema complejo y multifacético. ^{[ 6 ]}

El método propuesto en Costantini et al. 2009 ^{[ 7 ]} se centra en los eventos de las notas y sus características principales: el instante de ataque, el tono y el instante final. La detección del inicio de la nota utiliza una representación binaria tiempo-frecuencia de la señal de audio. La clasificación de las notas y la detección de su final se basan en la transformada Q constante (CQT) y en máquinas de vectores de soporte (SVM).

Esto, a su vez, da lugar a un «contorno de tono», es decir, una línea que varía continuamente en el tiempo y que corresponde a lo que los humanos denominan melodía. El siguiente paso consiste en segmentar este flujo melódico continuo para identificar el principio y el final de cada nota. A continuación, cada «unidad de nota» se expresa en términos físicos (por ejemplo, 4402  Hz, 0,52 segundos). El último paso consiste en asignar esta información física a términos familiares similares a la notación musical para cada nota (por ejemplo, un La4, una negra).

En términos de procesamiento informático propiamente dicho, los pasos principales son: 1) digitalizar la música analógica interpretada, 2) realizar transformadas rápidas de Fourier (FFT) sucesivas de corto plazo para obtener los espectros variables en el tiempo, 3) identificar los picos en cada espectro, 4) analizar los picos espectrales para obtener posibles tonos, 5) conectar los candidatos a tonos individuales más fuertes para obtener el contorno de tono variable en el tiempo más probable, 6) mapear estos datos físicos a los términos de notación musical más cercanos. Estos pasos fundamentales, originados por Piszczalski en la década de 1970, se convirtieron en la base de la transcripción musical automática. ^{[ 3 ]}

El paso más controvertido y difícil de este proceso es la detección del tono. ^{[ 8 ]} Los métodos de tono más exitosos operan en el dominio de la frecuencia, no en el dominio del tiempo. Si bien se han propuesto métodos en el dominio del tiempo, estos pueden fallar para instrumentos musicales reales que se tocan en salas típicamente reverberantes.

El método de detección de tono inventado por Piszczalski ^{[ 5 ]} imita nuevamente la audición humana. Se basa en cómo solo ciertos conjuntos de armónicos se "fusionan" en la audición humana. Estos son los conjuntos que crean la percepción de un solo tono. La fusión ocurre solo cuando dos armónicos están dentro del 1,5 % de ser un par armónico perfecto (es decir, sus frecuencias se aproximan a un par de números enteros bajos como 1:2, 5:8, etc.). Esta coincidencia armónica cercana es necesaria para que todos los armónicos se perciban como un solo tono.