Una xarxa neuronal aprèn a compondre amb notes que s'inventa l'oïda

El fenomen: una nota que l'oïda hi afegeix pel seu compte

Quan dos sons prou intensos arriben alhora al sistema auditiu, aquest no respon com un receptor perfectament lineal. Llavors apareixen components que no eren al senyal original: són els auditory distortion products, o productes de distorsió auditiva. L'article s'ocupa d'una família concreta, els quadratic difference tones (QDT, tons diferencials quadràtics), que descriu com un producte de distorsió auditiva en què un to pur 'fantasma', absent del senyal acústic, sona ben clar per a qui escolta.

La conseqüència va contra la intuïció, i justament per això té interès musical: un micròfon posat davant de l'altaveu no captaria aquest to, però qui escolta sí que el percep. El so no viatja per l'aire; neix en l'escolta.

Aquesta diferència entre el que hi ha al senyal i el que es percep sosté tota la resta. Compondre amb QDT és, ben mirat, escriure per a un instrument que és el mateix sistema auditiu del públic.

Del fenomen a la tècnica: què és la síntesi QDTS

Els autors expliquen que, aprofitant aquest fenomen, es poden sintetitzar tons d'espectre ric en harmònics amb finalitats musicals. La tècnica l'anomenen Quadratic Difference Tone Spectrum (QDTS) synthesis, és a dir, síntesi d'espectres de tons diferencials quadràtics.

El plantejament capgira el problema clàssic de la síntesi. En comptes de dissenyar l'ona que es vol sentir, es dissenya l'espectre fantasma que es vol provocar —el QDTS objectiu— i després es busca quin senyal cal emetre perquè l'oïda el generi. Aquest senyal emès és el que el treball anomena carrier signal (senyal portador), construït amb overtones (harmònics superiors).

El pont entre els dos mons és la distortion function, la funció de distorsió, que relaciona un QDTS objectiu amb una portadora d'estructura harmònica. Sintetitzar QDTS consisteix, doncs, a recórrer aquesta relació a l'inrevés: partir de l'espectre percebut que es vol i esbrinar quina portadora el produeix.

Què fallava en els mètodes anteriors

Ja hi havia treballs previs que resolien la síntesi de QDTS amb mètodes numèrics aplicats a la funció de distorsió. L'article els reconeix precisió (accurate), però els assenyala dos defectes que pesen molt en un context creatiu.

El primer: són estocàstics, hi intervé l'atzar, i per tant dues execucions sobre el mateix objectiu poden tornar solucions diferents. El segon, més greu per a la música: són discontinus, de manera que un canvi mínim en l'espectre objectiu pot provocar un salt brusc en la portadora resultant.

D'aquí en surten dues conseqüències pràctiques que descriuen els autors. Aquests mètodes costen de manejar amb criteri musical i, a més, queden limitats a senyals estacionaris, sons que no evolucionen en el temps. Això deixa fora bona part del gest musical: els glissandi, els crescendos tímbrics, les transicions.

Ras i curt: l'eina servia per fixar un acord fantasma, però no per moure-s'hi a dins.

El mètode: aprendre la inversa del mapatge de distorsió

La proposta canvia el càlcul numèric per un model après. Concretament, fa servir una xarxa neuronal que aprèn una inversa aproximada del mapatge de distorsió (an approximate inverse of the distortion mapping), entrenada dins d'un esquema de tipus autoencoder.

Aquesta autoencoder-like configuration descriu com s'organitza l'entrenament: la sortida es fa passar pel mapatge que ja es coneix per poder comparar-la amb l'entrada, i així s'entrena la part inversa sense haver de saber d'entrada quines són les solucions correctes. La xarxa no memoritza parells de respostes; aprèn a generar portadores la distorsió de les quals reconstrueix l'espectre objectiu.

El guany que declaren els autors és la continuïtat. Com que es tracta d'una funció apresa i no d'una cerca amb atzar, el resultat és una aproximació contínua (continuous approximation) que, segons ells, corregeix les limitacions anteriors. Si l'espectre objectiu es desplaça a poc a poc, la portadora el segueix amb suavitat, i això és exactament el que permet treballar amb senyals no estacionaris.

Què diuen els resultats i quin preu tenen

Els resultats experimentals que publica l'article plantegen un intercanvi explícit: el mètode perd una mica de precisió numèrica respecte dels procediments anteriors, però n'hi ha de sobres per a usos perceptius i musicals.

Val la pena llegir aquesta frase a poc a poc, perquè resumeix la tesi del treball. Ningú no afirma que la xarxa iguali en exactitud els mètodes numèrics; el que s'afirma és que l'exactitud perduda cau per sota del llindar que compta quan qui jutja és una persona que escolta i no pas una mètrica. És una justificació perceptiva, no pas una millora numèrica.

També convé recordar que ho diuen els autors mateixos al seu article, no pas una avaluació externa. El treball va ser acceptat al congrés AI Music Creativity (AIMC) 2026, celebrat a Berlín, i ocupa vuit pàgines amb tres figures.

Temps real amb Max i materials per provar-ho

Més enllà de la formulació teòrica, els autors programen una versió en temps real amb Max i en mesuren el rendiment. Max és un entorn de programació visual molt estès en música electrònica i composició assistida per ordinador, de manera que el mètode aterra just on el poden fer servir directament els músics, i no només els investigadors.

El treball ve acompanyat de diversos exemples sonors que, en paraules dels autors, demostren el seu potencial expressiu i musical. I, sobretot, l'article assenyala que el codi font, els exemples d'àudio, els tutorials i el programari són accessibles públicament a l'enllaç que acompanya la publicació.

Qui ho vulgui comprovar pel seu compte té una sola via oficial: l'entrada de l'article a arXiv (registre arXiv:2609.10913, cs.SD), des d'on s'arriba al PDF, a la versió HTML experimental, al codi TeX i a l'enllaç de materials complementaris que citen els autors. És l'únic accés que indica el treball mateix, i val més fer-lo servir en comptes de còpies de tercers.

Els límits del treball i un avís de prudència en escoltar

Els límits que reconeix el mateix article són concrets: la solució és aproximada per construcció i la seva precisió numèrica queda per sota de la dels mètodes previs. Que aquest marge sigui acceptable s'argumenta en termes perceptius i musicals, i ho argumenten els autors. El rendiment de la versió en temps real es mesura dins de l'article, de manera que qualsevol conclusió sobre com es comportaria en altres escenaris va més enllà del que documenta el treball.

Hi ha, a més, un punt que l'article no tracta i que no se li ha d'atribuir: res d'aquest dossier no parla de l'exposició sonora ni recomana pautes d'escolta segura. Sí que consta al text que els productes de distorsió auditiva neixen en el sistema auditiu de qui escolta, cosa que implica que l'experiència passa per escoltar el senyal portador.

Per això, i com a precaució general vàlida per a qualsevol experiment amb síntesi —no pas com a conclusió de l'article—, en provar aquests materials el més assenyat és començar amb el volum baix, pujar-lo a poc a poc i evitar sessions llargues a molt volum, sobretot amb auriculars. És sentit comú, no pas un resultat de la recerca.

Per què importa més enllà de la música

Aquest cas il·lustra ben clarament un patró habitual quan s'apliquen xarxes neuronals a problemes científics: el model no descobreix cap fenomen nou, sinó que fa manejable un que ja es coneixia. La física perceptiva dels tons diferencials quadràtics continua sent la mateixa; el que canvia és que ara hi ha un mapatge invers continu on abans hi havia un procediment amb atzar i amb salts.

Aquest canvi —cedir exactitud a canvi de continuïtat i control— és una decisió de disseny, no pas una cosa que vingui de sèrie amb l'aprenentatge automàtic. L'article la pren de manera explícita i la justifica pel destinatari: si qui jutja el resultat és una orella humana, el criteri de qualitat es desplaça.

Per a qui està aprenent com s'aplica la IA fora dels grans models de llenguatge, aquest treball és un exemple de mida humana: vuit pàgines, un problema ben delimitat, una arquitectura clàssica de tipus autoencoder i materials públics per reproduir-lo.