Il modo in cui suoniamo potrebbe essere unico quasi quanto un’impronta digitale. Una nuova ricerca condotta sui grandi pianisti jazz ha dimostrato che l’intelligenza artificiale riesce a riconoscere chi sta suonando analizzando soltanto le caratteristiche della sua esecuzione. E con una precisione sorprendente: oltre il 94%.
Quando ascoltiamo un musicista che conosciamo molto bene, a volte bastano poche note per riconoscerlo.
Un fraseggio particolare, il modo di costruire un accordo, un certo senso del ritmo. Non abbiamo necessariamente bisogno di vedere il suo volto o di sapere quale brano stia eseguendo.
Semplicemente pensiamo: “È lui.”
Ma quali sono esattamente gli elementi che ci permettono di riconoscere uno stile?
Un gruppo di ricercatori ha provato a rispondere a questa domanda utilizzando il machine learning, arrivando a un risultato affascinante: ogni grande musicista sembra possedere una sorta di “impronta musicale”.
20 pianisti, 84 ore di musica e oltre 1.600 performance
Lo studio, pubblicato nell’agosto 2026 sulla rivista scientifica Nature Machine Intelligence, è stato realizzato da Huw Cheston, Reuben Bance e Peter M. C. Harrison.
I ricercatori hanno analizzato circa 84 ore di registrazioni, corrispondenti a 1.629 performance di 20 celebri pianisti jazz.
Tra gli artisti analizzati troviamo nomi giganteschi della storia del jazz come:
Bill Evans, Oscar Peterson, Thelonious Monk, Chick Corea, Keith Jarrett, McCoy Tyner, Ahmad Jamal, Brad Mehldau, Kenny Barron e molti altri.
L’obiettivo era apparentemente semplice: capire se un sistema di intelligenza artificiale fosse in grado di stabilire chi stesse suonando semplicemente osservandone il modo di suonare.
Il risultato ha superato il 94% di accuratezza.
Il modello migliore è infatti riuscito a identificare correttamente il pianista nel 94,4% dei casi.
Un risultato ancora più interessante se pensiamo che non stiamo parlando del riconoscimento della voce di un cantante o del timbro particolare di uno strumento.
Il sistema cercava di riconoscere soprattutto lo stile musicale dell’esecutore.
Come può un computer riconoscere un pianista?
Per effettuare l’analisi, le registrazioni sono state trasformate in rappresentazioni MIDI chiamate piano roll.
In maniera molto semplificata, possiamo immaginare il piano roll come una rappresentazione digitale dell’esecuzione nella quale il computer può osservare quali note vengono suonate, quando vengono suonate e come vengono organizzate nel tempo.
A quel punto i ricercatori hanno analizzato differenti dimensioni dell’esecuzione:
- melodia
- armonia
- ritmo
- dinamica
Ed è proprio qui che la ricerca diventa particolarmente interessante anche dal punto di vista musicale e didattico.
L’armonia racconta chi siamo più di quanto immaginiamo
Quando i ricercatori hanno provato ad analizzare separatamente i diversi elementi musicali, l’armonia è risultata la caratteristica più efficace per riconoscere i pianisti.
Subito dopo troviamo il ritmo e la melodia.
La dinamica, invece, si è dimostrata meno determinante.
Significa che il modo in cui un musicista sceglie e organizza gli accordi, costruisce le proprie armonizzazioni o collega determinate sonorità può diventare una vera e propria firma personale.
Pensiamo, per esempio, a quanto possano essere differenti due musicisti che stanno suonando esattamente lo stesso standard jazz.
Le note della melodia possono essere identiche.
La struttura del brano è la stessa.
Lo strumento è lo stesso.
Eppure il risultato può sembrare completamente diverso.
È proprio lì che comincia ad apparire quello che normalmente chiamiamo stile.
Ma allora lo stile può essere misurato?
È probabilmente la domanda più affascinante sollevata da questa ricerca.
Per secoli abbiamo parlato dello stile musicale utilizzando parole spesso difficili da quantificare: sensibilità, gusto, tocco, intenzione, fraseggio, personalità.
Oggi gli strumenti di analisi computazionale permettono di individuare alcuni pattern ricorrenti dietro quelle sensazioni.
Questo non significa naturalmente che una macchina possa ridurre tutta l’identità artistica di Bill Evans, Thelonious Monk o Keith Jarrett a una serie di numeri.
Anzi.
Gli stessi ricercatori sottolineano alcuni limiti dello studio. Una rappresentazione MIDI non riesce, per esempio, a catturare completamente elementi come il timbro e molte delle sfumature espressive presenti in una registrazione.
Ma proprio questo rende il risultato ancora più curioso.
Se un’intelligenza artificiale riesce a riconoscere un musicista con una precisione così elevata utilizzando soltanto una parte delle informazioni contenute nell’esecuzione, significa che alcune caratteristiche del nostro modo di suonare sono incredibilmente consistenti.
Copiare le note non significa copiare un musicista
Ed è forse questa la lezione più interessante per chi studia musica.
Quando iniziamo a suonare uno strumento, impariamo inevitabilmente imitando qualcuno.
Studiamo un assolo.
Cerchiamo di riprodurre il suono del nostro chitarrista preferito.
Impariamo il groove di un batterista.
Copiamo il fraseggio di un cantante o proviamo a utilizzare gli accordi del pianista che amiamo.
Ed è giusto così.
L’imitazione è sempre stata una parte fondamentale dell’apprendimento musicale.
Ma a un certo punto accade qualcosa.
Le influenze iniziano a mescolarsi con le nostre esperienze, con il nostro carattere, con il nostro modo di percepire il tempo e con le scelte che facciamo mentre suoniamo.
Gradualmente cominciamo a costruire una nostra identità.
Ed è proprio questa identità che rende interessante ascoltare due musicisti diversi eseguire lo stesso brano.
Perché questa ricerca è importante per chi studia musica
C’è un messaggio educativo molto bello dietro questo esperimento.
Studiare musica non significa soltanto imparare a suonare le note giuste.
Significa anche sviluppare progressivamente un proprio modo di interpretarle.
Due allievi possono eseguire perfettamente lo stesso esercizio e produrre comunque qualcosa di diverso.
Il modo in cui accentano una nota, anticipano leggermente un movimento, costruiscono una frase o scelgono una dinamica contribuisce nel tempo a creare la loro identità musicale.
La tecnica rimane fondamentale, naturalmente.
Ma la tecnica è uno strumento.
L’obiettivo finale non dovrebbe essere diventare la copia perfetta di qualcun altro.
Dovrebbe essere arrivare al punto in cui qualcuno, ascoltandoci, possa dire:
“Questo modo di suonare è il tuo.”
L’intelligenza artificiale, questa volta, non sostituisce il musicista
È interessante anche osservare questa ricerca da un’altra prospettiva.
Quando oggi si parla di intelligenza artificiale e musica, il dibattito ruota quasi sempre attorno alla possibilità che l’AI possa generare canzoni, imitare voci o addirittura sostituire alcune attività creative.
In questo caso succede quasi il contrario.
L’intelligenza artificiale viene utilizzata per dimostrare quanto possa essere personale il comportamento creativo di un essere umano.
La tecnologia diventa quindi uno strumento per studiare la creatività, non necessariamente per sostituirla.
E le applicazioni future potrebbero essere molte.
Sistemi simili potrebbero aiutare i ricercatori a studiare l’evoluzione degli stili musicali, comprendere le influenze tra artisti differenti o analizzare come cambia il linguaggio di uno stesso musicista nel corso della propria carriera.
Gli autori dello studio hanno inoltre reso disponibili modelli open source e un’applicazione web per esplorare i risultati della ricerca.
Qual è la tua impronta musicale?
Forse la domanda più interessante, alla fine, non riguarda Bill Evans o Thelonious Monk.
Riguarda ognuno di noi.
Quando impariamo uno strumento cerchiamo spesso di raggiungere un modello ideale: avere il suono di quel cantante, la tecnica di quel batterista, il fraseggio di quel chitarrista.
Ma crescere musicalmente significa anche scoprire progressivamente come suoniamo noi.
Perché la musica non è soltanto ciò che suoniamo.
È anche come scegliamo di suonarlo.
E se davvero esiste un’impronta digitale musicale, probabilmente iniziamo a costruirla fin dalla prima nota.
Fonte scientifica: Huw Cheston, Reuben Bance e Peter M. C. Harrison, Machine learning of artistic fingerprints in jazz, Nature Machine Intelligence, pubblicato il 17 agosto 2026.
