Nem tudo que parece IA em música é IA

De vez em quando recebo comentários questionando o uso de "IA" nos exemplos musicais que produzo — e é sempre a mesma ressalva: que teria sido melhor com "pessoas reais". Vale um esclarecimento, porque a maioria desses exemplos não usa IA nenhuma: usa síntese de voz. São coisas bem diferentes, e a confusão entre elas diz muito sobre como o debate sobre tecnologia na música ainda está mal colocado. 

Quando demonstro algo como Luar do Sertão no post Como funciona o canto coral, por exemplo, o áudio é feito com sintetizador de voz — um recurso pedagógico para dar precisão de notas, ritmo e articulação de texto. A sonoridade é propositalmente mais neutra justamente para que o aluno não tente "imitar" a emissão de outro cantor, e sim se concentre na afinação, no ritmo e na palavra, para depois usar a própria voz. Mas algumas pessoas sentem isso como "robótico". Em exemplos assim, quando faço em vídeo, a IA costuma entrar só na geração de imagens e na sincronia visual — e minha presença, quando aparece, é sempre real. 

Isso levanta uma pergunta que vale a pena esticar: o que exatamente incomoda nesse tipo de escolha? O áudio ou a parte visual? Se a questão for puramente estética, talvez a expectativa estivesse voltada para o entretenimento, e não para o recurso de ensino — a beleza vem da experiência com a voz de quem canta; o exemplo musical serve apenas para entender a estrutura.

Automação não é a mesma coisa que IA generativa

Estamos vivendo um boom em que qualquer tipo de automação passou a ser entendido como "uso de IA". Mas automação existe há décadas no mundo da tecnologia, muito antes de qualquer modelo generativo. Entender IA generativa sem entender essa diferença é, na prática, não entender de IA. 

Uma forma útil de enxergar a IA generativa: pense nela como um robô que mexe num computador e tem acesso a vários programas. Ela não tem ideias próprias, e não consegue executar trabalhos manuais de alta precisão — como execução musical. Quando pedimos a ela que "faça" música, o resultado é praticamente aleatório em vários aspectos de ritmo e som. Ela entende gêneros, entende um pouco de instrumentação, mas se eu der uma partitura e pedir para tocar, dificilmente vai conseguir. Se eu der um texto e pedir para falar, muitas até falam — mas sotaque e certas nuances de fala ainda saem imprecisos. 

Cantar um trecho musical escrito com exatidão é ainda mais difícil. Num futuro próximo isso vai melhorar, mas nunca vai ser "ela" cantando de verdade, porque IA não tem som — ela entende som, imagem e texto a partir de código. Exatamente por isso continuo aparecendo nos vídeos e optando pela síntese de voz nos exemplos musicais, em vez de tentar automatizar isso com IA: se a IA conseguisse fazer isso com precisão, eu certamente usaria, simplesmente por ser mais eficiente. É esse critério — precisão, não modismo — que norteia as escolhas.

Como fazer uma IA ler partitura

E é aí que mora um detalhe técnico importante: a melhor forma de se comunicar com uma IA é por código, não por imagem. Se eu quiser que ela "leia" uma partitura, a pior decisão possível é mandar uma imagem — porque ela vai precisar primeiro de OCR para identificar os símbolos na imagem — tecnologia de reconhecimento óptico de caracteres que transforma uma foto de texto em texto editável — e depois de OMR, o reconhecimento óptico de partitura musical, para traduzir esses símbolos em dados que façam sentido musicalmente. É um processo que hoje ainda falha bastante, e só depois disso a IA teria como tentar tirar alguma conclusão. 

A forma mais eficiente de uma IA "entender" uma partitura atualmente é através de algum tipo de notação baseada em texto/código, que ela processe logicamente — programas como o LilyPond trabalham assim. O problema é que isso significaria abrir mão de anos de engenharia voltada a UX (experiência do usuário) e a interfaces WYSIWYG (o que você vê é o que você obtém), e voltar ao jeito de escrever partitura no computador dos anos 80 e início dos 90. Não faz sentido nos dias de hoje — ainda que, tecnicamente, código consuma menos tokens e seja interpretado com mais precisão pela IA e seja possível fazer lindas partituras com um toque bem pessoal no LilyPond. Se algo relativamente simples como isso já é difícil, fazer a IA entender uma partitura e, em cima disso, ainda cantar, é algo bem mais distante.

O verdadeiro obstáculo não é técnico, é cultural

A compreensão de tecnologia e automação, para muita gente, ainda está deturpada. O que se enfrenta na "revolução da IA" é, na verdade, a repulsa constante que o ambiente musical tem ao novo. É um dos meios mais tradicionalistas que existem. E toda tradição, quando questionada, revela que está apoiada em preconceitos — e preconceito é sempre frágil no argumento. 

A história da música é cheia desses embates. Com os sintetizadores, a música passou por uma revolução de acesso a instrumentos: o que antes era um caixote enorme hoje cabe num teclado eletrônico. Sintetizadores de voz existem desde a década de 30 — o vocoder é o exemplo mais claro — e caminharam lado a lado com diversas inovações tecnológicas. 

Como já mencionei no post A pesquisa em canto coral está sem referência, Stockhausen usava samples de voz já na década de 50. Indo ainda mais longe: em 1791, Wolfgang von Kempelen trabalhou numa máquina de falar que influenciou diretamente os engenheiros que depois criaram o vocoder. Entender síntese de voz é entender a própria voz humana por inteiro — porque, ao recriá-la, somos obrigados a compreender todo o seu funcionamento. 

Por isso, criticar o uso de síntese de voz para fins didáticos no ensino de canto no século XXI é um reducionismo atroz. Hoje, com tecnologias como o DiffSinger, qualquer pessoa consegue sintetizar voz com poucos recursos. Ainda é trabalhoso, mas muito mais acessível: basta voz, microfone e um computador. E esse processo, aliás, ensina você a conhecer a própria voz como nunca. No fim, quando falamos de síntese de voz, estamos falando de vozes reais — gravadas, sampleadas e manipuladas digitalmente, não inventadas do nada. 

Questionar o uso de síntese de voz é equivalente a questionar o uso de um teclado eletrônico no lugar de um piano ou de um órgão de tubos. E o mais curioso: o órgão digital já está totalmente incorporado à prática de quem toca órgão de tubos, assim como o piano elétrico para quem toca piano acústico.

O purismo não resiste a um teste histórico

Levada ao extremo, essa lógica nos devolveria a um purismo que só toleraria a "natureza" dos sons sem mediação nenhuma: voz humana, sons de animais, da natureza, som de rio fluindo, de cachoeira, ondas do mar, chuva. É irônico, porque é justamente o oposto do que fez a música concreta: um movimento que pegou exatamente esses sons "naturais" — voz, objetos do cotidiano, ruídos — e os transformou eletronicamente em estúdio, provando que eles só viravam música através da mediação tecnológica, não apesar dela. 

Aliás, esse tipo de purismo nunca resiste a um teste histórico simples: um devoto do piano acústico questionaria o piano elétrico; o piano de cauda questionaria o piano de armário; alguém na renascença diria que o piano é apenas um clavicórdio grande e pesado demais; um monge medieval diria que aquilo é um dulcimer; um persa diria que nada daquilo é "real", porque, já que se martelam cordas, o instrumento de verdade é o santur milenar. Levando esse raciocínio adiante, estaríamos martelando a barriga de animais vivos para o piano soar "mais natural". É um pensamento retrógrado que beira a irracionalidade: a síntese, na prática, torna propriedades sonoras mais acessíveis — e por isso é conveniente em muitos aspectos.

Voltando ao exemplo musical

Digamos que eu queira trabalhar apenas colcheias usando o método Kodály, num verso simples como "Já é hora de cantar", com as notas sol–mi–sol–mi–sol–lá–sol, cada tempo dividido em duas colcheias. Eu poderia simplesmente tocar isso num piano, e o exemplo já seria musicalmente suficiente. Ao colocar numa partitura, crio uma informação visual — o mesmo aconteceria se eu colocasse num gráfico qualquer. É equivalente:

Se eu for além e cantar o texto junto com as notas, crio um ponto de conexão a mais — mas essa conexão seria vinculada à minha voz específica. Se eu quiser algo mais neutro, posso sintetizar uma voz com timbre único — vai soar robótica, como a maioria dos sintetizadores — mas meu objetivo ali não é tímbrico, é a compreensão do ritmo e do som. O que importa são as alturas (sol–mi–sol–lá) e o ritmo. Isso independe de quem ou o que canta, desde que a informação seja transmitida com precisão. Em suma: do ponto de vista pedagógico, quem ou o que canta o exemplo é indiferente. 

A pedagogia estética vai para o território do gosto 

O método Kodály (e grande parte da pedagogia musical consagrada) foca na estruturação básica, na alfabetização musical, na precisão rítmica e melódica (o sol-mi-sol-mi). Ele resolve a parte lógica e estrutural do aprendizado. Quando o ouvinte rejeita um exemplo porque acha a voz do sintetizador "feia", ou prefere uma voz específica em detrimento de outra, ele saiu da pedagogia musical e entrou no campo da estética e do gosto pessoal. 

Levando o argumento adiante: se fosse a Martnália ou o Louis Armstrong, com suas vozes roucas, cantando perfeitamente afinado e no ritmo certo, isso seria um problema pedagógico só porque a voz é rouca? Não faz sentido. É exatamente aí que entender os limites da IA e da automação faz diferença. 

No mundo de hoje, o preparo para lidar com isso ainda é limitado, e muita gente reduz a IA a um uso raso, mesmo diante de recursos didáticos sofisticados já disponíveis. Como sempre digo: a limitação está no educador e no educando em relação ao que está à disposição — não no que está à disposição. E, por cima disso, ainda é preciso lidar com os preconceitos naturais de um meio naturalmente tradicionalista e conservador, como é o da música.

---

Se esse debate sobre técnica versus estética te interessou, recomendo ler também "O Anjo de Roma e o mal-entendido entre gostar e saber", onde entro ainda mais fundo nas questões de gosto e julgamento estético.