Análisis de letras de canciones mediante inteligencia artificial generativa

Abstract

[Resumen] Este Trabajo Fin de Grado presenta el diseño, desarrollo y validación de un sistema de inteligencia artificial capaz de adquirir, procesar y comparar letras de canciones a nivel léxico, semántico y emocional. Ante las limitaciones de los enfoques musicológicos tradicionales, que a menudo dependen de análisis manuales y subjetivos, este proyecto propone una solución automatizada y objetiva, materializada en una arquitectura de software desacoplada, separando el backend de procesamiento de la interfaz web. El núcleo cognitivo del sistema integra técnicas de procesamiento de lenguaje natural y aprendizaje profundo. Se emplean modelos Transformer (RoBERTa) para la clasificación emocional en un espectro granular de 28 categorías y modelos (BART) para detección de temáticas zero-shot. Asimismo, el descubrimiento de temas latentes se optimiza mediante BERTopic, adaptado con un motor K-Means para corpus de baja densidad. Una contribución técnica relevante es la integración de inteligencia artificial generativa (Llama 3.1), que actúa no solo como sintetizador de resúmenes interpretativos, sino como auditor cualitativo de las emociones predichas por el sistema. La viabilidad y robustez de la arquitectura se validan mediante dos casos de estudio: la discografía de Taylor Swift, que permite evaluar la evolución temporal de su trayectoria lírica, y la de The Beatles, empleada para demostrar la versatilidad y el carácter agnóstico del sistema ante artistas de distintas épocas y contextos. Los resultados obtenidos confirman que la herramienta propuesta es capaz de objetivar patrones estilísticos complejos, cumpliendo con los objetivos planteados.

[Abstract] This Bachelor’s Thesis presents the design, development and validation of a comprehensive artificial intelligence system capable of acquiring, processing and comparing song lyrics at a lexical, semantic and emotional level. Given the limitations of traditional musicological approaches, which often rely on manual and subjective analysis, this project proposes an automated and objective solution based on a decoupled software architecture, separating a high-complexity processing backend from the web interface. The system integrates natural language processing and deep learning techniques. It employs Transformer models (RoBERTa) for granular emotion classification across 28 categories and (BART) for zero-shot thematic detection. Furthermore, latent topic discovery is optimized through BERTopic, adapted with a K-Means engine for low-density corpora. A significant technical contribution is the integration of generative artificial intelligence (Llama 3.1), which acts not only as a synthesizer for interpretive summaries but also as a qualitative auditor of the system’s predicted emotions. The robustness and viability of the architecture are validated through two case studies: Taylor Swift’s discography, used to evaluate the temporal evolution of her lyrical trajectory, and The Beatles’ discography, which demonstrates the versatility and system agnosticism across different eras and contexts. The results confirm that the proposed tool is capable of objectifying complex stylistic patterns, thereby fulfilling the stated objectives.