Машинне навчання впізнало джазового піаніста за стилем із точністю 94%
Стиль великого джазового піаніста можна впізнати не лише на слух. Машинне навчання навчилося знаходити настільки стабільні індивідуальні закономірності в музиці, що найкраща модель правильно визначала виконавця серед 20 відомих піаністів у 94% випадків.
Дослідники проаналізували близько 84 годин транскрибованих записів. Вони розділили музичну інформацію на чотири великі домени: мелодію, гармонію, ритм і динаміку.
Алгоритм шукав не голос студії, а музичну мову
Якби модель працювала лише з сирим аудіо, вона могла б випадково вивчити якість запису, тип мікрофона або акустику конкретної студії. Тому дослідники перевели музику в символічне представлення.
Це дозволило аналізувати мелодичні фрази, акордові структури, ритмічні шаблони та особливості виконання окремо.
Найкраща багатовхідна модель досягла 94% точності серед 20 класів. Інші, простіші підходи теж давали сильний результат, але гірше розкривали, які саме ознаки формують «підпис» музиканта.
ШІ може допомагати музикознавцям
Подібні системи потенційно корисні для атрибуції старих або непідписаних записів, аналізу впливу одного музиканта на іншого та навчання студентів стилістичних особливостей.
Особливо цікаво, що модель може кількісно показувати, чи впізнаваність виконавця більше залежить від мелодії, гармонії або ритмічних рішень.
Це не означає, що алгоритм «розуміє джаз» або може замінити музикознавця. Його сила — у масштабі: він швидко знаходить статистичні закономірності в десятках годин матеріалу, які людина потім може інтерпретувати.
Робота демонструє ще одну сторону штучного інтелекту: він може бути не генератором контенту, а аналітичним інструментом для гуманітарних наук — способом вивчати творчий стиль, який раніше описували переважно словами й прикладами.
Дослідники також порівнювали різні типи ознак і побачили, що жоден окремий параметр не пояснює стиль повністю. Мелодійні шаблони, акордові рішення, ритміка й динаміка доповнюють одне одного. Саме їхня комбінація створює той статистичний відбиток, за яким модель упізнає виконавця.
Це робить підхід корисним і для освіти: студент може побачити не лише ім’я піаніста, а конкретні музичні риси, які найбільше відрізняють його від інших.
