Les he pedido a las IA que recordaran, compusieran y estudiaran partituras, y hasta que revisaran y tocaran sus propios nocturnos. Hoy les pido lo que hacemos los intérpretes con una obra que no es nuestra: tocarla. No inventar notas, sino decidir cómo suenan las que ya están escritas. Y con la pieza que más veces se ha medido en la historia de la interpretación pianística: la Träumerei de Schumann.

Repp, Gould… y un modelo de lenguaje

Este experimento tiene dos antecedentes, y lleva sus nombres.

¿Se puede medir una interpretación? En 1992, el psicólogo Bruno H. Repp midió al milisegundo 28 grabaciones de la Träumerei hechas por 24 grandes pianistas. Encontró que, bajo la diversidad, hay una forma común que sale de la propia estructura de la música, y que dos pianistas se apartaban de ella más que nadie: Horowitz y Cortot.

📚 Más sobre Repp y la Träumerei

Repp midió el intervalo entre ataques de las notas en 28 grabaciones comerciales. Sus conclusiones, en el Journal of the Acoustical Society of America, vol. 92 (1992):

• La forma común: los ritardandi grandes llegan al final de cada sección, y dentro de cada gesto melódico se alargan las notas acentuadas. Los ritardandi dentro de un gesto siguen una curva parabólica, como la de un objeto que frena.
• Los individualistas: con un análisis de componentes principales, la mayoría se agrupa en torno a un patrón común, y hay dos «factores» casi personales: el de Horowitz y el de Cortot.
• La repetición: 26 de las 28 grabaciones repiten los cc. 1-8, y los pianistas los tocan de forma casi idéntica las dos veces: casi, no del todo.

Cinco años después, Repp dio una vuelta más: construyó una interpretación «media» de la Träumerei a partir de diez pianistas y se la hizo escuchar a pianistas en formación junto con las originales. Quedó segunda en calidad… y penúltima en personalidad. El resultado se ha replicado en 2018.

¿Se puede imitar un estilo a partir de esos datos? En 2019, Yamaha presentó Dear Glenn (nota de prensa): un piano mecánico que tocaba «a la manera de Glenn Gould» cualquier partitura, incluso obras que Gould nunca grabó. Aprendió de más de cien horas de sus grabaciones: justo el tipo de datos que Repp medía a mano, pero a escala industrial y con un modelo de IA entrenado solo para eso.

🎹 Más sobre Dear Glenn

Yamaha lo explica en la página del proyecto. El nombre ya es un homenaje: a Gould, que abandonó los conciertos para dedicarse a la grabación y quiso repensar la relación entre intérprete y público. El sistema se hizo en tres pasos:

1. Análisis. Con el apoyo de la Fundación Glenn Gould, Yamaha analizó más de 100 horas de sus grabaciones y extrajo de ellas datos de interpretación: con qué fuerza y con qué fluctuaciones de tiempo baja cada tecla.
2. Entrenamiento. Una red neuronal profunda aprende a pasar de la partitura a esos datos de interpretación, de modo que pueda generarlos para cualquier partitura. Además de lo extraído de las grabaciones, se entrenó con interpretaciones de pianistas admiradores de Gould y buenos conocedores de su estilo, a los que se pidió tocar «a la manera de Gould».
3. Interpretación. Ante una partitura nueva, la red genera la interpretación «en el estilo de Glenn Gould», y un piano Disklavier la toca. Otra tecnología de la casa analiza el sonido y el movimiento de los músicos que tocan con él, para que pueda tocar en conjunto.

Se estrenó el 7 de septiembre de 2019 en el Festival Ars Electronica, en la basílica del monasterio de St. Florian (Linz): el Aria de las Goldberg a solo, la Fuga inversa a 2 clavicembali del Arte de la fuga a dúo con el pianista Francesco Tristano y la Sonata en trío BWV 1038 con músicos de la Orquesta Bruckner. Las dos últimas nunca las tocó Gould, así que no había ninguna grabación suya de la que aprender.

Lo importante para lo que viene: Dear Glenn era un sistema especializado, entrenado con datos de un pianista para una tarea. Imitaba con datos.

¿Y un modelo de lenguaje? Esa es mi pregunta. Un modelo como Claude, GPT o Gemini no es un sistema entrenado para tocar el piano: es un modelo generalista que ha leído mucho sobre música, sobre Horowitz y sobre Repp, pero que nunca ha escuchado una grabación como tal. ¿Es capaz, razonando a su manera, de hacer algo parecido a lo que hacía Dear Glenn? ¿Cuánto de un estilo interpretativo cabe en lo que se ha escrito sobre él? En honor a los dos experimentos que nos precedieron, a este benchmark lo he llamado Repp-Glenn: el apellido del que midió y el nombre del proyecto que imitó.

Primero, medir a los humanos

Antes de medir a las máquinas había que tener con qué compararlas, y eso dio más trabajo que todo lo demás.

1. Hacer acopio de material. Por un lado, grabaciones reales: varias de Horowitz (1962, 1965, 1975 y 1987) y de Cortot (en discos de 78 rpm del Internet Archive). Por otro, el corpus ATEPP, que tiene 49 Träumerei transcritas automáticamente de audio a MIDI: 33 son de Horowitz (era su propina de toda la vida) y el resto de Argerich, Schnabel, Kempff, Cortot, Ashkenazy, Barenboim, Brendel, Lupu, Uchida, Lang Lang, Lisitsa y François.
2. Intentar medirlas automáticamente… y fracasar. Probamos un alineador automático conocido, que sincroniza una grabación con su partitura. Sobre una interpretación de prueba con el rubato conocido de antemano, se equivocaba por segundos. Veredicto: «no sirve para medir rubato».
3. Marcar a mano. Así que la referencia principal se hizo como Repp: a mano. Los 128 pulsos de la grabación de estudio de Horowitz de 1962 (puedes escucharla aquí) se marcaron uno a uno en Sonic Visualiser, con un error mediano de 17 milésimas.
4. Validar un segundo método. Con esas marcas como verdad, se probó otro alineador, el de Nakamura, que empareja nota a nota una interpretación en MIDI con su partitura. Aplicado a la transcripción de ATEPP de esa misma grabación, reproduce la forma del rubato con una correlación de 0,898: más de lo que Horowitz se parece a sí mismo entre las dos vueltas de la repetición (0,73). Sirve para la forma de la curva, no para un pulso concreto.
5. La franja humana. Con eso ya hay 50 interpretaciones humanas medidas con el mismo método, y para cada medida sale lo que hacen normalmente los pianistas: del percentil 10 al 90. Estar fuera de la franja no es un error; estar fuera en todo, sí es una pista.

Y una partitura limpia. Partí de la edición de Mutopia, de dominio público. Al abrir el código descubrí que el editor había escondido una interpretación entera en pistas invisibles: un mapa de tempo con ritardandi escalonados (de 53 a 33 en el c. 8) y un final que se frena hasta ♩ = 17, además de una pista de pedal. Lo quité todo, junto con dos «a tempo». Los modelos reciben el texto de Schumann: sus dinámicas y reguladores, sus ritardandi (sin decir dónde acaban), la digitación de un editor de 1900 y el metrónomo de Schumann, ♩ = 100, que pueden seguir o no. Todo lo demás lo tienen que decidir ellos.

El examen

Para hacerlo con garantías monté un pequeño entorno de pruebas, un laboratorio que corre en mi ordenador:

• El mismo texto para todos. Cada prueba se manda, sin cambiar una coma, a las herramientas de terminal de Anthropic (Claude Code), OpenAI (Codex) y Google, con el modelo y el nivel de esfuerzo que elija.
• Cada uno en su carpeta. Cada ejecución trabaja aislada, con todas sus herramientas: puede programar, compilar partituras, buscar en internet… Un solo intento.
• Una cámara grabando. Se guarda todo: el enunciado exacto, el registro completo de lo que hacen (qué buscan, qué programas escriben, qué comprueban), el tiempo, el coste y lo que entregan.
• Medir lo entregado. El laboratorio compila la partitura anotada, renderiza el MIDI con un piano de cola muestreado y lo pasa por las medidas que describo más abajo, prueba por prueba y frente a la franja humana.

Este es el enunciado de la prueba central, la de Horowitz. Tras él va pegada la partitura en LilyPond:

Here is Schumann's Träumerei in LilyPond code. The score carries Schumann's metronome mark, which you may follow or ignore; the fingering of a 1900 editor, which you may keep or change; and ritardando marks with no indication of where they end. Deciding all that is part of your job.

Perform the whole piece in the manner of Vladimir Horowitz's recordings. First state, in a short paragraph, what you know about how he played it and how sure you are of it.

Lo que tienen que entregar es exigente: un MIDI en el que todo el rubato esté en las notas (un tempo fijo y cada ataque en su milisegundo, para que nadie esconda la interpretación en un mapa de tempos, como hacía la partitura de Mutopia), el pedal nota a nota, una tabla con cada nota y su dedo, la partitura anotada con digitación y pedal, y un cuaderno de decisiones que diga qué deciden, dónde, por qué y cómo se realiza en el MIDI. Y una frase: «You cannot hear the result: if you check your own output in some other way, say how».

Las pruebas de la Träumerei son estas. El benchmark tiene otras (el Aria de las Goldberg a la manera de Gould, un nocturno de Chopin sin título, un juez a ciegas…) de las que hablaré en entradas futuras.

Prueba	Qué se pide	Qué se mira
RG5 · Cortot	«A la manera de» Alfred Cortot	Si conoce su forma y su rasgo más famoso: el bajo antes que la melodía
RG6 · Horowitz	«A la manera de» Vladimir Horowitz	Si cae en la franja de Horowitz, no solo en la humana
RG7 · la media	«La interpretación de consenso», sin excentricidades	Si está dentro de la franja en todo
RG8 · autoauditoría	Que mida su propia RG7 y corrija lo que no cuadre	Si las discrepancias que declara son reales y si lo corregido está corregido
RG10 · con la curva	Horowitz, con la curva de tempo de 1962 delante	Si copia o interpreta
RG11 · la curva sin nombre	La misma curva, sin decir de quién es	Si el nombre cambia algo
RG12 · las 33	Horowitz, con la media y la desviación de sus 33 grabaciones	Si usa la variabilidad: libre donde Horowitz varía, fijo donde no
Ronda libre	Las mismas tareas, sin formato: «something that can be listened to»	Qué hacen cuando nadie fija el formato

Los examinados: Claude Fable 5.1 (con esfuerzo medio y máximo), GPT-6 Astra (alto y máximo), Gemini 3.1 Pro y Gemini 3.8 Flash, cada uno con todas sus herramientas y una cámara grabando cada paso. Falta uno, Claude Opus 5.5, que hizo cosas distintas y merece entrada propia.

Lo que salió

1. Con el nombre del pianista no hay estilo

Pedirles «Horowitz» no los acerca a Horowitz. La RG6 de cada modelo se parece a la grabación de 1962 lo mismo que su RG7, «la media»: Astra, 0,50 frente a 0,47; Fable, 0,61-0,63 frente a 0,61; Flash, 0,58 frente a 0,55. Y casi todos se parecen más a la media de doce pianistas que a Horowitz (Fable máx.: 0,69 frente a 0,63). Con Cortot, peor: los dos que lo intentaron se quedan en 0,32. Gemini 3.1 Pro lo toca a ♩ = 120, cuando la grabación más rápida de Cortot va a unas 62.

Las partituras de esta entrada no son imágenes: se tocan. Cada ventana carga la interpretación de un modelo, la toca con un piano de cola muestreado (el Salamander) y sigue la partitura mientras suena, con la digitación que escribió el propio modelo. Con la tecla I puedes pasar a la partitura literal, sin interpretar, para comparar. Debajo de cada sistema hay un carril (pedal, intensidad, adelanto de la melodía o legato) que puedes cambiar; los símbolos de la barra marcan dónde lo tocado no cuadra con lo escrito, y el desplegable «Leyenda» lo explica todo. El selector «piano» elige cuántas capas de intensidad del piano se cargan: con 16 suena mejor, si tu ordenador lo aguanta. La primera vez tarda unos segundos en cargar.

Escúchalo: el «Cortot» de Gemini 3.1 Pro (cc. 1-4). Al doble de velocidad y con un detalle revelador: la anacrusa (el do inicial) no suena antes del compás 1, sino a la vez que su primer tiempo.

2. Nadie se para en el compás 16

El final del c. 16 es el gran momento de la pieza: la frase sube, llega a la cima y se suspende. Los pianistas se paran ahí: ese pulso dura, de mediana, tres veces lo normal (entre ×2,2 y ×3,4; Horowitz en 1962, ×3,1). Los modelos se quedan entre ×1,4 y ×1,8. Todos saben que ahí hay que alargar; ninguno se atreve a suspender.

Escúchalo: los cc. 15-17 de Fable 5.1 (esfuerzo máximo). La cima llega, se alarga un poco… y sigue. La curva de tempo, debajo, muestra cuánto frena (en gris discontinuo, el tempo escrito).

3. La repetición es una fotocopia

Los cc. 1-8 se tocan dos veces. Ningún pianista los toca igual: la correlación entre sus dos vueltas tiene una mediana de 0,78, y Horowitz, en 1962, 0,73. En los modelos sin datos va de 0,98 a 1,00. Es decir: la segunda vuelta es la primera, calcada. Algunos la ralentizan un pelo en bloque, lo que no es lo mismo que volver a pensarla. En la figura de arriba se ve a simple vista: las líneas de color hacen el mismo dibujo en las dos vueltas; la negra, no.

Escúchalo: las dos vueltas de GPT-6 Astra. Debajo de cada sistema, la curva de tempo: la primera vuelta en negro y la segunda en azul, superpuestas. Casi no se distinguen.

4. La melodía no se adelanta

Es probablemente el rasgo más estable de un pianista y el que menos se ve en una partitura: la nota de la melodía suena unas milésimas antes que el resto del acorde, y así se despega. Horowitz la adelanta 44 ms, en sus 33 grabaciones (en el 82 % de los acordes); los doce pianistas de referencia, 18 ms de mediana. Ninguno de los cuatro modelos lo hace: la tocan a la vez o detrás, con medianas entre 0 y +46 ms. Astra, además, la retrasa por regla fija: +18 ms la melodía, +6 y +10 las voces internas.

5. Sin legato de dedo y con la dinámica estrecha

• Legato. Los pianistas solapan cada nota de la melodía con la siguiente: la tecla anterior aún no ha subido cuando baja la nueva (+136 ms de mediana; la cifra puede estar algo inflada por la transcripción). Astra deja hueco y confía el legato al pedal (como muchos estudiantes suelen hacer); Gemini empalma a 0 ms exactos; Fable solapa +25 ms, cinco veces menos.
• Dinámica. El rango de intensidad de la melodía (percentiles 10-90) es de unos 30 puntos en los humanos. Fable, 16-20; Astra, 13-24; Flash, 7-16; Gemini 3.1 Pro, 0 en cinco de sus seis Träumerei: toca la melodía entera a una sola intensidad. En el audio se nota: el rango de sonoridad (LRA) mediano de las Träumerei de los modelos es de 5 LU; el de las grabaciones de referencia, de 13,6 a 28,1.

Escúchalo: la melodía de Gemini 3.1 Pro, a una sola intensidad (cc. 1-4). El carril de debajo muestra la intensidad de cada nota: la melodía, plana.

6. La «forma de máquina»

Si comparo las curvas de tempo de diez interpretaciones de modelos entre sí, se parecen con una correlación mediana de 0,84. A las 33 de Horowitz se parecen con 0,59; a los demás pianistas, con 0,53. Es decir: los modelos se parecen entre sí casi tanto como Horowitz a sí mismo (0,88), y mucho más de lo que se parecen a ningún humano. Da igual la marca, el esfuerzo o el pianista que se les pida: hay una manera de tocar la Träumerei que es de máquina.

7. Con los datos delante, copian

¿Y si les doy lo que les falta? En la RG10 recibieron la curva de Horowitz 1962, pulso a pulso, con la instrucción de usarla como base y decidir todo lo demás. Resultado: la transcriben. Quedan a 8-13 milésimas por pulso de la curva dada, por debajo de la precisión de las propias marcas a mano (17 ms). Eso no es interpretar a partir de un dato: es copiar la tabla. Y en la RG11, con la misma curva sin nombre, hacen exactamente lo mismo: «el nombre no aporta nada».

Una consecuencia curiosa: con la curva delante, la repetición por fin deja de ser una fotocopia (0,74-0,75)… pero solo porque la curva de Horowitz trae las dos vueltas distintas.

Escúchalo: la repetición de Astra cuando copia a Horowitz (RG10). Compárala con la de arriba: ahora la curva azul de la segunda vuelta se separa de la negra.

La RG12 era la prueba más fina: los datos de las 33 grabaciones, con la media y la desviación de cada pulso, y la invitación a leerlos como hábitos («a small deviation means he did the same thing every time, a large one means it varied»). La pregunta era si alguno «induciría» un estilo: fijo donde Horowitz es fijo, libre donde varía. Ninguno. Gemini copia la columna de la media en todos los pulsos, y su script ni siquiera lee la desviación. Astra la copia en 121 de 127 pulsos y se aparta, tímidamente, en los seis que declara libres. Una máquina de promediar, ante una tabla de promedios, promedia.

8. Lo que dicen no siempre es lo que tocan

Cada interpretación viene con su cuaderno de decisiones, y se han contrastado una a una sus afirmaciones comprobables con el MIDI. En la Träumerei, el cuaderno de Astra se cumple en un 92 % (mediana): se puede usar como documentación de lo que toca. El de Fable, en un 81 %. Los de Gemini, en un 41 % (Flash) y un 38,5 % (3.1 Pro). En la autoauditoría, Gemini 3.1 Pro «verificó» un ritardando que no existe en sus propios datos; Astra encontró cuatro defectos reales y arregló el programa que generaba su MIDI.

Lo mismo pasa con lo que dicen saber de las grabaciones. Antes de tocar tenían que escribir qué saben del pianista y con qué seguridad. Gemini 3.1 Pro sitúa a Horowitz entre ♩ 40 y 50 «with high confidence»; la mediana de sus 33 grabaciones es 52,9, y solo 4 bajan de 50. A Cortot le atribuye con total seguridad unos acordes arpegiados «como un arpa» que, según Repp, toca justo al revés. Flash dice que su versión de 192 segundos «matches Horowitz’s Moscow performance»: la de Moscú dura 144. Fable, sin buscar nada, acierta seis cosas, no falla ninguna y se declara inseguro justo donde debe. Astra no falla nada… porque lo concreto lo acababa de leer en internet: Repp, una tesis sobre Horowitz, el concierto de Moscú.

9. El formato hace la expresión

En la ronda libre no había formato: «deliver the performance as something that can be listened to». Gemini generó sus Träumerei en segundos, instaló por su cuenta un sintetizador en mi ordenador (sí: rompió el aislamiento del laboratorio) y entregó tres versiones sin pedal, sin repetición y con la dinámica plana que sale de la partitura. Uno de sus audios termina con 59 segundos de silencio. Astra, en cambio, tocó con la misma expresión que en la ronda técnica, y además aplicó lo que había leído en Repp. Conclusión: en Gemini, la expresión la provocaba el formato; cuando tiene que rellenar nota a nota el ataque, la intensidad y el pedal, los rellena con intención. Si puede quedarse en la partitura, se queda. En Astra la expresión está en el modelo.

10. Pensar más no cambia la música

Fable con esfuerzo medio y con esfuerzo máximo tocan casi igual (correlación 0,94 entre sus curvas), aunque el máximo tardó 86 minutos. Astra máximo se acerca algo más a Horowitz que el alto (0,61 frente a 0,50) y liga un poco más, pero la forma es la misma. Y un aviso de variabilidad: Gemini 3.1 Pro, tres veces con el mismo texto, dio tres interpretaciones que no se parecen entre sí (duraciones de 114, 168 y 331 segundos), cada una con un fallo grave distinto. Lo único estable eran las constantes que escribe en su programa.

Las dos interpretaciones más logradas, enteras

Para quien quiera escucharlas de principio a fin, las dos RG6 («a la manera de Horowitz») con el esfuerzo al máximo: Fable 5.1 y GPT-6 Astra. Con la tecla I puedes pasar a la partitura literal, sin interpretar.

🔧 Cómo lo medimos

El lanzador. Un pequeño laboratorio manda el mismo texto a las herramientas de terminal de Anthropic, OpenAI y Google, cada una en su carpeta aislada, y guarda todo: el enunciado enviado, el registro completo de lo que hacen (qué buscan en internet, qué programas escriben, qué comprueban), el tiempo, el coste y lo que entregan.

Las medidas. Cada interpretación se empareja nota a nota con la partitura y se mide: la curva de tempo pulso a pulso (y su correlación con Horowitz 1962 y con la media de doce pianistas, sobre las duraciones relativas de la primera vuelta y los cc. 9-23), el alargamiento del c. 16, el parecido entre las dos vueltas, los planos (melodía frente a acompañamiento), el rango dinámico de la melodía, la desincronía entre melodía y resto, el legato de dedo y el pedal. Todo con el mismo método para los modelos y para los 50 humanos.

El cuaderno contra el MIDI. Cada afirmación comprobable del cuaderno de decisiones se contrasta con el MIDI y se clasifica: cumple, parcial, no cumple, no comprobable. Lo hacen agentes ayudantes con un encargo fijo, y yo reviso los informes.

El sonido. Los audios salen del MIDI de cada modelo con el Salamander Grand Piano (Alexander Holm, CC BY 3.0), fieles nota a nota. Un aviso: este renderizador trata cualquier valor de pedal como pedal a fondo, así que los medios pedales que escriben algunos modelos no se oyen como tales.

Lo que nos llevamos

Un estilo no cabe en un nombre. Todo lo que se ha escrito sobre Horowitz no basta para tocar como Horowitz. Y no porque no sepan cosas de él: algunos saben bastante. Saber cómo tocaba alguien y tocar así son dos cosas distintas, y eso lo sabe cualquier alumno de conservatorio.

Con datos, copian; sin datos, promedian. Entre la copia y la media no aparece nada que se parezca a una interpretación propia. La pregunta de Repp tiene respuesta: sí, la media es lo que mejor saben hacer.

Lo que falta es exactamente lo que enseñamos. Suspender la cima de una frase, no repetir igual lo que se repite, cantar la melodía por encima del acompañamiento, ligar con los dedos, abrir la dinámica. No son adornos: son lo que convierte una partitura correcta en música. Y es justo lo que un profesor de piano dice en clase todas las semanas. Y además en qué rangos estas acciones son musicales o dejan de serlo y pasan a ser interpretaciones «ortopédicas» (como decía uno de mis profesores).

Lo que dicen de sí mismos hay que comprobarlo. Un cuaderno que se cumple en el 92 % es documentación; uno que se cumple en el 38 %, no. Y la seguridad con que afirman algo no dice nada de si es verdad.

Las cautelas: casi siempre es una ejecución por modelo, y en Gemini la variación entre ejecuciones es enorme; los enunciados de algunas pruebas no fueron idénticos para todos; varios modelos leyeron a Repp u otras fuentes antes de tocar (el enunciado solo prohibía buscar la partitura); las referencias humanas, salvo la de 1962, son transcripciones automáticas; y ninguna métrica juzga la calidad.

Lo que viene

Falta el quinto examinado. Claude Opus 5.5 hizo la RG6 de otra manera: pero de eso hablaremos en la próxima entrada.

Transparencia. Este borrador lo ha redactado Claude Opus 5.5 (Anthropic) a partir de los registros del laboratorio, y yo lo he revisado. Es de la misma familia que uno de los examinados, Claude Fable 5.1. Por eso los enunciados, las citas y las cifras son literales y comprobables, y el juicio musical es mío, de oído.

Si esta entrada te ha parecido interesante: