Soluções de aprendizado de máquina para geração de música instrumental.

• Ano de defesa: 2025
• Autor(a) principal: Scocca, Lucas de Santana
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Artificial intelligence; Computational music; Inteligência artificial; Machine learning; Música computacional
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3142/tde-10112025-110321/

Por conta de sua capacidade de gerar imagens, sons e textos realistas para os humanos, diferentes soluções de inteligência artificial (IA) têm sido cada vez mais exploradas para a geração de arte, inclusive com aplicações comerciais. Nesta dissertação de mestrado, foram desenvolvidos modelos de diferentes estruturas de aprendizado de máquina, como Redes Neurais Adversárias Gerativas (Generative Adversarial Networks GANs), Autocodificadores Variacionais (Variational Autoencoders VAEs), e redes do tipo Memória de Curto Longo Prazo (Long Short-Term Memory LSTM) utilizando Processamento de Linguagem Natural (Natural Language Processing NLP) para compor músicas instrumentais. Os modelos foram treinados utilizando formato matricial próprio, em que cada música é uma matriz de notas. Como banco de dados, foram utilizadas músicas para piano dos compositores Bach, Mozart e Chopin. Para avaliar os resultados, foi realizada uma pesquisa de opinião em que participantes classificaram trechos musicais gerados a partir de músicas de Bach pelos modelos propostos e os compararam com músicas provenientes de outras abordagens, incluindo um modelo documentado na literatura, outro encontrado em repositórios públicos e uma composição original de Bach. Os resultados indicaram que, embora a música original de Bach tenha sido a mais bem avaliada em média, 22,58% dos participantes avaliaram a música gerada pelo modelo de GAN convolucional proposto neste trabalho como a melhor, evidenciando o potencial do uso de IA na composição musical e a capacidade do modelo proposto de produzir resultados considerados satisfatórios por ouvintes humanos. As abordagens propostas neste trabalho foram preferidas, de forma subjetiva, pelos participantes da pesquisa de opinião em relação às soluções da literatura utilizadas para comparação.