Algoritmo de aprendizaje automático extrae letras de rap y luego escribe las suyas propias

La antigua habilidad de crear y ejecutar rimas habladas prospera hoy en día debido al inexorable aumento de la popularidad del rap. Esta forma de arte es distinta de la poesía hablada ordinaria porque se realiza al ritmo, a menudo con música de fondo.

Y los artistas han sobresalido. Adam Bradley, profesor de inglés en la Universidad de Colorado, lo ha descrito en términos elogiosos. El rap, dice, crea intrincadas estructuras de sonido y rima, creando algunas de las poesías más escrupulosamente formales compuestas hoy en día.

La naturaleza altamente estructurada del rap lo hace particularmente apto para el análisis por computadora. Y eso plantea una pregunta interesante: si las computadoras pueden analizar las letras de rap, ¿también pueden generarlas?

Hoy recibimos una respuesta afirmativa gracias al trabajo de Eric Malmi en la Universidad de Aalto en Finlandia y algunos amigos. Estos muchachos han entrenado un algoritmo de aprendizaje automático para reconocer las características más destacadas de unas pocas líneas de rap y luego elegir otra línea que rima de la misma manera sobre el mismo tema. El resultado es un algoritmo que produce letras de rap que rivalizan con las generadas por humanos por su complejidad de rima.

Varias formas de rima surgen en el rap, pero la más común, y la que ayuda a distinguirla de otras formas de poesía, se llama rima asonante. Esta es la repetición de sonidos vocálicos similares, como en las palabras crazy y baby, que comparten dos sonidos vocálicos similares. (Eso es diferente de la consonancia, que usa sonidos de consonantes similares, como en un golpeteo y diferente de la rima perfecta donde las palabras comparten el mismo sonido final, como la jerga y la pandilla).

Debido a su prevalencia en el rap, Malmi y compañía se centran exclusivamente en la forma en que aparece la asonancia en las letras de rap. Pero también asumen una forma de verso altamente estructurada que consta de 16 líneas, cada una de las cuales equivale a un compás musical y, por lo tanto, debe estar compuesta por cuatro tiempos. Las líneas típicamente, pero no necesariamente, riman al final.

Para entrenar su algoritmo de aprendizaje automático, comienzan con una base de datos de más de 10 000 canciones de más de 100 artistas de rap.

Detectar rimas asonantes no es difícil. Las palabras primero deben convertirse en fonemas (suponiendo una pronunciación típica del inglés americano). Entonces, encontrar rimas es simplemente una cuestión de escanear los fonemas en busca de sonidos de vocales similares mientras se ignoran los sonidos de consonantes y espacios.

Eso sugiere inmediatamente una forma de clasificar la complejidad de las letras. Malmi y compañía buscan secuencias de sonidos de vocales coincidentes en las dos líneas anteriores más o menos. Luego definen la densidad de rima como el promedio de todas las secuencias más largas de la letra.

Esta medida les ha permitido clasificar a todos los artistas de rap de su base de datos según su densidad de rimas. Los tres raperos que encabezan la lista son Inspectah Deck, Rakim y Redrama. Rakim, en particular, es conocido por sus rimas de varias sílabas.

Curiosamente, el rapero Eminem, que también es famoso por sus rimas polisilábicas, ocupa un lugar sorprendentemente bajo en la lista. Probablemente se deba a que Eminem a menudo logra sus rimas doblando las palabras, un truco que esta técnica no permite.

Sin embargo, esta métrica es una medida interesante de la habilidad de rimar de un rapero y que el equipo puede usar para comparar sus raps automatizados con los generados por humanos.

A continuación, configuraron su algoritmo de aprendizaje automático, llamado DeepBeat, como una tarea. Después de extraer la base de datos, su objetivo es analizar una secuencia de líneas de una letra de rap y luego elegir la siguiente línea de una lista que contiene líneas elegidas al azar de otras canciones, así como la línea real.

Esto lo puede hacer sorprendentemente bien. Se logró una precisión del 82% para separar la siguiente línea real de una línea elegida al azar, dicen Malmi y compañía.

Eso no está mal e inmediatamente sugiere una forma de generar letras automáticamente. Malmi y compañía comienzan con una línea de una letra de rap y le piden a la computadora que busque en la base de datos otra línea sobre el mismo tema que mejor rima. Luego repite este proceso para la siguiente línea y así sucesivamente.

Los resultados son una especie de revelación. Aquí hay un DeepBeat generado sobre el tema del amor.

Para una oportunidad de romance me encantaría mejorar
Pero todo lo que amo se ha convertido en una tarea tediosa
Un día tendremos que dejar nuestro amor en el pasado
Amo a mis fans, pero nadie pone nunca un asimiento
Te amo mamá, amo a mi mamá, te amo mamá.
Y me encantaría tener una cosa como tú en mi equipo te cuidas
Me encanta cuando hace sol, Sonny girl, podrías ser mi Cher.
Estoy en una historia de amor, no puedo compartirlo, no es justo
Jaja, solo estoy jugando a las damas, sabes que te amo.
Sé que mi amor es verdadero y sé que tú también me amas
Chica, estoy deprimido por cualquier causa, mi amor es verdadero
Este va a mi hombre, viejo, sucio, amor, estamos bebiendo cerveza
Mi hermano te amo anímate hombre y solo sé
Cuando hayas terminado, avísame porque mi amor te hace ser como WOA
Si no puedo hacerlo por amor, entonces hazlo, no lo haré.
Todo lo que sé es que te amo demasiado como para alejarme

Eso es impresionante. Cada una de estas líneas está tomada de otra canción de rap; por ejemplo, la última línea es de Eminem.

Además, este y otros raps generados por DeepBeat tienen una densidad de rimas significativamente mayor que la de cualquier rapero humano. DeepBeat supera a los principales raperos humanos en un 21 % en términos de longitud y frecuencia de las rimas en las letras producidas, señalan.

Donde falla DeepBeat es en la coherencia de su narración, lo cual no sorprende dado que su enfoque se centra principalmente en la rima. Eso es claramente trabajo para el futuro.

Ref:arxiv.org/abs/1505.04771: DopeLearning: un enfoque computacional para la generación de letras de rap

esconder