Poate AI compune un cântec pop de 3 minute cu melodie și versuri originale în mai puțin de 60 de secunde ?

Ar putea o inteligență artificială să compună o piesă pop completă în doar 60 de secunde? Dincolo de simpla noutate, o asemenea viteză ar putea redefini modul în care muzica este creată și consumată, punând la încercare echilibrul dintre creativitatea umană și muncă de producție.

Background

Industria muzicală recompensează din ce în ce mai mult creatorii care pot produce rapid conținut pentru platformele de streaming, unde volumul contează adesea mai mult decât profunzimea. Instrumentele existente de generare muzicală bazate pe AI — precum cele care folosesc modele de difuzie sau modele mari de limbaj — își îmbunătățesc capacitatea de a produce versuri, melodii și chiar progresii de acorduri, dar încă necesită o rafinare semnificativă din partea umană pentru a atinge standardele profesionale. De exemplu, platforme precum AIVA și Amper Music accelerează procesul de compoziție, dar depind de aportul utilizatorului pentru finisarea finală. Studiile evidențiază faptul că, deși AI poate imita stiluri sau structuri, autenticitatea emoțională și potrivirea pe piață încă depind de curatorierea umană (de exemplu, piesele generate de AI necesită adesea ajustări pentru puterea refrenului sau nuanțele versurilor). Fluxul de lucru al industriei rămâne în mare măsură manual, producătorii, textierii și inginerii dedicând ore sau zile pentru a rafina o singură piesă.

În 2023, mai multe sisteme AI au demonstrat capacitatea de a genera compoziții muzicale scurte cu melodii și versuri originale în câteva secunde, inclusiv modele ajustate pe seturi de date de cântece pop. Evaluările realizate de cercetătorii în tehnologia muzicii au arătat că modelele de difuzie și secvență-la-secvență de ultimă generație pot produce structuri de strofă-refren-bridge și versuri care rimă în mai puțin de un minut atunci când sunt solicitate explicit. Au apărut și prototipuri industriale care integrează sinteza vocală, permițând AI-ului să realizeze o piesă pop de 3 minute în aproximativ 60 de secunde pornind de la comenzi textuale. Lucrările anterioare, datând din anii 1990, foloseau sisteme bazate pe reguli pentru a compune melodii simple, dar sistemele contemporane se bazează pe rețele neuronale la scară largă antrenate pe date de cântece cu drepturi de autor clarificate. Măsurătorile de referință indică faptul că AI-ul modern poate renderiza, mixa și exporta o piesă vocală de 60 de secunde cu o voce principală sintetizată mai rapid decât compozitorii umani pot finaliza un demo aproximativ. Deși testele subiective de ascultare încă favorizează textierii profesioniști în ceea ce privește profunzimea emoțională, măsurătorile obiective ale latenței confirmă că AI-ul atinge pragul de sub un minut în condiții controlate de studio.