Volver al Blog

Partituras a MIDI: 1.000 páginas de prueba — modo mejorado vs. estándar

Lacuna.fm Research Team
Partituras a MIDI: 1.000 páginas de prueba — modo mejorado vs. estándar

La transcripción mejorada (Enhanced transcription) es un modo opcional del conversor de partituras a MIDI de Lacuna: una segunda lectura más lenta de cada página, compás a compás, después de que el modo estándar haya devuelto su resultado. Para ver qué cambia, montamos una prueba de 1.000 páginas: 200 fragmentos de una página tomados de obras de dominio público, cada uno convertido en cinco imágenes: una página limpia a 300 DPI, un escaneo a 150 DPI, una página con líneas del pentagrama tenues, una foto de móvil simulada y una foto simulada de una página curvada. En conjunto, las páginas contienen 339.065 notas en 28.245 compases, y cada una tiene una referencia exacta con la que comparar.

Ambos modos leyeron las 1.000 páginas. En una escala de 100 puntos, donde 100 significa que el resultado coincide nota por nota con la referencia, la transcripción mejorada obtuvo una mediana de 98,8; el modo estándar, 82,1. La transcripción mejorada alcanzó 98 o más en 602 de las 1.000 páginas, y el modo estándar, en 119. La diferencia fue mayor en las páginas curvadas, donde la mediana del modo estándar cayó a 14,6 y la de la transcripción mejorada fue de 98,2.

98,8
Puntuación de notas mediana sobre 100, transcripción mejorada
Modo estándar: 82,1 en las mismas 1.000 páginas
602 de 1.000
páginas con 98 o más
Modo estándar: 119
85,5 %
de los compases sin diferencias con la referencia
24.159 de 28.245; modo estándar: 52,0 %

Qué hace la transcripción mejorada

El modo estándar lee cada página una vez y devuelve primero su resultado. Después, la transcripción mejorada vuelve a leer cada página seleccionada, compás a compás, y sustituye el resultado estándar de esa página cuando termina. Tarda más y cuesta créditos adicionales, así que es una opción que eliges por subida o por página, no la opción predeterminada.

  • Dos formas de activarla. Actívala al subir el archivo o elige qué páginas mejorar en una transcripción ya terminada.
  • Precio por página. Cada página tiene un precio según el número de notas que contiene. Antes de confirmar se muestran el precio y una espera estimada para cada página.
  • El resultado estándar se conserva. Sigue disponible mientras se procesan las páginas mejoradas, y puedes salir de la página. Si una página no termina, se conserva su resultado estándar y se reembolsan los créditos de la mejora de esa página.

Cómo construimos la prueba

200 fragmentos de 193 obras de 37 compositores. La mayoría proceden del OpenScore Lieder Corpus, una colección de canciones de concierto, sobre todo del siglo XIX y principios del XX, publicada en el dominio público; el resto proceden del corpus de music21. Cada fragmento ocupa una página, normalmente la primera de la obra. Algunos son la partitura completa; otros conservan una sola parte, como la del piano o la línea vocal de una canción, para que cada instrumentación esté bien representada:

InstrumentaciónFragmentosPáginasMediana de notas por página
Una sola línea (voz, clarinete, lead sheet)41205102
Coro (de tres a cinco voces, con o sin piano)1890244
Voz y piano62310337
Piano58290479
Conjunto de cámara (cuartetos de cuerda, tríos, grupos mixtos)21105272

Las páginas van de 37 a 1.374 notas, con una mediana de 291.

Cinco imágenes de cada página. Cada fragmento se grabó a partir de su edición codificada por personas con Verovio, una biblioteca de grabado musical de código abierto, en una página A4. Las fuentes musicales y el espaciado de las notas variaron entre fragmentos para que no todas las páginas se parecieran. Después, cada página se guardó en cinco versiones:

  • Limpia: 300 DPI.
  • 150 DPI: la misma página a la mitad de resolución, con una calidad parecida a la de un escaneo de baja resolución.
  • Líneas del pentagrama tenues: líneas del pentagrama impresas en gris claro con las notas sin cambios, como en algunas impresiones desde la web y exportaciones de baja calidad.
  • Foto de móvil simulada: la página sobre una mesa oscura con una ligera inclinación de perspectiva (cada esquina desplazada hasta un 3 % del tamaño de la página), iluminación cálida irregular, un leve desenfoque, ruido de sensor y compresión JPEG.
  • Página curvada simulada: la foto, más una curvatura a lo ancho de la página, de modo que las líneas del pentagrama se arquean en lugar de ir rectas.

Como cada imagen se genera a partir de una codificación conocida, la referencia es exacta: son las notas de la edición a partir de la cual se grabó la página. Las fotos son simulaciones. Una foto real de cámara puede añadir problemas que estas no tienen, como sombras, el pliegue central de un libro o bordes recortados.

La misma línea del Concertino de Weber en cinco versiones: limpia, 150 DPI, líneas del pentagrama tenues, foto de móvil simulada y página curvada simulada
La primera línea de una página de prueba en sus cinco versiones, de arriba abajo: limpia, 150 DPI, líneas del pentagrama tenues, foto de móvil simulada, página curvada simulada. Weber, Concertino para clarinete y piano (parte de piano), edición de dominio público.

Cómo se puntúa una página. Comparamos el resultado con la referencia compás a compás. Dentro de un compás, las notas de todas las voces se ordenan por ataque y altura, y una nota solo coincide cuando coinciden tanto su altura como su duración escrita. La puntuación de notas es 100 × (1 − el número de ediciones necesarias para convertir el resultado en la referencia ÷ el número de notas comparadas). Los compases que faltan o sobran cuentan como completamente erróneos. Una puntuación de 100 significa que no hay diferencias; 98 significa unas dos ediciones por cada cien notas.

Lo que la puntuación de notas no cuenta
La puntuación agrupa todas las voces de un compás, de modo que una nota colocada en la voz o la parte equivocada no se penaliza. Las notas de adorno no se puntúan y las notas ligadas no se fusionan. Una página puede obtener 100 y aun así tener sus partes divididas de forma distinta a la página impresa.

Páginas que sustituimos. Tras la primera ejecución, comprobamos cada referencia con su página impresa y encontramos 11 fragmentos que no se podían comparar de forma justa: nueve usaban la abreviatura de trémolo, que la referencia guarda como una nota larga mientras la página muestra notas repetidas; uno tenía notas ocultas en la página pero presentes en la referencia; y otro tenía en la referencia duraciones que no coincidían con las notas impresas. Sustituimos sus 55 páginas por 11 fragmentos de la misma instrumentación que superaron la misma comprobación. Las páginas sustituidas no figuran en ninguna cifra de este artículo; en ellas, la transcripción mejorada promedió 77,7 y el modo estándar, 53,0.

Cada página se procesó una vez con cada modo.

Resultados por condición de imagen

CondiciónMejorada: media / medianaEstándar: media / medianaPáginas ≥ 98 (mejorada / estándar)Compases sin diferencias (mejorada / estándar)
Limpia, 300 DPI97,8 / 99,186,1 / 93,5137 / 504.991 / 4.048
Líneas del pentagrama tenues97,4 / 98,983,8 / 92,5127 / 414.962 / 3.892
150 DPI96,5 / 99,176,0 / 84,1129 / 144.819 / 3.158
Foto de móvil simulada96,1 / 98,272,8 / 81,7104 / 144.675 / 3.030
Página curvada simulada95,3 / 98,217,7 / 14,6105 / 04.712 / 558

Cada condición tiene 200 páginas y 5.649 compases.

El modo estándar perdió terreno con cada paso que se alejaba de una página limpia: su media bajó de 86,1 en páginas limpias a 72,8 en fotos planas y a 17,7 en las curvadas, donde ninguna de sus 200 páginas llegó a 98. La transcripción mejorada perdió mucho menos. Su media en páginas curvadas, 95,3, fue más alta que la media del modo estándar en los originales limpios de esas mismas páginas.

Puntuación de notas media sobre 100 por condición de imagen, 200 páginas cada una. Barras más oscuras: transcripción mejorada. Barras más claras: modo estándar.
Fuente: Prueba interna de Lacuna, noviembre de 2026; una ejecución por página y modo

Resultados por instrumentación

InstrumentaciónPáginasMejorada: media / medianaEstándar: media / medianaPáginas ≥ 98 (mejorada / estándar)Compases sin diferencias (mejorada / estándar)
Una sola línea20598,7 / 10069,3 / 86,3164 / 418.315 / 5.614 de 8.520
Coro9097,0 / 99,167,4 / 83,057 / 191.446 / 752 de 1.635
Voz y piano31097,0 / 98,566,5 / 81,0189 / 175.279 / 2.777 de 6.445
Piano29095,3 / 97,566,4 / 80,9131 / 277.443 / 4.543 de 9.340
Conjunto de cámara10594,6 / 99,367,9 / 83,361 / 151.676 / 1.000 de 2.305

Las líneas únicas fueron las más fáciles para la transcripción mejorada: 131 de esas 205 páginas salieron sin ninguna diferencia. El piano fue lo más difícil, con más notas por página. Las páginas de conjunto de cámara se dividieron en dos: la mayoría obtuvo puntuaciones muy altas, lo que dio al grupo la mediana más alta, pero unas pocas páginas densas de cuarteto de cuerda puntuaron tan bajo que su media quedó al final de la tabla.

Con qué frecuencia se acercó cada modo

Las medias ocultan lo distinto que se reparten los dos modos. Contando páginas por puntuación:

Puntuación de notasMejoradaEstándar
100 (sin diferencias)30941
De 99 a menos de 10016238
De 98 a 9913140
De 95 a 9819898
De 90 a 95110156
De 80 a 9065149
De 50 a 8024193
Menos de 501285
Número de páginas en cada rango de puntuación de notas, sobre 1.000. Barras más oscuras: transcripción mejorada. Barras más claras: modo estándar.
Fuente: Prueba interna de Lacuna, noviembre de 2026; una ejecución por página y modo

El modo estándar puntuó por debajo de 50 en 285 páginas, 191 de ellas curvadas. En esas mismas 285 páginas, la transcripción mejorada promedió 95,8 (mediana 98,4), y 220 de ellas llegaron a 95 o más. Página a página, la transcripción mejorada superó al modo estándar por más de 2 puntos en 791 páginas, quedó a 2 puntos o menos en 176 y por debajo en más de 2 puntos en 33.

Lo que la transcripción mejorada todavía falla

En las 1.000 páginas, la transcripción mejorada dejó 14.802 diferencias en 339.065 notas de referencia, aproximadamente una de cada 23:

  • 9.131 notas con la altura equivocada. 6.193 de ellas estaban desviadas uno o dos semitonos, lo que equivale a leer una cabeza de nota una línea o un espacio desplazada o a pasar por alto una alteración. 100 estaban desviadas una octava.
  • 2.753 notas que faltan y 1.559 notas de más.
  • 1.359 notas con la duración equivocada.

Las diferencias se concentraron en una minoría de compases en lugar de repartirse por cada página: el 85,5 % de los compases salió sin diferencias, frente al 52,0 % del modo estándar. Revisar los compases más cargados y los acordes detecta la mayor parte de lo que queda.

Resultados en siete páginas reales problemáticas

Aparte de la prueba, procesamos siete páginas reales de los tipos que peor resolvía el modo estándar, con 1.087 notas en total. No mostramos estas páginas y solo informamos de sus puntuaciones.

Tipo de páginaNotasEstándarMejoradaTiempo de la mejorada
Polifonía renacentista, seis voces1144,495,62,5 min
Partitura de piano con la letra impresa entre los pentagramas14416,71004,4 min
PDF escaneado de baja resolución16731,098,82,1 min
Cambios de clave frecuentes, incluida una clave octavada12254,91003,9 min
Voz y piano, captura de pantalla del móvil19964,798,03,0 min
Coro a cinco voces89100*1001,6 min
Piano2521001002,9 min

* El modo estándar acertó todas las notas de la página de coro, pero dividió sus cinco voces en nueve partes, algo que la puntuación de notas no cuenta.

En las siete páginas, el modo estándar promedió 53,1 y la transcripción mejorada, 98,9.

Por qué este conjunto es solo una prueba complementaria
Estas páginas no tienen una referencia hecha por personas. Su referencia es la versión en la que coincidieron nota por nota varias lecturas lentas e independientes de cada página, hechas con el mismo tipo de lectura compás a compás que usa la transcripción mejorada. Un error compartido por esas lecturas contaría aquí como correcto. Por eso las cifras principales proceden de las 1.000 páginas de la prueba.

Cuánto tarda

El tiempo de procesamiento crece con el número de notas de la página y con lo degradada que esté la imagen. Las 1.000 páginas de la prueba se procesaron muchas a la vez en hardware de pruebas compartido, así que sus tiempos no son representativos. Estos tiempos proceden de ejecuciones de prueba que procesaron una página cada vez:

  • Las siete páginas reales, de 89 a 252 notas cada una, tardaron entre 1,6 y 4,4 minutos cada una.
  • Ocho páginas de la prueba, de 254 a 804 notas, como fotos y fotos curvadas, tardaron entre 3,8 y 11,5 minutos cada una. Una página completa de escritura densa para piano, con 804 notas, tardó 10,6 minutos como foto y 11,5 minutos curvada.

Estos tiempos proceden de ejecuciones de prueba y variarán según la carga. En el producto, la espera estimada de cada página se muestra antes de confirmar.

Cuándo usarla

Las mejoras fueron mayores donde el modo estándar perdía la estructura de la página: páginas curvadas o fotografiadas, escaneos de baja resolución, coros y otras páginas a varias partes, y escritura densa para piano. Donde el resultado del modo estándar ya coincidía con la página, la transcripción mejorada tenía poco que añadir.

Un orden práctico: ejecuta primero el modo estándar, compara unos cuantos compases del resultado con la página y mejora las páginas a las que les faltan notas o compases, o cuyas voces salieron fusionadas o divididas. La transcripción mejorada está disponible en las herramientas partituras a MIDI y PDF a MIDI.