IA identifica pianistas de jazz por padrões musicais e revela “impressões digitais” artísticas

Estudo publicado na revista Nature Machine Intelligence analisou 1.629 performances de 20 músicos e aponta usos na atribuição de autoria, na educação e na preservação do patrimônio cultural – mas também levanta preocupações sobre falsificações musicais

Uma inteligência artificial conseguiu identificar pianistas de jazz a partir de padrões recorrentes em suas performances, com precisão de até 94,4%. O resultado está em um estudo publicado na revista científica Nature Machine Intelligence, que investigou as características musicais que tornam reconhecíveis artistas como Bill Evans, Oscar Peterson, Thelonious Monk, Chick Corea, Keith Jarrett, McCoy Tyner e Ahmad Jamal.

A pesquisa foi conduzida por Huw Cheston, Reuben Bance e Peter M. C. Harrison, do Centre for Music and Science da Cambridge University e do Centre for Digital Music da Queen Mary University of London. Os autores analisaram 84 horas de gravações, reunindo 1.629 performances de 20 pianistas de jazz.

O trabalho chama esses padrões recorrentes de “impressões digitais” artísticas. Na música, elas podem aparecer em progressões harmônicas, estruturas rítmicas, motivos melódicos e na maneira como o intérprete executa as notas.

O reconhecimento

As gravações foram convertidas para o formato MIDI conhecido como “piano roll”. Essa representação digital mostra principalmente quando cada nota é tocada e qual é sua altura.

A partir desse material, os pesquisadores treinaram diferentes modelos de aprendizado de máquina para identificar o pianista responsável por uma performance. O sistema de melhor desempenho reconheceu os músicos com 94,4% de precisão nas gravações reservadas para teste.

Os cientistas também desenvolveram um modelo mais interpretável, capaz de separar quatro dimensões da música: melodia, harmonia, ritmo e dinâmica. Esse modelo obteve 91,3% de precisão.

Quando os elementos foram analisados separadamente, a harmonia apresentou o melhor desempenho na identificação dos pianistas, com precisão de 74,4%. O ritmo alcançou 61,9%, e a melodia, 57,5%. A dinâmica foi menos eficiente, com 26,3% de precisão quando utilizada isoladamente.

Os resultados sugerem que a forma como um pianista organiza acordes, escolhe determinados caminhos melódicos e estrutura o ritmo pode ser mais reveladora de sua identidade artística do que a intensidade ou o volume das notas.

Padrões e descobertas

O modelo identificou características já descritas por especialistas em livros e estudos sobre jazz. No caso de Bill Evans, por exemplo, apareceram padrões associados a arpejos descendentes. Em Oscar Peterson, o sistema encontrou estruturas melódicas conhecidas como “enclosures”, nas quais uma nota é abordada por movimentos acima e abaixo dela.

A análise também apontou comportamentos menos discutidos na literatura musical, incluindo padrões que determinados pianistas tendem a evitar. Para os autores, isso mostra que os modelos podem ajudar não apenas a confirmar observações de especialistas, mas também a encontrar características que ainda não foram descritas.

A equipe disponibilizou versões de código aberto dos modelos, os dados processados e uma aplicação na internet que permite explorar os padrões associados aos músicos analisados.

Limitações do estudo

Os pesquisadores destacam que o trabalho não capturou todos os elementos de uma performance de jazz. A conversão para MIDI facilita a análise de notas, ritmos e acordes, mas não registra integralmente características como timbre, vibrato, modulação de altura e outras nuances sonoras.

Além disso, os resultados foram obtidos a partir de um grupo específico de 20 pianistas famosos e de uma base de gravações selecionada. Portanto, não é possível concluir que o mesmo desempenho seria alcançado com qualquer músico, instrumento, gênero ou período histórico.

Os autores também observam que as dimensões musicais não são completamente independentes. Melodia e harmonia podem se sobrepor, enquanto ritmo e dinâmica podem influenciar a percepção de outros elementos. A separação proposta pelo modelo facilita a interpretação, mas não representa uma divisão perfeita da experiência musical.

Possíveis usos positivos

A identificação computacional de padrões artísticos pode ter aplicações em diferentes áreas. Entre elas estão:

• Atribuição de autoria: sugerir possíveis autores para gravações ou obras sem identificação;
• Autenticação: auxiliar na investigação sobre a autenticidade de uma performance;
• Educação musical: mostrar a estudantes como diferentes artistas constroem melodias, acordes e ritmos;
• Preservação cultural: analisar grandes acervos de gravações e identificar estilos de músicos pouco estudados;
• Pesquisa histórica: acompanhar redes de influência e a transmissão de características musicais entre artistas, regiões e períodos;
• Organização de acervos: melhorar sistemas de busca, classificação e catalogação de gravações.

O estudo afirma ainda que a metodologia poderá ser ampliada para outros instrumentos, gêneros musicais e músicos historicamente sub-representados. Os autores citam a possibilidade de investigar grupos associados a determinadas regiões, como a chamada “escola de Detroit” de pianistas, e acompanhar como padrões musicais se transformam ao longo do tempo.

O risco da falsa atribuição

A mesma tecnologia que ajuda a reconhecer um artista pode, em um contexto diferente, contribuir para a criação de uma imitação convincente. O estudo apresentado na Nature não produz músicas falsas nem treina um sistema para gerar novas obras no estilo dos pianistas. Seu objetivo é identificar performances.

Ainda assim, a capacidade de decompor uma identidade musical em padrões pode ser combinada futuramente com ferramentas generativas. Isso abre espaço para gravações artificiais apresentadas como obras inéditas de artistas famosos, inclusive músicos mortos, ou para vídeos que utilizem a identidade sonora de uma pessoa para transmitir mensagens que ela nunca defendeu.

O problema seria especialmente grave quando o conteúdo fosse apresentado como autêntico. Uma música gerada por inteligência artificial poderia ser divulgada como uma gravação perdida, uma colaboração póstuma ou uma nova composição de um artista conhecido, enganando o público e explorando comercialmente sua reputação.

A atribuição falsa também poderia distorcer o legado de um músico. Uma voz, uma imagem ou um estilo associado a determinada pessoa poderia aparecer em uma obra que defendesse ideias políticas, comportamentos ou produtos rejeitados por ela.

Por isso, pesquisas desse tipo podem exigir mecanismos de procedência, identificação de conteúdos gerados por IA, consentimento para o uso de gravações e proteção da identidade artística. A ferramenta pode ajudar a responder quem tocou uma obra – mas também torna mais urgente perguntar como o público poderá saber se essa obra é realmente daquela pessoa.

Da análise à responsabilidade

O estudo publicado na Nature Machine Intelligence amplia a capacidade de investigar a criação musical em escala e oferece uma maneira mais precisa de observar padrões que antes dependiam sobretudo da experiência de especialistas.

Seus benefícios, porém, não eliminam os riscos de uso indevido. A capacidade de reconhecer a assinatura musical de um artista pode fortalecer a autenticação e a educação, mas também facilitar a imitação e a falsificação.

O desafio será garantir que a tecnologia seja usada para compreender, preservar e valorizar a criação artística – e não para atribuir a músicos obras que eles nunca fizeram ou mensagens que jamais defenderam.