Voiko tekoäly säveltää 3-minuuttisen pop-kappaleen alkuperäisellä melodialla ja sanoituksilla alle 60 sekunnissa ?

Voiko tekoäly säveltää valmiin popkappaleen vain 60 sekunnissa? Nopeuden lisäksi tällainen nopeus voisi mullistaa musiikin luomisen ja kuluttamisen tapoja haastaen perinteisen tasapainon ihmisen luovuuden ja tuotannon työn välillä.

Background

Musiikkiteollisuus palkitsee yhä enemmän luojia, jotka kykenevät tuottamaan sisältöä nopeasti suoratoistopalveluille, joilla määrällä on usein enemmän painoarvoa kuin syvyydellä. Nykyiset musiikin generointiin tarkoitetut tekoälytyökalut – kuten diffuusiomallit tai suuret kielimallit käyttävät – kehittyvät tuottamaan sanoituksia, melodioita ja jopa sointukulkuja, mutta ne vaativat silti merkittävää inhimillistä hienosäätöä ammattitason saavuttamiseksi. Esimerkiksi alustat kuten AIVA ja Amper Music nopeuttavat sävellystyötä, mutta luottavat käyttäjän syötteeseen lopullisen viimeistelyssä. Tutkimukset korostavat, että vaikka tekoäly voi matkia tyylejä tai rakenteita, emotionaalinen aitous ja markkinasoveltuvuus ovat edelleen riippuvaisia inhimillisestä kuratoinnista (esim. tekoälyllä tuotetut kappaleet vaativat usein muutoksia koukkujen vahvuuden tai sanoitusten vivahteiden vuoksi). Teollisuuden työnkulku pysyy pääosin manuaalisena, ja tuottajat, lauluntekijät sekä äänittäjät käyttävät tunteja – tai päiviä – yhden kappaleen viimeistelyyn.

Vuonna 2023 useat tekoälyjärjestelmät osoittivat kykenevänsä tuottamaan lyhyitä musiikillisia sävellyksiä alkuperäisillä melodioilla ja sanoituksilla sekunneissa, mukaan lukien mallit, jotka oli hienosäädetty pop-kappaleiden aineistoilla. Musiikkiteknologian tutkijoiden arvioinnit osoittivat, että huipputason diffuusio- ja sekvenssi-sekvenssi-mallit voivat tuottaa säkeistö-kertosäe-siltarakenteita ja riimittäviä sanoituksia alle minuutissa, kun niitä ohjataan eksplisiittisesti. Teollisuuden prototyypit ovat myös ilmestyneet, jotka integroivat äänisynteesin, jolloin tekoäly voi tuottaa valmiin 3-minuuttisen pop-kappaleen noin 60 sekunnissa tekstipohjaisista syötteistä. Aiempi työ 1990-luvulta asti käytti sääntöpohjaisia järjestelmiä säveltämään yksinkertaisia melodioita, mutta nykyiset järjestelmät perustuvat laajamittaisille neuroverkkoihin, jotka on koulutettu tekijänoikeudeltaan puhtaalla aineistolla. Vertailumittaukset osoittavat, että nykyaikainen tekoäly voi renderöidä, miksata ja viedä 60-sekuntisen lauluraidan synteettisellä päääänellä nopeammin kuin inhimilliset säveltäjät ehtivät saada aikaan karkean demonsa. Vaikka subjektiiviset kuuntelutestit suosivat edelleen ammattilaissäveltäjiä emotionaalisen syvyyden osalta, objektiiviset viiveen mittaukset vahvistavat, että tekoäly saavuttaa alle minuutin kynnyksen kontrolloiduissa studio-olosuhteissa.

— Enriched 15. toukokuuta 2026 · Lähde: IEEE Signal Processing Magazine, 2023