¿Es posible detectar una estructura de acordes en una canción usando el aprendizaje profundo? Si es así, ¿cómo?

Debería ser posible. Recomiendo usar espectrogramas como entrada a una red neuronal que utiliza capas convolucionales (tiene en cuenta la dependencia espacial del espectrograma para detectar el acorde) y capas recurrentes (tiene en cuenta la estructura secuencial de las canciones). Un espectrograma se basa en la transformación de Fourier a corto plazo y es directamente aplicable en este escenario. Puede buscar en línea una base de datos que contenga datos de este tipo o etiquetar manualmente los datos de audio usted mismo.

Es probable que esto sea posible, pero obtener los datos será la parte difícil. Mi primer instinto sería usar una CNN como clasificador. Los datos estarían en el formato de una grabación de audio de longitud fija (llamada longitud Y) de diferentes acordes, y el objetivo sería una clasificación de ese acorde. Por lo tanto, alimentaría las grabaciones una por una y la red aprendería cómo ajustar los pesos para clasificarlo como el acorde correcto. Probablemente necesitará varios cientos de ejemplos diferentes de cada acorde que desee clasificar. Querrá extraer las grabaciones de duración fija de todos los diferentes tipos de música para que la red aprenda a filtrar otros ruidos en el audio.

Si quisiera poder introducir una canción y tocar el acorde con la precisión de un intervalo X (que podría ser, digamos, cada medio segundo), miraría las ventanas de la canción de longitud Y y se deslizaría la ventana paso a paso por X tomando la clasificación de probabilidad más alta en cada paso. De esta manera, obtendría una lista de acordes que se reproducen a lo largo de la canción.

Conozco algunos intentos de clasificar la música en función de las señales, pero generalmente tratan de clasificar canciones. Sin embargo, los acordes serían teóricamente posibles. Los etiquetaría por tipo de acorde, y lo alimentaría con las muestras para entrenar. Sin embargo, para algo tan simple, es posible que no desee un modelo de aprendizaje profundo.

No he visto este tipo de detectores, pero creo que es totalmente posible usar convnets.