ANÁLISIS MUSICAL A PARTIR DE LAS SEÑALES DE AUDIO

Abstract

Este Trabajo de Fin de Máster desarrolla un sistema de transcripción musical automática que convierte grabaciones de audio en partituras legibles, utilizando técnicas de procesamiento digital de señales e inteligencia artificial. El sistema se ha diseñado para funcionar con instrumentos melódicos (como la flauta) y polifónicos (como la guitarra), abordando los desafíos que presentan las grabaciones reales, como el ruido de fondo, la variabilidad tímbrica o la superposición de armónicos. El proceso comienza con la segmentación temporal de la señal de audio y su transformación al dominio frecuencial mediante la transformada rápida de Fourier (FFT). A continuación, se extraen vectores de características que representan la energía en rangos de frecuencias asociados a cada nota musical. Estos vectores se clasifican mediante modelos de aprendizaje automático, como KNN, MLP y RNN, para identificar las notas presentes en cada segmento. Se incorpora también un módulo de filtrado espectral personalizado para mejorar la precisión en entornos ruidosos. Finalmente, el sistema genera una partitura estructurada y legible, complementada con una interfaz gráfica sencilla e intuitiva que permite cargar el audio, seleccionar parámetros de análisis y visualizar los resultados. La solución es modular y extensible, lo que facilita futuras ampliaciones y adaptaciones a otros instrumentos. Este trabajo contribuye al desarrollo de herramientas accesibles para la transcripción musical, con aplicaciones tanto en la educación como en la creación musical.

This Master's Thesis presents the development of an automatic music transcription system capable of converting audio recordings into readable musical scores using digital signal processing techniques and artificial intelligence. The system supports both monophonic instruments (e.g., flute) and polyphonic ones (e.g., guitar), addressing challenges such as background noise, timbral variation, and harmonic overlap. The process starts with temporal segmentation of the audio signal and its transformation into the frequency domain using the Fast Fourier Transform (FFT). Feature vectors are then extracted, representing the energy in frequency ranges associated with each musical note. These vectors are classified using machine learning models such as KNN, MLP, and RNN to identify the notes present in each segment. A custom spectral filtering module is also implemented to enhance accuracy in noisy environments. Finally, the system produces a structured and readable musical score, accompanied by an intuitive graphical interface that allows users to upload audio, configure analysis parameters, and visualize results. The solution is modular and extensible, facilitating future improvements and adaptation to other instruments. This work contributes to the development of accessible tools for music transcription with applications in education and music creation.