Tradurre la popular music. Il caso di studio Ministri per il mercato estero

La presente tesi si concentra sulla traduzione musicale, focalizzandosi in particolare sulla traduzione di canzoni popular. L’obiettivo è creare dei testi di arrivo cantabili in lingua inglese a partire da originali del gruppo musicale italiano Ministri, così da rendere esportabile il loro prodotto oltre i confini del mercato discografico nazionale. La struttura della tesi è composta da quattro capitoli e due appendici. Nel primo capitolo si individua la cornice all’interno del quale si muove il caso di studio selezionato e si inserisce l’attività di traduzione. Si analizzano nello specifico alcune caratteristiche essenziali della popular music, i suoi testi, gli attori e gli intermediari coinvolti. Nel secondo capitolo si analizza il caso di studio, passando in rassegna rapidamente la biografia, l’estetica e la modalità di comunicazione del gruppo, per poi approfondirne in maniera particolare una parte della produzione, con speciale enfasi sui testi verbali che vanno a costituire il materiale oggetto di traduzione. Nel terzo capitolo si individua nella teoria dello scopo la base teorica per la metodologia specifica della traduzione di canzoni. Quest’ultima rientra nella traduzione musicale, appartenente alle categorie di traduzione vincolata e multimediale. Nel quarto capitolo viene esposto l’obiettivo della traduzione e la metodologia specifica utilizzata per portarlo a termine, passando poi a un esteso commento delle problematiche traduttive individuate e delle strategie utilizzate per risolverle, apportando alcuni esempi per ogni caso. Infine, nella prima appendice vengono riportati integralmente i testi originali con le relative proposte di traduzione, mentre la seconda contiene un piccolo contributo di Federico Dragogna, chitarrista e principale autore dei Ministri, sotto forma di breve intervista.

Latent representations for traditional music analysis and generation

We create and study a generative model for Irish traditional music based on Variational Autoencoders and analyze the learned latent space trying to find musically significant correlations in the latent codes' distributions in order to perform musical analysis on data. We train two kinds of models: one trained on a dataset of Irish folk melodies, one trained on bars extrapolated from the melodies dataset, each one in five variations of increasing size. We conduct the following experiments: we inspect the latent space of tunes and bars in relation to key, time signature, and estimated harmonic function of bars; we search for links between tunes in a particular style (i.e. "reels'") and their positioning in latent space relative to other tunes; we compute distances between embedded bars in a tune to gain insight into the model's understanding of the similarity between bars. Finally, we show and evaluate generative examples. We find that the learned latent space does not explicitly encode musical information and is thus unusable for musical analysis of data, while generative results are generally good and not strictly dependent on the musical coherence of the model's internal representation.