Volver al inicio

Música e IA Herramienta publicada 2026

ChordLocal

Lo que cobra Chordify, en tu computadora y sin suscripción.

De dónde salió

Quería aprender a tocar cualquier canción y la herramienta que lo resolvía, Chordify, cobra por transponer, poner cejilla o exportar MIDI. Antes de pagar, hice el ejercicio inverso: listar qué hace, qué cobra y cuánto cuesta de verdad construir cada cosa.

El problema

Las apps de acordes cobran por funciones que, técnicamente, son transformaciones simples sobre un análisis ya hecho. Lo difícil es una sola cosa: detectar bien los acordes y el compás a partir del audio, en una máquina común y sin GPU.

La solución

Un pipeline en Python que corre una vez por canción: beats y compás con `beat_this`, acordes con croma sincronizado al beat, plantillas armónicas y Viterbi, y notas con `basic-pitch`. Todo queda en un `analysis.json`; transponer, cejilla, simplificar o exportar se derivan de ese archivo al instante. Después busca la transcripción en LaCuerda y la letra en LRCLIB, y se queda con la que más concuerda con el audio.

Qué tiene resuelto

  • Separación entre análisis (lento, una vez) y uso (instantáneo): analysis.json es la única fuente de verdad.
  • Reconocedor de acordes propio: croma por beat, plantillas ponderadas y decodificación Viterbi en dos pasadas con prior de tonalidad.
  • Elección de fuente por concordancia con el audio, no por parecido del título; detecta transcripciones escritas en otro tono.
  • Hoja sincronizada: reproductor, acorde actual y siguiente, letra que sigue al audio, velocidad 0,5×–1,5× sin cambiar el tono.
  • Análisis armónico: tonalidad, ciclo en grados, cadencias, acordes fuera de escala y cejilla sugerida.
  • Salidas en HTML, ChordPro, MusicXML, MIDI y tablatura ASCII.
  • Respeta robots.txt (Crawl-delay de LaCuerda) y no se disfraza de navegador para sortear un 403.

Evidencia

  • Documento de análisis del producto de referencia con matriz de features, plan gratuito/pago y dificultad de cada uno (docs/analisis-chordify.md).
  • 99,8 % de acorde exacto ponderado por tiempo en la validación con audio sintético G–Em–C–D.
  • Contra cuatro transcripciones humanas, la precisión de transiciones pasó de 0,44 a 0,74 entre la versión 0.1 y la 0.2.
  • Una canción de 4 minutos se analiza en ~80 s en un MacBook Pro Intel de 2016, sin GPU.
  • Análisis con REA de las páginas públicas de Chordify: la transposición y el tempo se resuelven en el cliente, sobre datos que ya vienen en la página.

Lo difícil

  • El hardware definió la arquitectura: un Mac Intel sin GPU obliga a fijar torch==2.2.2 y Python 3.11, y a hacer el análisis offline, no en tiempo real.
  • Una tríada con la quinta débil pierde contra la tríada una tercera arriba (E → G#m). Subir el peso de la quinta en las plantillas fue el cambio de mayor impacto.
  • Las transcripciones online vienen en otro tono, con otro nombre o en una versión distinta. Elegir por concordancia con el audio resolvió la mayoría de los casos.

Qué aprendí

  • Seis de las siete funciones pagas del producto de referencia son transformaciones sobre un JSON. El valor está en el análisis, no en las funciones premium.
  • Un reconocedor clásico bien calibrado puede rendir más que un modelo grande que no se puede instalar en la máquina disponible.
  • Medir contra transcripciones humanas cambió las prioridades: lo que más importaba era cuándo cambia el acorde, no el nombre exacto.

Próximos pasos

  • Loop A-B, afinador y separación de pistas con Demucs para tocar encima.

Aprendizajes aplicados

Lecturas que nacen de este proyecto