Montrer le sommaire Cacher le sommaire
Une étude de l’université de Pennsylvanie publiée début août livre les premiers indices quant à l’impact de l’intelligence artificielle générative sur la création musicale. En analysant des centaines de morceaux produits par des humains et par deux systèmes — Suno et Lyria 3 — les autrices identifient des tendances qui pourraient accentuer des déséquilibres culturels et économiques déjà existants.
Comment l’étude a été conduite
Bell & Ross dévoile une montre verte inattendue à 5 300 €
Déstabilisé par The Economist, Elon Musk peine à répondre aux questions
Les chercheuses ont travaillé sur quatre genres choisis pour leur diversité : hard rock, dance pop, afrobeat et k‑pop. Elles ont constitué un corpus de 100 titres créés par des humains pour chaque genre, soit 400 pièces au total.
Deux dispositifs expérimentaux ont ensuite été appliqués aux plateformes de génération : l’un reposait sur l’extraction de 72 caractéristiques acoustiques (rythme, timbre, texture, etc.) converties en prompt textuel ; l’autre utilisait des instructions volontairement très simples. Pour chaque genre et pour chaque système, 100 morceaux ont été générés afin de comparer les productions automatiques entre elles et face aux œuvres humaines.
Des algorithmes qui façonnent la musique
Les résultats montrent d’abord une différence nette entre les deux outils testés. D’un côté, Suno tend à estomper les frontières stylistiques ; de l’autre, Lyria 3 conserve davantage de spécificités de genre. Ce constat est d’autant plus frappant qu’il tient malgré l’usage des mêmes prompts.
Autre observation : les deux approches expérimentales révèlent que ni l’un ni l’autre système ne se conforme parfaitement aux consignes fournies par les utilisateurs. Les schémas repérés semblent donc davantage refléter les biais et les priorités incorporés lors de l’entraînement des modèles que la volonté créative des prompts.
Les autrices tirent deux implications concrètes : un risque d’uniformisation des styles musicaux — au profit des sons déjà économiquement viables — et, en pratique, une capacité presque constante à distinguer une production d’origine humaine d’une production d’origine algorithmique.
Conséquences culturelles et économiques
Les scientifiques mettent en garde contre un effet d’entraînement sur les attentes des auditeurs : si les plateformes valorisent la « lisibilité » d’un genre, l’hybridation, qui enrichit souvent un son, risque d’être marginalisée.
Un autre point crucial souligné par l’étude concerne la composition des données d’entraînement : environ 94% des corpus utilisés par ces modèles correspondent à des musiques qualifiées d’« occidentales ». Les styles sous‑représentés peuvent donc être mal restitués, ou être repris et diffusés globalement sans que les communautés sources ne bénéficient proportionnellement de la valeur générée.
Les auteures notent par ailleurs un mécanisme psychologique connu en psychologie sociale : plus un son est entendu, plus il a de chances d’être apprécié. En favorisant certaines textures ou motifs faciles à repérer par les algorithmes, l’IAG pourrait renforcer leur prévalence et affaiblir les dimensions subtiles du musique — comme le groove — difficilement captées par les modèles.
Des questions en suspens
Au‑delà des enjeux culturels, l’étude évoque des retombées économiques : réduction possible de certaines tâches professionnelles dans la chaîne musicale et perte d’expertises locales. Elle ne conclut pas que la musique humaine gagnera automatiquement en valeur face à l’IA, rappelant que les logiques commerciales tendent souvent à privilégier des solutions peu coûteuses et fonctionnelles.
Les travaux restent préliminaires, mais posent des questions pressantes sur la gouvernance des données, la répartition de la valeur et la préservation de la diversité musicale à l’ère de systèmes de création automatisée.
