Proyecto Fin de Carrera

Analizador tonal en software libre

Alumno Juan Carlos de la Fuente Córdoba

Director Miguel Rodríguez Artacho

E.T.S.I. Informática, UNED. Curso 2009-2010

Soporte LenMus Cecilio Salmerón

 Temas
● Contexto
● Enseñanza de la armonía
● Analizador
● LenMus
● Desarrollo
● Logros
● Lecciones
● Comparativa
● Futuro
● Conclusiones
2
 Contexto
● Software libre
▪ El SW es conocimiento. El conocimiento requiere libertad
▪ En la educación:
◦ Reduce costos, y dependencias
◦ Compartir facilita mejorar. Permite adaptar.
● Software musical
▪ Dominado por conceptos DSP: matemáticas sobre audio
▪ Faltan recursos de alto nivel: notaciones, taxonomías, estándares
● Software de aprendizaje musical
▪ Áreas: lenguaje musical, entrenamiento auditivo, destreza
instrumental
▪ Desafios: aprendizaje colaborativo, estándares (MPEG-SMR)
▪ i-Maestro: Integración de la teconología en el aprendizaje musical
3
 Enseñanza de la armonía
● Se precisa mucho ejercicio para asimilar
● Dificultad de manejar mentalmente grupos de notas
▪ Simultáneas
▪ Equivalentes
● Dimensiones de la armonía
▪ Formación de acordes individuales
▪ Progresión armónica
● Dominio formalizable
● Otros aspectos: subjetividad y adaptación

4
 Analizador
● Objetivos
▪ Reconocer y corregir acordes
◦ Individuales
◦ Secuencias
▪ Generar ejercicios
● Continuidad
▪ Plataforma e-Learning
▪ Software libre
● Dificultades
▪ Múltiples aspectos de un mismo acorde
▪ Subjetividad de la armonía

5
 LenMus
● Plataforma eMusicLearning integrada
▪ Formato de empaquetamiento propio (eMusicBook)
◦ Futuro desarrollo para estandarizar contenidos
▪ Notación musical de alto nivel: lenguaje LDP
▪ Ejercicios interactivos
◦ Entrenamiento auditivo y pregunta-respuesta
◦ Personalizables y siempre distintos
▪ Editor completo WYSIWYG
◦ Audición, persistencia, usabilidad
● Infraestructura de desarrollo
▪ Editor, notación, renderización
▪ Interfaz de usuario
▪ Representación y procesamiento de música
6
 Desarrollo
● Problemática y soluciones
● Complejidad de estructuras: Orientación a Objetos
● Encontrar tipo del acorde: Intervalos característicos
● Visualización de mensajes: referencia al acorde
●
Ajuste de acordes a pulsos: dejar libertad
● Generación de armonías: Heurísticas

●
Metodología: "Ágil"
● Desarrollo: SCRUM, TDD
● Product backlog (lista priorizada de tareas):
plan de trabajo
● Sprint (incrementos): de 2 semanas
● Pruebas: UnitTest++

7
 Logros
● Analizador tonal
▪ Identificar acordes
▪ Detectar errores
individuales y colectivos
● Ejercicios
▪ Generación de armonías
▪ Corrección
● Ayudas al procesamiento
de la armonía
▪ Arquitectura de clases
▪ Algoritmos varios
▪ Reglas
8
 Lecciones aprendidas
● Procesamiento de armonía
▪ Acordes: comenzar por intervalos; notas al final
▪ Diferenciar niveles de representación de los
acordes
● Procesamiento de música
▪ Operar en la escala cromática
(diatónica: solo al final)
▪ Entrada en notación simbólica (ni MIDI, ni audio)
▪ Altura en notación 40-Hewlett
● Programación
▪ Valentía para refactorizar
▪ Atención para percibir la arquitectura que emerge
9
Comparativa

10
 Futuro
● Mejoras
▪ Armonía
◦ Cadencias
◦ Modulaciones
◦ Notas ajenas a los acordes
◦ Ampliar reglas de progresión
▪ Ejercicios
◦ Opciones: reglas, tonalidad, inversiones, etc.
▪ Visualización
● Extensiones mediante Inteligencia Artificial
▪ Adecuación melodía/armonía
▪ Generar armonías
11
 Conclusiones
● Cumplidos todos los objetivos
▪ Reconocimiento de acordes, análisis individual y colectivo
▪ Generación de ejercicios de armonía
▪ Integración en plataforma educativa abierta y libre
◦ Código disponible para reutilizar y mejorar
◦ Aprovechamiento de recursos existentes: audición, editor...
◦ Posibilidad de crear libros colaborativamente
▪ Estudio sobre procesamiento de música y educación
● Abiertos muchos caminos de continuidad
● A destacar
▪ Sin conocimientos musicales previos
▪ Unas 700 horas empleadas en el desarrollo y la memoria
12