Hermenéutica de la IA en la música procesional de Sevilla: hacia un protocolo MIDI para la preservación simbólica y técnica de la tradición
Resumen
Este artículo plantea un marco de trabajo para la puesta en valor de la música procesional frente a la estandarización algorítmica de la música generada por inteligencia artificial. Para mitigar sesgos de datos y herramientas que homogeneizan los estilos, con el fin de proteger y categorizar la música procesional andaluza, se propone un modelo MIDI que sirva como protocolo para el almacenamiento y la categorización de los elementos no presentes en la partitura que, sin embargo, hacen única esta música. La finalidad no es el despliegue técnico, sino la preservación de lo simbólico-interpretativo mediante una notación de control auditable, trazable e interoperable. Mediante este modelo, la IA podría descodificar y catalogar la música procesional en toda su esencia, anotando su intencionalidad (gesto, agógica, color tímbrico, función ritual), respetando su identidad cultural propia más allá de las corrientes musicales dominantes y alcanzando su registro en el ecosistema musical mundial.
PALABRAS CLAVE: música procesional, inteligencia artificial, estandarización algorítmica, protocolo MIDI, modelo musical.
Descargas
Citas
Bresin, R. (2001). Articulation rules for automatic music performance. En Proceedings of the International Computer Music Conference (ICMC) (pp. 294–297). ICMA. https://quod.lib.umich.edu/cgi/p/pod/dod-idx/articulation-rules-for-automatic-music-performance.pdf?c=icmc;idno=bbp2372.2001.001;format=pdf
Bresin, R., Friberg, A., & Sundberg, J. (2002). Director Musices: The KTH performance rules system. Royal Institute of Technology (KTH). https://www.diva-portal.org/smash/get/diva2:1246181/FULLTEXT01.pdf
Carmona Rodríguez, M. (1993). Un siglo de música procesional en Sevilla y Andalucía. Rosario Solís Márquez.
Chen, D., Sun, N., Lee, J.-H., Zou, C., & Jeon, W.-S. (2024). Digital technology in cultural heritage: Construction and evaluation methods of AI-based ethnic music dataset. Applied Sciences, 14(23), 10811. https://doi.org/10.3390/app142310811
Dixon, S., & Widmer, G. (2005). MATCH: A music alignment tool chest. En Proceedings of the 6th International Conference on Music Information Retrieval (ISMIR) (pp. 492–497). http://ismir2005.ismir.net/proceedings/1002.pdf
Huang, Y.-S., & Yang, Y.-H. (2020). Pop music transformer: Beat-based modeling and generation of expressive pop piano compositions. Proceedings of the 28th ACM International Conference on Multimedia (pp. 1180–1188). ACM. https://doi.org/10.1145/3394171.3413671
Huber, D. M. (2020). The MIDI manual: A practical guide to MIDI within modern music production (4.ª ed.). Routledge. https://doi.org/10.4324/9781315670836
International Telecommunication Union. (2015). Recommendation ITU-R BS.1116-3: Methods for the subjective assessment of small impairments in audio systems. ITU. https://www.itu.int/rec/R-REC-BS.1116-3-201502-I/
Jeong, D., Kim, S., & Lee, J. (2019). Graph neural network for music score data and modeling expressive piano performance. In K. Chaudhuri & R. Salakhutdinov (Eds.), Proceedings of the 36th International Conference on Machine Learning (Vol. 97, pp. 3060–3070). PMLR. https://proceedings.mlr.press/v97/jeong19a.html
Karystinaios, E., Foscarin, F., & Widmer, G. (2024). MusGConv: Perception-inspired graph convolution for music understanding tasks. Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence (IJCAI-24). https://doi.org/10.24963/ijcai.2024/850
Kirke, A., & Miranda, E. R. (2013). Guide to computing for expressive music performance. Springer. https://doi.org/10.1007/978-1-4471-4123-5
McLean, A., & Dean, R. T. (Eds.). (2018). The Oxford handbook of algorithmic music. Oxford University Press. https://doi.org/10.1093/oxfordhb/9780190226992.001.0001
MIDI Manufacturers Association. (2023). Details about MIDI 2.0, MIDI-CI, profiles and property exchange. https://www.midi.org/midi-articles/details-about-midi-2-0-midi-ci-profiles-and-property-exchange
Roads, C. (2023). The computer music tutorial (2nd ed.). MIT Press. https://mitpress.mit.edu/9780262044912/the-computer-music-tutorial/
Rowe, R. (1993). Interactive music systems: Machine listening and composing. MIT Press. https://wp.nyu.edu/robert_rowe/text/interactive-music-systems-1993/
Selfridge-Field, E. (Ed.). (1997). Beyond MIDI: The handbook of musical codes. MIT Press. https://mitpress.mit.edu/9780262193948/beyond-midi/
Shi, J., Chen, X., Li, S., Yu, Z., Liu, Y., Xu, C., & Chen, S. (2021). MusicBERT: Symbolic music understanding with large-scale pre-training. In Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP 2021). (Preprint arXiv:2106.05630). https://arxiv.org/abs/2106.05630
Sturm, B. L., & Ben-Tal, O. (2021). Folk the algorithms: (Mis) applying artificial intelligence to folk music. En E. R. Miranda (Ed.), Handbook of artificial intelligence for music (pp. 423–454). Springer. https://doi.org/10.1007/978-3-030-72116-9_16
Torres Simón, F. J. (2015). Método de corneta procesional. Ayuntamiento de Sevilla.
UNESCO. (2003). Convention for the safeguarding of the intangible cultural heritage. UNESCO. https://ich.unesco.org/en/convention
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
