O meio musical vem passando por algumas importantes mudanças de paradigmas, principalmente por conta de sua aliança à tecnologia. Os processos de gravação, mixagem e masterização, por exemplo, vêm se tornando mais refinados tecnologicamente e já quase não se fala em escrever uma partitura à mão. Juntamente aos novos processos do fazer musical, nascem também novas maneiras de divulgação e disponibilização de músicas, como os tão conhecidos serviços de streaming. Todo este movimento da atividade musical em direção à tecnologia traz novas necessidades para todos aqueles envolvidos neste processo. A praticidade em que chegamos hoje em dia para disponibilizar canções digitalmente, por exemplo, fez com que, a cada dia, tenhamos cada vez mais dados em formato de áudio disponíveis ao público. O presente trabalho propõe modelagens acústicas para o reconhecimento automático de acordes a partir dos seus áudios, através de técnicas de Recuperação de Informação Musical (MIR). As variáveis utilizadas foram as chamadas chroma features, que, a partir da transformada de Fourier, são capazes de medir a presença de cada classe de nota musical em um dado sinal de áudio. Foram desenvolvidos quatro classificadores: Multinomial Naive Bayes, SVC, SVC Linear e Random Forest. Suas métricas e performances foram comparadas com as de um modelo simples como referência, totalmente baseado em distância de vetores. Todos os modelos aqui propostos, em relação ao benchmark escolhido, tiveram substanciais ganhos de desempenho nas métricas calculadas: precision, recall e coeficiente de correlação de Matthews, bem como em outras análises mais complexas em que propusemos novas formas de avaliarmos a dispersão dos erros e como estes são interpretados.