SONBRA: um dataset público e anotado para pesquisas de classificação de gêneros musicais brasileiros

Este trabalho apresenta o SONBRA, um dataset público e anotado projetado para fomentar pesquisas na área de classificação automática de gêneros musicais brasileiros. O conjunto de dados é composto por oito gêneros nacionais de grande representatividade: Bossa Nova, Forró, Forró Piseiro, Funk, Pagode, Samba, Samba-Enredo e Sertanejo. Para sua construção, foram coletadas faixas musicais das quais se extraíram fragmentos de 30 segundos em cinco regiões distintas de cada áudio (início, do início ao meio, meio, do meio ao fim e fim), totalizando 10.000 amostras. Cada amostra foi anotada com seu gênero correspondente e descrita por 785 parâmetros resultantes da extração de características acústicas, sendo eles Chroma CENS, Chroma CQT, Chroma STFT, Fourier Tempogram, Mel-spectrogram, MFCC, RMS, Spectral Bandwidth, Spectral Centroid, Spectral Roll-Off, Tempogram, Tonnetz e ZCR. Com o objetivo de validar a viabilidade do dataset para tarefas de aprendizado de máquina, realizou-se um estudo de caso de classificação. Foram avaliados os algoritmos Árvore de Decisão, K-Vizinhos Mais Próximos (KNN), Perceptron Multicamadas (MLP), Random Forest, Máquinas de Vetores de Suporte (SVM), XGBoost e um ensemble do tipo Voting. Os resultados demonstram a efetividade do conjunto de dados, com o modelo Voting atingindo a maior acurácia (83,2%) e as combinações de características que incluíram Mel, MFCC, Tempogram e Chroma CENS destacando-se como as mais informativas para a predição do gênero musical. Este artigo detalha a metodologia de criação e a estrutura do SONBRA, oferecendo-o como um recurso público para a comunidade científica, com o intuito de padronizar e avançar as pesquisas computacionais sobre a riqueza musical do Brasil.