Machine learning-based modelling of expressive style influences among famous cello interpreters

Abstract

The study of the subtle changes musicians introduce when playing a piece has been an area of interest in the past decades. As new and more powerful machines are available, we can build models that imitate these changes. In this project, we have trained models using machine learning methods to predict the expressive performance in terms of timing and dynamics that famous Cellists introduce. Models for timing and dynamics were trained using recordings of famous cello players performing a piece that was segmented into notes. The resulting models were compared to identify expressive performance resemblances among the cello artists by predicting a player’s performance using the expressive performance models of the other ones.El estudio de los pequeños cambios que los músicos introducen cuando tocan un instrumento ha sido un área relevante de investigaciones en las últimas décadas. En este proyecto, construiremos modelos utilizando varios métodos de aprendizaje automático para representar los cambios en el ámbito del tiempo y la energía que los artistas de Cello introducen. Estos modelos fueron construidos a partir de grabaciones segmentadas en notas. Y a partir de ahí, cada nota es clasificada en tres clases para la duración y tres clases para la energía. Los modelos obtenidos fueron comparados para identificar similitudes en la expresividad de diferentes Celistas, de manera que utilizamos un modelo de un intérprete para predecir la expresividad de otro intérprete y así obtener unos valores de acuerdo a la relación entre los artistas.