Título: Variational Autoencoders para el modelado de estilos de música
Directores: Dr. Martin Miguel y Dr. Diego Fernández Slezak
Jurados: Dr. Pablo Riera, Dr. Gabriel Mindlin

RESUMEN
En el presente trabajo se abordó el problema de transferencia de estilo en música, es decir, intentar cambiar un fragmento musical de cierto estilo musical a otro. Basándonos en trabajo previo, consideramos la manipulación del espacio latente a partir de un Variational Autoencoder (VAE) con el que codificamos fragmentos musicales a este espacio y operamos mediante vectores característicos de cada estilo musical. En este trabajo, nos propusimos lograr transferencia de estilos entre 4 específicos. A ese fín, comparamos tres modelos. Uno fue entrenado con un dataset de música general y luego evaluado en el dataset objetivo de 4 estilos. El segundo modelo fue fine-tuneado sobre el dataset objetivo y el tercero, solo entrenado sobre este dataset. Como parte de este trabajo, también presentamos una metodología de evaluación automática para medir si los fragmentos generados son musicales, se parecen al nuevo estilo y mantienen la identidad del fragmento original. Los tres modelos lograron transformaciones musicales con cambio de estilo. En particular, observamos que la musicalidad y la similitud con el original se van perdiendo a medida que la transformación es mayor pero a su vez se acercan cada vez más al nuevo estilo a medida que crece la magnitud de la transformación, a la vez que el los modelos entrenados sobre el dataset mayor obtienen mejores resultados.