L’arte dell’improvvisazione musicale è da sempre considerata una delle espressioni più intime e insondabili della creatività umana, un dominio in cui il tocco personale del performer sembra sfuggire a qualsiasi rigida catalogazione. Tuttavia, un pionieristico studio condotto dai ricercatori Huw Cheston, Reuben Bance e Peter M. C. Harrison ha deciso di sfidare questa concezione. La ricerca, ufficialmente pubblicata oggi pomeriggio sull’autorevole rivista scientifica Nature Machine Intelligence, rivela come l’intelligenza artificiale e i modelli di machine learning siano oggi in grado di identificare con estrema precisione i pianisti jazz basandosi esclusivamente sulle loro registrazioni. Il focus più affascinante di questa indagine risiede nella capacità degli algoritmi di isolare le vere e proprie “impronte digitali” musicali che rendono inconfondibile l’esecuzione di un artista. Questo approccio computazionale promette di rivoluzionare non solo le tecniche di attribuzione delle opere d’arte, ma anche la comprensione profonda dell’eredità culturale e le metodologie legate all’educazione musicale.
La sfida computazionale nel mondo dell’improvvisazione
Ogni musicista sviluppa nel corso della propria carriera dei pattern distintivi che fungono da vera e propria firma d’autore. Nel campo della musica, questi tratti caratteristici includono progressioni armoniche ricorrenti, strutture ritmiche peculiari e specifici motivi melodici. Il jazz rappresenta un terreno di indagine straordinariamente fertile per studiare tali impronte digitali, poiché fonde insieme la composizione prestabilita, l’improvvisazione spontanea e un’esecuzione fisica che risulta irripetibile e strettamente legata alla personalità del singolo interprete. Fino ad oggi, l’analisi computazionale della musica jazz ha incontrato numerosi ostacoli. La maggior parte delle performance storiche esiste unicamente sotto forma di registrazioni audio, e i modelli addestrati direttamente sui segnali acustici risultano spesso di difficile interpretazione per gli esseri umani. Variabili esterne come l’acustica dell’ambiente di registrazione o la tipologia di attrezzatura tecnica utilizzata tendono infatti a inquinare i dati, sovrapponendosi ai tratti puramente stilistici del musicista e rendendo ardua l’estrazione di informazioni puramente musicali.
Analizzare 84 ore di pura storia del jazz
Per superare questi drastici limiti tecnici, i ricercatori hanno adottato un approccio ingegnoso basato sulla trasposizione delle performance nel dominio simbolico. Il team ha addestrato modelli di apprendimento supervisionato su un dataset curato con estrema precisione, contenente ben ottantaquattro ore di musica. Questo imponente archivio comprende 1.229 performance realizzate da venti dei più celebri pianisti della storia del jazz, tra cui spiccano leggende assolute del calibro di Bill Evans, Oscar Peterson, Thelonious Monk, Chick Corea, Keith Jarrett, McCoy Tyner e Ahmad Jamal. Al fine di eliminare definitivamente le interferenze acustiche ambientali, le registrazioni audio originali sono state preventivamente convertite nel formato digitale MIDI. Questa rappresentazione astratta, assimilabile a un “rullo di pianoforte”, mappa in modo inequivocabile il momento esatto in cui una nota viene suonata, la sua specifica altezza e la sua durata. Tale trasformazione ha permesso agli algoritmi di concentrarsi unicamente sulle scelte armoniche, melodiche e ritmiche dei maestri, isolando le variabili stilistiche pure.
Armonia e ritmo come elementi distintivi dello stile
I risultati ottenuti dalle reti neurali impiegate nello studio sono stati a dir poco sorprendenti. Il modello computazionale più avanzato è riuscito a identificare l’esecutore corretto analizzando tracce mai viste prima con una strabiliante precisione del novantaquattro virgola quattro per cento. Al fine di rendere il processo decisionale della macchina più trasparente e facilmente interpretabile per musicologi e studenti, i ricercatori hanno sviluppato parallelamente anche un modello multi-input capace di separare la musica in quattro domini fondamentali, ovvero melodia, armonia, ritmo e dinamica. Questa specifica architettura, pur essendo più selettiva, ha raggiunto un’eccellente accuratezza del novantuno virgola tre per cento. L’aspetto in assoluto più rivelatorio dell’intero esperimento è emerso con chiarezza quando i ricercatori hanno deciso di testare l’efficacia dei quattro domini musicali analizzandoli singolarmente. L’armonia si è dimostrata l’elemento in assoluto più accurato e potente per predire l’identità del pianista. Al secondo posto si è saldamente posizionato il ritmo, seguito in terza posizione dalla melodia, mentre la dinamica, che rappresenta l’intensità e la forza con cui i tasti vengono premuti, si è rivelata statisticamente la componente meno utile per distinguere lo stile di un musicista dall’altro.
Alla scoperta dei segreti di Bill Evans e Oscar Peterson
Scendendo nel dettaglio microscopico del vocabolario musicale, l’intelligenza artificiale ha evidenziato in modo inequivocabile pattern specifici che definiscono lo stile intimo di ogni colosso del piano. Nel caso del leggendario Bill Evans, il modello ha individuato come elemento predittivo fortissimo una peculiare ricorrenza di particolari arpeggi discendenti di settima maggiore o minore, pattern che peraltro trovano ampio riscontro e documentazione anche nella letteratura pedagogica dedicata allo studio del suo stile inconfondibile. Per quanto riguarda il virtuoso Oscar Peterson, l’algoritmo ha invece assegnato un peso determinante ai cosiddetti “enclosures” melodici, ovvero frammenti cromatici eseguiti ad alta velocità che circondano e ritardano abilmente l’arrivo su una nota bersaglio dell’accordo. Oltre a confermare le osservazioni storiche degli esperti umani, la macchina ha fatto emergere comportamenti musicali di evitamento che raramente vengono discussi nei trattati teorici tradizionali. I modelli matematici hanno infatti imparato a riconoscere con certezza gli artisti anche in base a ciò che scelgono consapevolmente o inconsciamente di non suonare, rivelando come l’assenza di determinate scale, salti intervallari o arpeggi sia stilisticamente rivelatoria e fondamentale quanto la loro massiccia presenza.
Le prospettive future per l’educazione e l’eredità culturale
Gli autori dello studio sottolineano con forza come questo innovativo approccio metodologico offra strumenti inesplorati e potentissimi ai ricercatori desiderosi di esplorare le strutture profonde che rendono unico e irripetibile il linguaggio di ogni artista. I modelli non si limitano a identificare i pattern già noti alla letteratura accademica, ma portano alla luce regolarità sfuggite per decenni all’orecchio dei critici. Mettendo generosamente a disposizione i loro modelli open-source e una piattaforma web interattiva, il team invita l’intera comunità accademica, i musicisti e gli studenti a espandere le applicazioni pratiche di questi orizzonti. I limiti attuali del sistema, come l’impossibilità del formato MIDI di catturare preziose sfumature timbriche o tecniche espressive quali il pitch-bending e il vibrato tipiche degli strumenti a fiato, rappresentano semplicemente le ovvie e stimolanti prossime sfide tecnologiche da superare. In un futuro non troppo lontano, questa tecnologia d’avanguardia potrà essere agevolmente estesa per analizzare altri generi musicali complessi, differenti tipologie di strumenti acustici e contesti storici variegati, offrendo una preziosa opportunità per studiare scientificamente l’evoluzione delle reti di influenza tra musicisti. Sarà uno strumento determinante per valorizzare oggettivamente e riportare alla luce il lavoro artistico di figure storicamente meno note o finora ingiustamente sottorappresentate nel vasto panorama musicale globale.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?