SONBRA: um dataset público e anotado para pesquisas de classificação de gêneros musicais brasileiros
DOI:
https://doi.org/10.5753/reic.2026.7222Keywords:
Aprendizado de máquina, recuperação de informação musical, classificação de gêneros musicaisAbstract
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.
Descargas
Citas
Al Mamun, M. A., Kadir, I., Rabby, A. S. A., and Al Azmi, A. (2019). Bangla music genre classification using neural network. In 2019 8th International Conference System Modeling and Advancement in Research Trends (SMART), pages 397–403. DOI: 10.1109/SMART46866.2019.9117400.
Alonso, G. (2011). Cowboys do Asfalto. Doutorado em história, Programa de Pós-Graduação em História, Universidade Federal Fluminense, Niterói.
Bezerra, J. (2017). Funk: a batida dos bailes cariocas que contagiou o Brasil. Panda Books, São Paulo, 1 edition.
Bühlmann, P. (2012). Bagging, boosting and ensemble methods. Handbook of Computational Statistics, page 39. DOI: 10.1007/978-3-642-21551-3_33.
Caldas, W. (1987). O que é a música sertaneja? Brasiliense, São Paulo.
Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 785–794, Nova York. Association for Computing Machinery. DOI: 10.1145/2939672.2939785.
Conceição, J., Freitas, R., Gadelha, B., Kienen, J., Anders, S., and Cavalcante, B. (2020). Applying supervised learning techniques to brazilian music genre classification. In 2020 XLVI Latin American Computing Conference (CLEI), pages 102–107. DOI: 10.1109/CLEI52000.2020.00019.
Costa, C., Valle, J., and Koerich, A. (2004). Automatic classification of audio data. In 2004 IEEE International Conference on Systems, Man and Cybernetics (IEEE Cat. No.04CH37583), volume 1, pages 562–567. DOI: 10.1109/ICSMC.2004.1398359.
Deferrard, M., Benzi, K., Vandergheynst, P., and Bresson, X. (2017). Fma: A dataset for music analysis.
Dias, I. and Dupan, S. (2022). O que é o Forró? Meroveu, Campina Grande, 3 edition.
Farajzadeh, N., Sadeghzadeh, N., and Hashemzadeh, M. (2023). Pmg-net: Persian music genre classification using deep neural networks. Entertainment Computing, 44:100518. DOI: 10.1016/j.entcom.2022.100518.
Géron, A. (2019). Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow. O’Reilly, Sebastopol, 2 edition.
Harte, C., Sandler, M., and Gasser, M. (2006). Detecting harmonic change in musical audio. In Proceedings of the 1st ACM Workshop on Audio and Music Computing Multimedia, pages 21–26, New York. Association for Computing Machinery.
Hasib, K. M., Tanzim, A., Shin, J., Faruk, K. O., Mahmud, J. A., and Mridha, M. F. (2022). Bmnet-5: A novel approach of neural network to classify the genre of bengali music based on audio features. IEEE Access, 10:108545–108563. DOI: 10.1109/ACCESS.2022.3213818.
Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, New York, 2 edition.
Klapuri, A. and Davy, M., editors (2006). Signal Processing Methods for Music Transcription. Springer, New York.
Kotsiantis, S., Zaharakis, I., and Pintelas, P. (2006). Machine learning: A review of classification and combining techniques. Artificial Intelligence Review, 26:159–190. DOI: 10.1007/s10462-007-9052-3.
McFee, B., Raffel, C., Liang, D., Ellis, D. P., McVicar, M., Battenberg, E., and Nieto, O. (2015). librosa: Audio and music signal analysis in python. In Proceedings of the 14th Python in Science Conference, volume 8.
Müller, M. (2015). Fundamentals of Music Processing: Audio, Analysis, Algorithms, Applications. Springer, Cham, 1 edition.
Müller, M. and Balke, S. (2018). Short-Time Fourier Transform and Chroma Features. International Audio Laboratories Erlangen.
Oneto, L. (2018). Model selection and error estimation without the agonizing pain. WIREs Data Mining and Knowledge Discovery, 8(4):e1252. DOI: 10.1002/widm.1252.
Quadros Júnior, J. F. S. d. (2019). Música Brasileira. PPGCOM/UFMG, Belo Horizonte.
Ramraj, S., Uzir, N., Sunil, R., and Banerjee, S. (2016). Experimenting xgboost algorithm for prediction and classification of different datasets. International Journal of Control Theory and Applications, 9(40):651–662.
Ribeiro, A. V., Santana, J. M. d. O., and Oliveira, M. A. d. (2025). Sonbra dataset. [link]. Acessado em: 17 de dezembro de 2025.
Sammut, C. and Webb, G. I., editors (2011). Encyclopedia of Machine Learning. Springer, Boston.
Scaringella, N., Zoia, G., and Mlynek, D. (2006). Automatic genre classification of music content: a survey. IEEE Signal Processing Magazine, 23(2):133–141. DOI: 10.1109/MSP.2006.1598089.
Sharma, G., Umapathy, K., and Krishnan, S. (2020). Trends in audio signal feature extraction methods. Applied Acoustics, 161:107201. DOI: 10.1016/j.apacoust.2019.107201.
Shirol, S. and Kathiresan, R. S. (2023). A comprehensive survey of music genre classification using audio files. International Journal of Enhanced Research in Science, Technology & Engineering, 12:183–192.
Silla, Jr., C. N., Kaestner, C. A. A., and Koerich, A. L. (2007). Automatic music genre classification using ensemble of classifiers. In 2007 IEEE International Conference on Systems, Man and Cybernetics, pages 1687–1692. DOI: 10.1109/ICSMC.2007.4414136.
Silla, Jr., C. N., Koerich, A. L., and Kaestner, C. A. A. (2018). The latin music database. In Proceedings of the 9th International Conference on Music Information Retrieval, pages 451–456, Philadelphia. ISMIR. DOI: 10.5281/zenodo.1416282.
Silva, D. and Gomes, C. (2022). Modelo de aprendizado de máquina para classificação de gêneros musicais populares da região amazônica legal internacional. Revista Eletrônica de Iniciação Científica em Computação, 20(4).
Suthaharan, S. (2016). Machine Learning Models and Algorithms for Big Data Classification: Thinking with Examples for Effective Learning. Springer US.
Tomar, S. (2006). Converting video formats with ffmpeg. Linux Journal, 2006(146):10.
Tzanetakis, G. and Cook, P. (2002). Musical genre classification of audio signals. IEEE Transactions on Speech and Audio Processing, 10(5):293–302. DOI: 10.1109/TSA.2002.800560.
Viana, L. R. (2010). O funk no brasil: Música desintermediada na cibercultura. Revista Sonora, Unicamp, 3.
Yu, T. and Zhu, H. (2020). Hyper-parameter optimization: A review of algorithms and applications. ArXiv, abs/2003.05689.
Descargas
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2026 Os autores
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
