Le Machine Learning est de plus en plus utilisé dans l’industrie musicale, et pourrait prochainement bouleverser la façon dont nous créons ou écoutons de la musique. Découvrez comment.
En laissant les machines apprendre par elles-mêmes, le Machine Learning permet aux ordinateurs d’effectuer des tâches complexes en surpassant parfois l’humain. Cette technologie révolutionnaire est en passe de bouleverser de nombreux secteurs, de la santé à la cybersécurité en passant par la grande distribution.
L’apprentissage automatique s’invite dans tous les domaines, et l’industrie de la musique ne fait pas exception. Découvrez comment le Machine Learning transforme progressivement la façon dont la musique est créée…
Comment le Machine Learning améliore les outils logiciels pour les musiciens ?
Les éditeurs de logiciels destinés aux musiciens et aux professionnels de l’audio investissent massivement dans le Machine Learning afin d’étoffer leurs outils. En guise d’exemple, on peut citer iZotope qui a utilisé cette technologie pour permettre à son logiciel Neutron d’identifier les instruments dans n’importe quelle piste sonore. En se basant sur cette catégorisation, le logiciel est en mesure de recommander des paramètres optimaux pour préparer la piste pour le mix.
De même, la fonctionnalité Music Rebalance de RX 7 permet de » démixer » une piste. Ceci permet de traiter les pistes qui composent le mix séparément. Le Machine Learning et le Deep Learning permettent donc non seulement d’analyser le contenu audio, mais aussi de le traiter. À l’avenir, iZotope envisage d’utiliser ces technologies pour synthétiser le contenu automatiquement.
Machine Learning dans l’industrie musicale : quels sont les avantages et les inconvénients ?
Pour l’industrie de la musique, le Machine Learning présente des avantages et des inconvénients. Cette technologie a permis de résoudre des problèmes de longue date. Elle permet par exemple de supprimer facilement les bruits de microphone des enregistrements, chose qu’il était très difficile de réussir auparavant.
Cependant, il reste difficile d’exploiter ces techniques. Le principal obstacle lié au développement d’une solution de Machine Learning ou de Deep Learning est qu’il est nécessaire de disposer de données pour entraîner les algorithmes. Or, les entreprises de l’industrie musicale qui débutent dans ce domaine n’ont pas forcément accès à de telles informations.
Même si l’entraînement des réseaux de neurones devient plus facile, ces derniers peuvent être très difficiles à débogger et requièrent parfois l’intervention de Data Scientists hautement qualifiés. Ils exigent également une puissance de calcul importante, et il est donc très difficile de les faire fonctionner pour des applications en temps réel comme les synthétiseurs ou les plugins audio.
Le Machine Learning peut-il nuire à la créativité humaine ?
À l’heure où l’intelligence artificielle est en mesure de composer de la musique automatiquement, on peut se demander si la créativité humaine ne s’en trouve pas menacée. Cependant, si Google Magenta s’emploie à créer de l’art grâce au Machine Learning, d’autres préfèrent se contenter d’utiliser cet outil pour assister les artistes humains.
Par exemple, certaines entreprises développent des applications permettant de générer automatiquement des accompagnements pour le musicien. Ainsi, plutôt que de remplacer la créativité humaine, le Machine Learning pourrait permettre de l’amplifier.
Les machines vont-elles finir par composer et mixer la musique à notre place ?
Si l’intelligence artificielle est réellement capable de composer de la musique qui ravira nos sens et nous fera danser, les compositeurs humains ne sont plus vraiment nécessaires. Chacun pourra certes continuer à jouer de la musique dans son coin pour le plaisir, mais il est possible que les compositeurs les plus célèbres de l’industrie musicale soient progressivement remplacés par des machines.
Déjà aujourd’hui, l’intelligence artificielle vient en aide aux musiciens humains. Par exemple, le Deep Learning peut aider un chanteur / compositeur à utiliser un DAW sans disposer de connaissance techniques pour le paramétrer. De même, l’IA peut apprendre à connaître les effets appréciés par l’utilisateur et les informations dont il souhaite disposer et ainsi lui permettre de se focaliser sur la musique.
Quelques exemples d’applications mariant musique et Machine Learning
Le Machine Learning s’est déjà frayé une place dans l’industrie de la musique. Tout d’abord, les services de streaming comme Spotify ou Apple Music utilisent des algorithmes pour proposer des recommandations à leurs utilisateurs et leur permettre de découvrir de nouveaux artistes.
Ainsi, l’intelligence artificielle a déjà commencé à remplacer les curateurs humains ou les DJ qui concoctaient jusqu’à présent les playlists. Selon les prédictions du milliardaire Vinod Khosla, co-fondateur de Sun Microsystems, d’ici dix ans, l’IA pourrait même composer de la musique en temps réel en fonction de votre humeur…
Les machines ont d’ailleurs déjà commencé à produire leur propre musique. Dès les années 1980, David Cope a commencé à explorer la piste de la composition algorithmique avec la création de son programme EMI. Encore avant, depuis 1958, l’IA est utilisée pour composer dans le style de Bach.
En 1993, Cope a créé l’album Bach by Design en utilisant EMI. En 2018, Databots a laissé un réseau de neurones créer un album de heavy metal. La même année, en décembre, le groupe Skygge dirigé par Benoît Carré et François Patchet a collaboré avec l’IA pour créer l’album » Hello World « .
En se basant sur un ensemble de données, l’intelligence artificielle a permis de créer des tubes pop en générant de nouvelles mélodies, instrumentales et autres éléments musicaux. Il s’agit d’une première mondiale, mais il est probable que la composition assistée par le Machine Learning prenne de l’ampleur au fil des années à venir…
En 2018, Google Magenta a également développé le logiciel open-source NSynth Super. Il s’agit d’un synthétiseur reposant sur l’algorithme NSynth, conçu pour créer des sons totalement inédits en apprenant les caractéristiques acoustiques de sons existants. De son côté, le programme MuseNet d’OpenAI permet de créer de la musique en un clic.
De même, le service Amper Music utilise le Deep Learning pour permettre de composer automatiquement des musiques pour différents contenus tels que des publicités ou des vidéos YouTube. L’utilisateur peut choisir un style ou une humeur, et l’IA se charge du reste. En utilisant cet outil, Taryn Southern a composé une chanson complète qui cumule aujourd’hui plus de 2 millions de vues sur YouTube.
Les producteurs et les DJ peuvent aussi compter sur Audionamix Xtrax Stems 2, un outil basé sur le Cloud et le Machine Learning permettant de déconstruire une piste stéréo mixée en un trio de sous-pistes : vocal, percussions et musiques. Ces éléments peuvent ensuite être utilisés pour des remix live ou des mashups.
Vous l’aurez compris, le Machine Learning occupe une place de plus en plus importante dans l’industrie musicale. Que ce soit pour assister les musiciens ou même pour composer à leur place, l’IA est un outil particulièrement pertinent pour ce secteur. Cependant, il est important de trouver l’équilibre entre progrès technique et créativité humaine. Dans le cas contraire, la musique risque de perdre son essence et sa raison d’être originelle…
- Partager l'article :