Inteligência Artificial no Reconhecimento de Subgêneros Musicais Brasileiros
Palavras-chave:
Inteligência Artificial, Classificação Musical, Subgêneros Musicais, Processamento de Linguagem NaturalResumo
Este trabalho investiga o uso de técnicas de aprendizado de máquinas para classificar subgêneros musicais brasileiros — Sertanejo Raiz, Pagode e Pop Rock Nacional — a partir das letras de músicas. Foi realizada a coleta automática das letras por meio de Web Scraping, seguida de pré-processamento textual e extração de características utilizando TF-IDF. Diversos modelos foram treinados e avaliados com validação cruzada, incluindo Regressão Logística, Naive Bayes, Random Forest, SVM e Rede Neural Multicamada. Os resultados indicaram que a Rede Neural Multicamada obteve o melhor desempenho, com acurácia geral de 82,88%, enquanto o SVM e o Naive Bayes também presentaram bons resultados em subgêneros específicos. O estudo confirma a viabilidade do uso de aprendizado de maquina para a classificação de músicas brasileiras, abrindo caminho para aplicações em sistemas de categorização e análise musical.
Referências
Aggarwal, C. C. and Zhai, C., editors (2012). Mining Text Data. Springer, New York, NY, USA.
Borges, E., Simas Filho, E., Farias, C., Ribeiro, I., and Lopes, D. (2010). Classificação do gênero musical utilizando redes neurais artificiais. In X Congresso Norte-Nordeste de Pesquisa e Inovação , pages 1–8.
Deckert, Marta. Educação Musical: da teoria à prática na sala de aula. Curitiba: Appris, 2019.
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A., and Carvalho, A. C. P. d. L. F. (2021). Inteligência Artificial: uma abordagem de aprendizado de máquina. LTC, Rio de Janeiro, RJ, 2ª edition.
Ghirardi, R. (2013). A mÍsica como linguagem: uma abordagem interdisciplinar. Editora Perspectiva, São Paulo, SP. 1ª Edição.
Holt, F. (2007). Genre in Popular Music. University of Chicago Press, Chicago and London, illustrated edition.
Janotti JR, Jeder; Sá, Simone P. 2019. “Revisitando a noção de gênero musical em tempos de cultura musical digital”. Galáxia: Revista Interdisciplinar de Comunicacão e Cultura, 41(mai-ago): 128–139.
Jurafsky, D. and Martin, J. H. (2025). Speech and language processing: An introduction to natural language processing. https://web.stanford.edu/-jurafsky/slp3/. 3º edição (online draft). Acessado em 18/09/2025.
Kaufman, D. (2018). A inteligência artificial irá suplantar a inteligência humana? Estação das Letras e Cores, Barueri, SP, 1ª edition.
Malheiro, R., Paiva, R. P., Mendes, A. J., Mendes, T., and Cardoso, A. (2004). Sistemas de classificação musical com redes neuronais.
Manning, C. D., Raghavan, P., and Schutze, H. (2008). ̈ Introduction to Information Retrieval. Cambridge University Press, Cambridge, UK.
Mitchell, R. (2015). Web Scraping with Python: Collecting Data from the Modern Web. O’Reilly Media, Sebastopol, CA, 1º edition.
Pereira, E. M. (2009). Estudos sobre uma ferramenta de classificação musical. Dissertação (mestrado em engenharia elétrica), Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP.
Pimenta, M. F. and Pugliesi, J. B. (2022). Reconhecimento de gêneros musicais com técnicas de aprendizagem de máquina supervisionada. Revista Eletrônica de Computação Aplicada, 3(1).
Silva, L. T. d. (2024). Bamport: construção de uma base de dados multimodal para análise de musicas em português. Trabalho de conclusão de curso (graduação em ciência da computação), Universidade Federal do Rio de Janeiro, Instituto de Computação, Rio de Janeiro, RJ.
Trotta, F. (2005). Musica e mercado: a força das classificações. Revista Contemporânea, 3(2):181–196.
Viana, R. T. C. (2024). Analise de padrões temáticos e emocionais em letras de músicas periféricas brasileiras utilizando ciência de dados. Dissertação (mestrado em ciência da computação), Universidade Federal de Minas Gerais, Instituto de Ciências Exatas, Departamento de Ciência da Computação, Belo Horizonte, MG.
Downloads
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2025 Beatriz Oliveira Lustosa, Ayslan Trevisan Possebom (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution-ShareAlike 4.0 International License.
Os autores mantêm os direitos autorais sobre os trabalhos publicados nesta revista, concedendo à SETIF o direito de primeira publicação. O conteúdo está licenciado sob uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional (CC BY-SA 4.0), que permite copiar, redistribuir, remixar, transformar e criar a partir do material para qualquer finalidade, inclusive comercial, desde que seja atribuída a autoria e feita referência à publicação original nesta revista.
Os autores concordam que qualquer reutilização de seu trabalho por terceiros deve incluir o nome dos autores, o título do artigo, o nome da revista, o DOI (quando disponível) e o link para a licença.
É permitido e incentivado que os autores disponibilizem a versão publicada do trabalho em repositórios institucionais, sites pessoais ou redes acadêmicas imediatamente após a publicação, com menção à publicação inicial nesta revista.
