Partitura em texto puro: o que a jukebox pirata criada pelo Claude revela sobre composição com LLMs

Atualizado:

Seis trilhas sonoras no melhor estilo adventure dos anos 90 agora tocam direto em uma aba do navegador. Não há arquivos de áudio gravados nem samples ali. Cada faixa é apenas um arquivo de texto puro, interpretado nota por nota por um pequeno sintetizador feito em Web Audio. O autor das partituras e do próprio sintetizador? Um modelo de linguagem.

O experimento foi criado pelo desenvolvedor Simon Willison. Em 6 de outubro de 2026, ele fez um pedido triplo ao Claude Opus 5.5: inventar um formato de texto enxuto para compor trilhas de videogame, construir um player no navegador capaz de executá-lo e entregar algumas faixas prontas como demonstração. A referência estética era clara: a trilha original do clássico The Secret of Monkey Island. O resultado foi o Scrimshaw Jukebox. Willison comentou que o modelo acabou "pesando bem mais a mão no tema pirata de Monkey Island" do que ele imaginava, mas avaliou a entrega como "surpreendentemente boa".

Um experimento isolado não serve como prova definitiva, e o próprio Willison reconhece isso. Mesmo assim, a arquitetura por trás da demo expõe lições valiosas sobre como LLMs lidam com música — e sobre o terreno que a pesquisa ainda não desbravou.

Por dentro do formato criado pela IA

A parte mais engenhosa do projeto está no formato de notação, documentado detalhadamente na página da ferramenta.

  • Ritmo como contagem matemática. Cada compasso é dividido em um número fixo de passos (steps). Uma nota simples como D5 ocupa um passo; cada hífen acrescentado adiciona outro, de modo que D5--- dura quatro tempos. Um ponto final representa uma pausa de um passo.
  • Compasso definido por dois parâmetros. O comando beats 4 com steps 4 gera um clássico 4/4 em semicolcheias. Já beats 2 com steps 3 cria uma giga em 6/8, enquanto beats 3 com steps 2 monta uma valsa. Há ainda um parâmetro de swing que atrasa passos alternados para dar suingue.
  • Harmonia por cifras diretas. Nomes de acordes como [Dm7] ou [C/E] têm suas vozes distribuídas automaticamente a partir da tessitura configurada para cada canal.
  • Bateria em matriz visual. As pistas de percussão usam caracteres individuais por passo — como em x... ..x., em que x representa uma batida forte e o indica uma nota fantasma.
  • Estrutura formal bem definida. A partitura lista padrões (blocos de compassos), seguidos por uma linha play para a introdução e uma linha loop para o trecho repetido ciclicamente, "como em qualquer trilha de videogame". O comando B*2 duplica um padrão, e A+2 transpõe o trecho um tom acima.

O player embutido traz 65 instrumentos sintetizados, cobrindo de steel drum e marimba a cravo, tuba, coral e percussão manual. A interface exibe cada partitura em formato de piano roll e permite mutar canais individualmente. Quem estiver ouvindo também pode editar o texto na hora e rodar as alterações em tempo real.

Scrimshaw Jukebox: pixel art de um porto noturno sobre a lista de seis faixas e a visualização em piano roll de "Moonlit Harbor", um calypso em 16 vozes a 100 bpm

Interface do Scrimshaw Jukebox. A faixa aberta, "Moonlit Harbor", é definida como "um calypso para uma cidade portuária à noite", com 16 vozes a 100 bpm. Captura de tela: Simon Willison.

As seis composições exploram diferentes andamentos e métricas. "Moonlit Harbor" corre a 100 bpm em 4/4; "The Rusty Anchor" aposta num 6/8 marinheiro; "The Ghost Galleon" arrasta-se misteriosa a 66 bpm; "Duel on the Docks" acelera para 152 bpm; e "Lantern Waltz" fecha o conjunto em 3/4.

A página ainda fornece um prompt pronto para ensinar a sintaxe a qualquer outro LLM. O texto avisa logo de início: "o erro mais comum é fechar um compasso com a contagem errada de passos, então conte cada um deles". Caso o editor encontre incoerências rítmicas, ele aponta a falha, e o usuário só precisa jogar o log de erro de volta no chat para a IA corrigir. O processo de compor vira quase um ciclo de compilação e depuração de código, idêntico à programação assistida por IA.

Por que notação em texto funciona tão bem com LLMs

Criar música via partitura textual em vez de renderizar áudio direto não é novidade. Em fevereiro de 2024, uma equipe de 35 pesquisadores apresentou o ChatMusician. O grupo pegou o LLaMA2 e fez uma etapa contínua de pré-treino e ajuste fino em notação ABC, um padrão textual veterano no mundo da partitura. O artigo tratava a linguagem musical como uma "segunda língua". O modelo gerou composições bem amarradas e completas que superaram o GPT-4 da época, sem que o aprendizado musical prejudicasse suas habilidades linguísticas gerais.

O Scrimshaw bebe da mesma fonte, mas com uma diferença crucial. O ChatMusician exigiu uma base massiva de dados musicais e fine-tuning dedicado. Aqui, um modelo de propósito geral inventou sua própria notação sob demanda, programou o player, entendeu a sintaxe e compôs dentro dela — tudo numa única conversa. Minha leitura — que é uma inferência analítica, não uma medição empírica — é que o Claude se destacou principalmente em design de software. Ele desenhou uma representação simbólica em que o ritmo vira aritmética elementar e a estrutura fica escancarada no texto.

Essa abordagem casa perfeitamente com a época que o projeto homenageia. A trilha original de Monkey Island, lançada em 1990, tampouco rodava como áudio gravado: eram comandos MIDI disparados para a placa de som que o jogador tivesse instalada. Segundo o resgate histórico do site The International House of Mojo, o compositor Michael Land achava "impossível sincronizar a música com as ações do jogador de forma satisfatória" no primeiro título. Para a sequência, Monkey Island 2, ele se uniu a Peter McConnell para criar o clássico sistema iMUSE de música dinâmica. A estrutura do Scrimshaw — separando uma introdução pontual de um loop contínuo — é uma reverência direta a essa era em que música de jogo era código puro.

Estamos diante de uma nova capacidade dos modelos?

Willison levanta a hipótese de que a habilidade de compor com coerência possa ser "algo parecido com o que rolou com gráficos 3D": uma competência emergente que os modelos de texto só destravaram nos últimos meses. O paralelo faz sentido no histórico recente do blog dele. Em setembro de 2026, ele mostrou o GPT-6 Astra, rodando no Codex, trabalhando por 17 minutos e 51 segundos para modelar um ovo Fabergé no Blender partindo apenas de uma imagem gerada. Menos de um ano antes, em novembro de 2025, um teste que pedia para modelos gerarem uma cena em POV-Ray com um pelicano numa bicicleta resultou em código que "a maioria das IAs sequer conseguia compilar".

Ainda assim, os fatos pedem um diagnóstico mais comedido do que decretar que "as IAs agora sabem compor":

  • A composição simbólica com LLMs já existia. O ChatMusician comprovou essa viabilidade ainda em 2024, ainda que recorrendo a fine-tuning específico.
  • O salto real parece ser a autonomia sem treino prévio. Um modelo generalista foi capaz de criar uma notação viável, programar um sintetizador funcional e compor músicas estilisticamente consistentes sem nenhum ajuste fino. Resta saber se versões anteriores conseguiriam fazer o mesmo — e essa é justamente a provocação de Willison, que destaca a necessidade de "testes rigorosos com modelos recentes e outros nem tão novos assim".

Gargalos reais e motivos para ter cautela

Estamos falando de um único teste e um único ouvinte. Achar a música "surpreendentemente boa" é uma impressão subjetiva honesta, não uma métrica científica. Não existem benchmarks públicos para ranquear composição simbólica texto-para-partitura. As tabelas mais conhecidas do setor, como a AA-Music-Instrumental e AA-Music-Vocal v1.1 da Artificial Analysis, medem geradores de áudio direto por meio de votação cega com avaliadores humanos. Esse método não serve para avaliar um assistente de chat escrevendo partituras para um sintetizador.

A propensão do modelo ao pastiche. Quando solicitado a atingir o nível de qualidade de Monkey Island, o Claude foi direto para o estilo: piratas, clima portuário, calypso e navios-fantasma. Trata-se de um projeto experimental com melodias inéditas, sem indícios de plágio das músicas originais. Contudo, essa facilidade para mimetizar estilos é um tema delicado para o mercado musical, que vem lidando com clones em escala industrial. A Sony Music revelou ter solicitado a remoção de mais de 260.000 faixas de IA que imitavam seus artistas das plataformas de streaming até o fim de setembro — quase o dobro das 135.000 registradas no fim de março, segundo dados do Financial Times repercutidos pelo IT Home. Emular o gênero de uma trilha clássica é muito diferente de falsificar a voz de um cantor famoso, mas a faísca inicial é a mesma: o prompt que pede "faça soar como X".

O sintetizador impõe limites técnicos evidentes. Um synth simples de navegador com 65 presets lembra com charme uma placa de som de 1990, mas passa longe de uma orquestração ou produção musical acabada. Comparar essa saída com o áudio hiper-realista de ferramentas como Suno é um erro de categoria. O trunfo aqui é outro: a partitura é leve, legível e pode ser editada à mão por qualquer um.

Como tirar essa dúvida a limpo

A experiência proposta por Willison é simples de replicar: pegar o mesmo prompt do Scrimshaw e submetê-lo, sem alterações, a diferentes gerações de LLMs. O próprio editor de texto pode contar quantos compassos quebraram a sintaxe em cada caso. Em seguida, as faixas válidas poderiam ser avaliadas às cegas por ouvintes em testes de comparação direta, no molde do que a Artificial Analysis faz com geração de áudio. Se modelos antigos entregarem partituras sintaticamente corretas porém vazias de musicalidade, e os mais novos exibirem senso de forma e coerência harmônica, a tese de Willison sobre uma capacidade emergente ganha força. Se o desempenho for parecido, o verdadeiro mérito estava no design do formato e na ferramenta, não em um salto súbito de musicalidade da IA.

Por ora, o Jukebox funciona como uma prova de conceito elegante: compor música encarando o processo como pura programação. Você entra com texto, sai com som tocável e resolve os erros linha por linha.

Fontes consultadas