{"id":134391,"date":"2021-12-16T15:51:57","date_gmt":"2021-12-16T14:51:57","guid":{"rendered":"https:\/\/multi.liora.io\/?p=134391"},"modified":"2026-02-09T15:43:52","modified_gmt":"2026-02-09T14:43:52","slug":"como-convertirse-en-letrista-certificado-gracias-al-deep-learning","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/como-convertirse-en-letrista-certificado-gracias-al-deep-learning","title":{"rendered":"\u00bfC\u00f3mo convertirse en \u201cletrista certificado\u201d gracias al Deep Learning"},"content":{"rendered":"

\u00bfSab\u00edas que existe un generador de letras de canciones que utiliza redes neuronales recurrentes?<\/h3>\nYa hemos visto en un art\u00edculo anterior que la inteligencia artificial se rend\u00eda al servicio de los artistas<\/a> para ayudarlos a cantar bien, a componer melod\u00edas instrumentales o para mezclar y tratar archivos de audio en posproducci\u00f3n. Sin embargo, nuestro ordenador tambi\u00e9n puede reivindicarse como artista por completo ya que tambi\u00e9n es capaz de generar letras, adaptadas a los estilos musicales y al humor que se trata de crear.\nAlgunas herramientas, como \u201cThese Lyrics Do Not Exist\u201d<\/a> permiten generar aleatoriamente un estribillo, dos estrofas y dos puentes para 6 g\u00e9neros musicales y 5 humores predefinidos. Basta con precisar un tema con una palabra, una frase o un emoji, y la herramienta hace todo el trabajo en tu lugar.\n\n\n
Hacer un curso de Deep Learning<\/a><\/div><\/div>\n\n
\n\t\t\t\t\t\t\t\t\t\t\t\n\"Comment\t\t\t\t\t\t\t\t<\/a>
Source: These Lyrics do not exist<\/figcaption><\/figure>\n

\u00bfC\u00f3mo funciona?<\/h3>\nLa generaci\u00f3n de letras de canciones se basa en algoritmos que utilizan redes neuronales recurrentes (RNN).<\/strong> Esas redes neuronales se utilizan mucho para las problem\u00e1ticas de generaci\u00f3n de textos, en particular para predecir caracteres o palabras que sigan respectivamente las letras y palabras anteriores.\n
\n\t\t\t\t\t\t\t\t\t\t\"\"\n\n
Figure extraite du module : R\u00e9seaux de neurones r\u00e9currents<\/figcaption><\/figure>\nComo su nombre indica, las RNN constituyen una clase particular de redes neuronales utilizadas para tratar datos secuenciales<\/b>. En las redes neuronales cl\u00e1sicas (como las CNN<\/a>), las salidas generadas por dos entradas diferentes son totalmente independientes. Sin embargo, durante el an\u00e1lisis de datos textuales (o de una serie temporal), a menudo existe una gran correlaci\u00f3n entre la entrada y la salida. Para tratar esos datos, es necesario que la red conserve el rastro de todos los datos anteriores (o al menos de los \u00faltimos datos) que ha visto. Esto se realiza mediante lo que se llama \u201cel estado escondido\u201d de la red.\n\n\n
Descubrir nuestro curso de Data Scientist<\/a><\/div><\/div>\n\n
\n\t\t\t\t\t\t\t\t\t\t\"Repr\u00e9sentation\n\n
Repr\u00e9sentation sch\u00e9matique d’un RNN (source formations Liora)<\/figcaption><\/figure>\nEn la representaci\u00f3n de arriba, s es el estado escondido de la red, x es la entrada, o la salida y W representa los pesos del estado escondido. U y V tambi\u00e9n son par\u00e1metros para las capas de entrada y de salida (correspondiente a determina transformaciones en la entrada y la salida, por ejemplo). \n\nLa etapa de despliegue hace que el aspecto recurrente de la red sea muy claro: en cada etapa, los par\u00e1metros y los pesos permanecen igual, salvo que cambiamos la entrada cada vez. La etapa del despliegue puede efectuarse despu\u00e9s de un determinado n\u00famero de pasos de tiempo t<\/b>. Por ejemplo, si queremos predecir la puntuaci\u00f3n apropiada<\/b> despu\u00e9s de una frase, el n\u00famero de pasos de tiempo puede ser el n\u00famero de caracteres<\/b> de la frase o el n\u00famero de palabras de la frase. \n\nHabitualmente, el estado escondido o, m\u00e1s precisamente, la capa de estado escondido se elige de tal manera que su funcionamiento dependa tambi\u00e9n de los datos vistos anteriormente. Se utilizan muchas capas de ese tipo, pero las LSTM<\/b> (Long Short-Term Memory)<\/i><\/b> y las GRU <\/b>(Gated Recurrent Units)<\/i><\/b> son las m\u00e1s corrientes\n

\u00bfC\u00f3mo elegir esos datos?<\/h3>\nAparte del calibrado el modelo RNN, lo m\u00e1s importante para poder generar letras seg\u00fan el g\u00e9nero o el humor buscado se basa en la constituci\u00f3n de la base de datos de entrenamiento, que se debe adecuar lo m\u00e1s posible al estilo musical que se quiera producir. Es posible scrapear letras utilizando la API<\/a> de Genius.com<\/a> (y siguiendo nuestra metodolog\u00eda de Webscraping<\/a>), que incluye una gran parte de las letras de canciones del mundo y en muchos idiomas. Tambi\u00e9n habr\u00e1 que hacer un gran trabajo de pretratamiento de los datos<\/b> antes de entrenar su modelo: quitar todo el contenido no l\u00edrico, unificar las erratas que hagan referencia a la misma palabra o eliminar los elementos perif\u00e9ricos del texto que no sean pertinentes.\n\n\u00bfTe interesan las aplicaciones del Deep Learning en la m\u00fasica? Descubre el proyecto de nuestros alumnos en este resumen de nuestros DataDays #2\n\n