Lyra Aprende Piano con IA
Inspiration
Aprender un instrumento es uno de los privilegios más silenciosos que existen. Una clase particular de piano cuesta, en promedio, lo mismo que una semana de comida para muchas familias. Y eso, asumiendo que en tu ciudad haya un profesor disponible algo que no es cierto para buena parte del país.
Nos pusimos a pensar en la cantidad de personas que algún día se sentaron frente a un teclado con ganas reales de aprender, y que terminaron abandonando no por falta de talento, sino por falta de alguien que las guiara. Niños en comunidades sin escuelas de música. Adultos que nunca tuvieron la oportunidad de niños y sienten que ya es tarde. Personas que aprenden a un ritmo distinto y que una clase grupal tradicional simplemente no acomoda.
Lyra nace de esa frustración. Si la barrera de entrada a la música siempre ha sido el acceso a un buen maestro, entonces construyamos uno que no dependa del código postal ni del presupuesto. Uno que esté disponible a las 11 de la noche después del trabajo, que tenga paciencia infinita, y que realmente entienda cómo aprende esta persona en particular no "el estudiante promedio".
La música hace algo por las personas que pocas cosas hacen: concentra, relaja, sana. Queremos que más gente tenga acceso a eso.
What it does
Lyra es una plataforma web que convierte cualquier teclado MIDI en una sesión de clase personalizada.
Conectas tu teclado, eliges tus objetivos, y empiezas a practicar. Mientras tocas, Lyra escucha cada nota: qué tan precisa es, si llegaste a tiempo, si mantuviste el ritmo, si tu velocidad fue consistente. No se trata de juzgarte se trata de entenderte. A partir de esos datos, Lyra construye un retrato de cómo tocas tú: en qué eres fuerte, dónde tropiezas, qué tipo de ejercicio te reta sin frustrarte.
Con ese retrato, la plataforma te propone el siguiente ejercicio. No el siguiente en una lista genérica, sino el que tiene más probabilidad de moverte hacia adelante en este momento específico de tu aprendizaje. Si un ejercicio te resulta demasiado fácil, Lyra lo nota y sube la dificultad. Si te está costando, se adapta. Y si tu progreso va bien, te ofrece estrategias concretas para pulir detalles antes de seguir avanzando.
Todo esto pasa sin que tengas que escribirle a un chatbot ni interpretar reportes. La retroalimentación llega en el lenguaje de la música: en los ejercicios que te propone y en la forma en la que te guía mientras tocas.
How we built it
Lyra tiene tres piezas que trabajan juntas, cada una con un rol muy específico.
La interfaz web es donde pasa la magia visible. Se conecta directamente a tu teclado usando Web MIDI, renderiza la música de forma intuitiva, y mide en tiempo real cómo vas tocando. Gran parte del análisis ocurre aquí mismo, en tu navegador, para que la experiencia se sienta instantánea porque en música, incluso medio segundo de retraso rompe el hechizo. El backend es la memoria de Lyra. Guarda tu historial, tus métricas, los ejercicios que has completado, y todo lo que permite que la plataforma te conozca cada vez mejor con el paso del tiempo.
El cerebro de IA es donde combinamos dos enfoques que se complementan. Una red neuronal aprende de tu desempeño específico tiene un "stado único por usuario, lo que significa que lo que aprende de ti no se mezcla con lo que aprende de los demás. Es, literalmente, tu modelo. Esta red se encarga de la decisión técnica: dado cómo has tocado últimamente, ¿qué ejercicio del catálogo va a mejorar más tus métricas?
Pero un buen maestro no solo escoge ejercicios también explica, adapta y a veces inventa material nuevo. Para eso usamos un modelo de lenguaje como segunda capa. No conversa contigo directamente (eso rompería el flujo de práctica), pero sí puede revisar el reporte de tu estado y decidir si el ejercicio recomendado es realmente el mejor, si conviene generar uno completamente nuevo diseñado para tus métricas específicas, o si vas bien y lo que necesitas son estrategias para pulir lo que ya estás haciendo. Lo elegante de esta combinación es que se autocorrige: si el modelo de lenguaje genera un ejercicio que no resulta útil, la red neuronal simplemente deja de recomendarlo porque no produce mejora medible. El sistema aprende de sus propios errores sin intervención humana.
Challenges we ran into
El mayor reto fue la latencia. En música, el tiempo lo es todo. Tuvimos que repensar varias veces dónde medir las métricas, dónde transmitirlas y dónde procesarlas, hasta que encontramos un balance donde todo se siente instantáneo sin perder precisión.
Otro desafío fue definir qué significa tocar bien. Acertar las notas es solo el principio. ¿Cómo capturas el ritmo? ¿La consistencia? ¿La intención detrás de un silencio? Tuvimos que construir un conjunto de métricas por ejercicio que respetara esa complejidad sin volverse inmanejable.
El tercer reto y el más filosófico fue el balance de dificultad. Un sistema que siempre pone ejercicios fáciles aburre. Uno que siempre pone difíciles destruye la motivación. Encontrar esa zona de "reto justo" para cada persona nos llevó por varios caminos antes de dar con la arquitectura actual.
Y, honestamente, también fue un reto mantener viva la perspectiva humana del proyecto. Es fácil perderse en la optimización y olvidar que al otro lado de la pantalla hay alguien intentando aprender algo que le importa. Volvimos varias veces a esa pregunta: ¿esto realmente ayudaría a la persona para quien construimos Lyra?
Accomplishments that we're proud of
Construimos un sistema que no solo funciona, sino que se siente personal. Dos usuarios con el mismo nivel técnico pueden recibir recomendaciones completamente distintas, porque Lyra no los está tratando como una categoría sino como individuos.
Logramos integrar dos enfoques de IA muy distintos sin que ninguno opacara al otro. Cada uno hace lo que mejor sabe hacer, y el resultado es más útil que cualquiera de los dos por separado.
Y quizás lo más importante: conseguimos que la experiencia de usar Lyra se sienta como practicar, no como interactuar con un sistema. Te sientas, tocas, recibes retroalimentación, sigues tocando. Esa fluidez era el objetivo desde el principio, y llegar ahí nos costó, pero valió la pena.
What we learned
Aprendimos que democratizar el acceso a algo no es simplemente ponerlo en línea. Una herramienta gratis que no se adapta al usuario no sirve de mucho la personalización es parte del acceso. Un maestro humano sabe leer a su estudiante; si queríamos reemplazar parte de esa experiencia, teníamos que construir esa misma sensibilidad en software.
También aprendimos que combinar distintos tipos de IA es más poderoso que apostarle todo a uno solo. Los modelos de lenguaje son brillantes explicando y adaptando, pero las redes neuronales entrenadas con datos específicos del usuario son mucho mejores para decisiones técnicas repetitivas. Ponerlos a trabajar juntos, cada uno en su terreno, multiplicó lo que podíamos hacer.
Y aprendimos algo menos técnico pero igual de importante: que enseñar no es solo transmitir información. Es motivar, adaptarse, saber cuándo empujar y cuándo esperar. Queda mucho por hacer para que Lyra capture eso por completo, pero el hecho de haberlo planteado como objetivo desde el día uno cambió cada decisión que tomamos.
What's next for Lyra
Queremos expandir lo que Lyra puede escuchar. Actualmente nos enfocamos en precisión, ritmo y velocidad, pero la música tiene matices dinámica, expresión, uso del pedal, articulación que también merecen ser entendidos y enseñados.
Queremos llevarla a más gente. Eso significa traducirla, hacerla accesible desde conexiones lentas, y colaborar con escuelas y organizaciones comunitarias que ya estén trabajando en acercar la música a poblaciones desatendidas. La tecnología puede bajar la barrera, pero las personas en terreno la derriban.
Queremos explorar la práctica acompañada. Aprender música puede ser solitario, y uno de los grandes placeres de tocar es tocar con alguien. Imaginamos un futuro donde dos usuarios de Lyra, a kilómetros de distancia, puedan practicar un dueto guiado.
Y queremos, simplemente, seguir escuchando a las personas que usan Lyra. Porque al final ellas son las que nos van a decir si estamos construyendo algo que realmente ayuda, o si solamente estamos construyendo algo que suena bien en una presentación.
Log in or sign up for Devpost to join the conversation.