Notizen zur Komposition von “Nessun_Dorma“
Wir haben eine Software entwickelt, die in der Lage ist, originale elektroakustische Musik zu generieren, indem wir die neuesten Technologien im Bereich der künstlichen Intelligenz und des maschinellen Lernens anwenden. Zu diesem Zweck haben wir einige Algorithmen, die ursprünglich für die Spracherkennung konzipiert wurden, angepasst und so weiterentwickelt, dass sie auch komplexeres Audiomaterial verarbeiten können.
Das Dataset, von dem wir ausgegangen sind, d.h. die Datenbank, die das „Lernmaterial“ für die neuronalen Netze darstellt, besteht aus einer Sammlung von Opernaufnahmen in digitalem Format. Auf der Grundlage dieser Daten, die in unterschiedlichen Konfigurationen organisiert sind, haben wir verschiedene Trainings durchgeführt, um Modelle zu entwickeln, die das gelernte Klangmaterial neu interpretieren können.
Im Unterschied zu Forschungsansätzen im Bereich des maschine Learning, bei dem das Ziel die rechnerische Effizienz ist, haben wir die Expressivität in den Vordergrund gestellt. Wir wollten Putzinis Lernprozess in seinen verschiedenen Phasen und mit all seinen Schwierigkeiten darstellen. Zu diesem Zweck kultivierten wir eine Sammlung von Fehlern und Verfremdungen in unseren Lernmodellen, die dann die expressive Palette bildeten, aus der wir im Laufe der Komposition schöpften.
Für Putzinis Töne haben wir zuerst die Original-Arien durch komplexe Filter gehen lassen.
Das Ergebnis war ein Gemurmel, das wir dann mit Hilfe parametrischer Rekompositionstechniken in eine Art Robotersprache umwandelten.
Die Kassette von Arka besteht aus einer fließenden Reihung von Tracks. Jeder Track präsentiert einen Ausschnitt einer Arie aus der Sammlung, der anhand von Methoden des maschinellen Lernens neu interpretiert und mit dem nächsten verknüpft wird, so dass ein kontinuierlicher Fluss entsteht.
Putzinis letzte Arie stellt seine fortgeschrittenste Lernphase dar, in der der Roboter imstande ist, das gelernte Material subjektiv zu überarbeiten und so eigene Musik zu komponieren. Für seine Realisierung haben wir Kompositionsalgorithmen programmiert, die ausgehend von der Outputs der fortschrittlichsten Modelle das generierte Material autonom in originelle musikalische Formen gebracht haben.