Come l’intelligenza artificiale sta cambiando lo studio dell’acustica, la musica immersiva, la ricerca sugli strumenti storici e la formazione nel campo dell’ingegneria del suono.
Quando si parla di innovazione digitale, l’attenzione si concentra spesso sulle applicazioni più visibili, dai sistemi capaci di generare testi e immagini agli assistenti virtuali. Esistono però ambiti nei quali le nuove tecnologie stanno trasformando attività meno evidenti, ma altrettanto importanti. Tra questi c’è lo studio del suono, dove l’analisi di grandi quantità di dati permette di comprendere fenomeni complessi, ricostruire ambienti acustici e studiare con maggiore precisione il comportamento degli strumenti musicali.
Il rapporto tra intelligenza artificiale e acustica apre così prospettive che vanno dalla musica immersiva alla conservazione del patrimonio liutario. Per capire meglio come questa evoluzione stia modificando la ricerca abbiamo incontrato il Prof. Fabio Antonacci del Politecnico di Milano, che si occupa di elaborazione dei segnali audio e acustica degli strumenti musicali. Dalle reti neurali agli Stradivari, il suo lavoro mostra come informatica, ingegneria e cultura musicale possano convergere in applicazioni concrete.
Indice
- Il primo approccio tra AI e acustica
- Tecnologie e reti neurali nel suono
- Musica immersiva e olografia acustica
- I segreti acustici degli Stradivari
- Le sfide tecniche dell’AI musicale
- Il ruolo della liuteria a Cremona
- Formazione e prospettive future
Il primo approccio tra AI e acustica
L’ingresso dell’intelligenza artificiale nell’acustica non è avvenuto nello stesso momento in tutti gli ambiti della ricerca. Secondo il Prof. Fabio Antonacci del Politecnico di Milano, che abbiamo incontrato per parlare dell’evoluzione di queste tecnologie, alcune discipline con una lunga tradizione sperimentale hanno iniziato ad adottare il paradigma dell’AI più lentamente rispetto ad altri settori tecnologici. Negli ultimi dieci anni, tuttavia, l’impiego delle reti neurali nell’elaborazione dei segnali audio è diventato progressivamente più comune, aprendo nuove possibilità nella ricerca musicale.
Il percorso di Antonacci è legato in particolare all’elaborazione dei segnali audio e allo studio dell’acustica degli strumenti musicali. Proprio in questi settori l’intelligenza artificiale può affiancare i metodi tradizionali, consentendo di individuare relazioni difficili da riconoscere attraverso una semplice analisi manuale. Una delle prime applicazioni importanti nell’audio è stata quella del music information retrieval, cioè l’insieme delle tecniche che permettono di estrarre informazioni da un segnale musicale per classificare, ricercare e organizzare i contenuti sonori.
Questo percorso aiuta anche a distinguere la ricerca sull’AI applicata all’audio dall’attuale attenzione verso i sistemi generativi. Prima che diventasse possibile chiedere a un algoritmo di creare un brano partendo da un prompt, le reti neurali venivano già utilizzate per analizzare il contenuto dei segnali e ottenere informazioni utili. La capacità di riconoscere caratteristiche, classificare suoni e ricostruire informazioni mancanti rappresenta ancora oggi una parte fondamentale della ricerca universitaria.
Tecnologie e reti neurali nel suono
Molte applicazioni contemporanee dell’intelligenza artificiale nell’audio si basano sulle deep neural networks, reti neurali profonde capaci di individuare relazioni complesse all’interno dei dati. Nel campo dell’acustica possono essere utilizzate con obiettivi differenti. Una prima possibilità riguarda classificazione e inferenza, quindi l’estrazione di informazioni a partire da un segnale registrato. Un’altra comprende invece sistemi capaci di ottenere nuovi segnali sulla base di informazioni acustiche già disponibili, con applicazioni interessanti nella ricostruzione dei campi sonori.
Un esempio riguarda la possibilità di ricostruire il comportamento acustico di un ambiente conoscendo ciò che avviene soltanto in alcuni punti. Invece di collocare un microfono in ogni posizione, gli algoritmi possono apprendere le relazioni tra le misure disponibili e stimare il segnale nelle aree non direttamente rilevate. Si crea così una sorta di microfonatura virtuale, nella quale un numero limitato di sensori può fornire informazioni sufficienti per ricostruire il campo acustico all’interno di una superficie più ampia.
Le reti generative rappresentano invece il settore che negli ultimi anni ha ricevuto maggiore attenzione da parte del pubblico. Questi sistemi possono produrre nuovi contenuti sulla base delle informazioni apprese durante l’addestramento e, nel caso della musica, arrivare a generare brani partendo da indicazioni testuali. Addestrare modelli di grandi dimensioni richiede però enormi quantità di dati e una potenza di calcolo difficilmente disponibile in un normale centro di ricerca universitario. Per questo l’attività accademica si concentra spesso sull’utilizzo e sulla personalizzazione di sistemi già esistenti.
Musica immersiva e olografia acustica
Una delle applicazioni più interessanti riguarda le tecnologie immersive per rendere sempre più realistico l’ascolto anche quando l’ascoltatore non si trova fisicamente nel luogo della performance. Un esempio è REPERTORIUM, progetto europeo che riunisce università, aziende e associazioni di diversi Paesi, tra cui Spagna, Francia, Germania, Inghilterra, Finlandia e Lituania. L’iniziativa punta a preservare e diffondere la cultura musicale europea, intervenendo sia sulla valorizzazione dei manoscritti medievali sia sulla fruizione a distanza dei concerti di musica classica.
Il contributo del Politecnico di Milano riguarda soprattutto la seconda direzione. L’obiettivo è sviluppare un sistema che permetta di ascoltare un concerto da remoto scegliendo virtualmente la propria posizione all’interno del teatro. A ogni posizione può corrispondere una diversa esperienza acustica, in modo simile a quanto avviene quando si sceglie un posto durante l’acquisto di un biglietto. La differenza è che, in questo caso, il pubblico non deve essere fisicamente presente nella sala per poter sperimentare prospettive sonore differenti.
Una soluzione tradizionale richiederebbe un numero enorme di microfoni, distribuiti in tutte le posizioni che si vogliono ricostruire. Un sistema di questo tipo sarebbe però impraticabile. La ricerca punta quindi a utilizzare un numero molto più limitato di sensori, da poche unità fino a qualche decina in funzione dell’area da coprire, per ricostruire attraverso algoritmi il campo acustico nei punti intermedi. È un esempio concreto di come l’elaborazione dei dati possa estendere le informazioni raccolte fisicamente.
La ricostruzione può essere combinata con l’ascolto binaurale in cuffia e con l’head tracking, cioè il rilevamento dei movimenti della testa durante l’ascolto. Il risultato può avvicinarsi a una forma di olografia acustica, nella quale la percezione dello spazio cambia in relazione alla posizione dell’ascoltatore. Altri partner del progetto lavorano inoltre sulla tecnica minus one, che permette di rimuovere virtualmente dall’audio il suono di uno specifico strumento. Un musicista potrebbe così esercitarsi da casa insieme a un’orchestra, occupando digitalmente una posizione sul palco.
I segreti acustici degli Stradivari
L’intelligenza artificiale trova applicazioni anche nello studio degli strumenti musicali storici, dove uno degli obiettivi più affascinanti è comprendere le caratteristiche che contribuiscono alla particolare risposta sonora di alcuni esemplari. Nel caso degli Stradivari, non è sufficiente registrare il suono di un violino e cercare di riprodurlo. Occorre studiare la complessa relazione tra struttura fisica, materiali, caratteristiche costruttive e comportamento acustico.
Geometria, spessori, bombatura, proprietà meccaniche del legno e altri elementi interagiscono infatti secondo relazioni difficili da rappresentare attraverso una singola formula. È proprio in questo tipo di problema che le tecniche di machine learning possono offrire un contributo. Analizzando numerose informazioni, i modelli possono individuare correlazioni tra caratteristiche costruttive e risposta acustica, aiutando i ricercatori a comprendere fenomeni che non sono facilmente descrivibili con gli strumenti matematici tradizionali.
La ricerca procede gradualmente, partendo anche dall’analisi di singole componenti dello strumento, come la tavola e il fondo, per arrivare successivamente alla sua struttura complessiva. Questo permette di affrontare un sistema estremamente complesso attraverso problemi più circoscritti. L’obiettivo non consiste semplicemente nel realizzare una copia digitale di uno Stradivari, ma nel capire quali caratteristiche fisiche possano contribuire alle differenze sonore percepite dagli ascoltatori e come queste informazioni possano essere rappresentate attraverso modelli acustici.
Le sfide tecniche dell’AI musicale
Una delle difficoltà principali riguarda la distanza tra ciò che può essere misurato fisicamente e ciò che viene effettivamente percepito dall’ascoltatore. Strumenti anche molto diversi possono presentare risposte acustiche relativamente simili sotto determinati parametri, mentre all’ascolto emergono differenze più sottili. La percezione sonora diventa quindi una variabile fondamentale. Un modello deve riuscire a cogliere quelle caratteristiche che contribuiscono alla qualità timbrica e che possono sfuggire a una lettura basata soltanto su pochi indicatori numerici.
Esiste poi un problema tipico dei sistemi di apprendimento automatico: la necessità di disporre di molti dati affidabili. Nel caso degli strumenti storici questo requisito è difficile da soddisfare. Gli esemplari disponibili sono pochi, spesso di grande valore e non possono essere sottoposti indiscriminatamente a qualsiasi tipo di misurazione. Non è quindi possibile creare dataset paragonabili a quelli utilizzati dalle grandi aziende tecnologiche per sviluppare modelli generativi destinati a milioni di utenti.
Una possibile soluzione consiste nel combinare dati provenienti da strumenti reali con informazioni ottenute attraverso simulazioni. I dati sperimentali mantengono il legame con il comportamento effettivo degli strumenti, mentre quelli simulati permettono di ampliare il materiale disponibile per l’addestramento. Questo approccio non elimina completamente le difficoltà, ma consente di lavorare in condizioni più favorevoli quando il numero di strumenti fisici è necessariamente limitato. La qualità del modello dipende quindi dalla combinazione tra dati, simulazioni e conoscenze acustiche.
Il ruolo della liuteria a Cremona
La possibilità di lavorare vicino agli strumenti studiati rappresenta un elemento importante per la ricerca. In questo senso, la presenza di un laboratorio del Politecnico di Milano all’interno del Museo del Violino di Cremona offre un contesto particolarmente significativo. La collaborazione con la Fondazione Antonio Stradivari, la direzione del museo e il conservatore permette di mettere in relazione ricerca scientifica, conservazione del patrimonio e conoscenze maturate nel mondo della liuteria.
All’interno dello stesso contesto opera anche il Laboratorio Arvedi di Diagnostica Non invasiva, dedicato all’analisi dei materiali. Questa collaborazione consente di affrontare questioni che vanno oltre la sola componente sonora. Vernici e finiture, per esempio, possono essere analizzate per studiare il loro possibile impatto sulle caratteristiche acustiche. L’integrazione tra analisi dei materiali, misure sperimentali e modellazione digitale permette quindi di osservare lo strumento da prospettive differenti, costruendo una conoscenza più completa.
Un contributo altrettanto importante arriva dal confronto con i liutai di Cremona. La città ospita una comunità numerosa di professionisti e il dialogo con chi costruisce quotidianamente strumenti musicali permette ai ricercatori di comprendere esigenze concrete e problemi che non emergerebbero soltanto dall’analisi dei dati. Negli ultimi anni si è inoltre consolidata una rete tra università, enti e associazioni, collegata anche al Piano di Salvaguardia della Liuteria Cremonese coordinato dal Comune di Cremona.
La ricerca sull’acustica musicale non si esaurisce comunque a Cremona. Il gruppo del Politecnico mantiene collaborazioni anche con università straniere, tra cui quelle di Valencia e Jaén in Spagna, oltre a rapporti sviluppati all’interno di specifici progetti internazionali. A queste si aggiungono partnership con aziende italiane e straniere. È un modello di ricerca nel quale competenze scientifiche, tradizione artigianale, istituzioni culturali e industria possono contribuire insieme alla comprensione e all’evoluzione delle tecnologie del suono.
Formazione e prospettive future
Quando si guarda al futuro dell’intelligenza artificiale applicata alla musica, l’attenzione non dovrebbe concentrarsi soltanto sui sistemi capaci di generare automaticamente nuovi brani. Una parte altrettanto importante riguarda l’analisi dei segnali, la simulazione dei fenomeni acustici e la ricostruzione degli ambienti sonori. La diffusione dell’AI generativa ha comunque il merito di aver reso più evidente l’importanza delle competenze di machine learning, necessarie per comprendere queste tecnologie e non limitarsi a utilizzarle come semplici strumenti.
In questo scenario rimane inoltre importante distinguere la capacità di generare contenuti dalla creatività umana. Un algoritmo può produrre nuovi risultati combinando le informazioni apprese durante l’addestramento, ma questo non equivale necessariamente alla creatività intesa come intenzionalità, esperienza e capacità di attribuire un significato culturale a un’opera. Nel campo musicale la distinzione è particolarmente interessante, perché riguarda non solo il risultato sonoro, ma anche il rapporto tra tecnologia, autore, interprete e pubblico.
Per chi desidera approfondire questi argomenti esiste al Politecnico di Milano la Laurea Magistrale in Music and Acoustic Engineering. Il percorso riunisce due grandi aree di studio. La prima comprende l’acustica ambientale, l’acustica degli strumenti musicali e l’analisi delle vibrazioni; la seconda riguarda invece l’ingegneria musicale, con elaborazione, analisi e sintesi dei segnali, tecnologie per la produzione musicale, progettazione di interfacce, elettronica per il suono ed elettroacustica.
È proprio nell’incontro tra queste competenze che emerge una delle prospettive più interessanti della ricerca contemporanea. Il rapporto tra AI e acustica non serve soltanto ad automatizzare attività già esistenti, ma può diventare uno strumento per studiare fenomeni difficili da descrivere con i metodi tradizionali. Dalla possibilità di vivere a distanza l’acustica di un teatro allo studio scientifico degli Stradivari, l’obiettivo è trasformare dati e modelli in nuove forme di ascolto, conoscenza e conservazione del patrimonio musicale.
