L'IA risque-t-elle de rendre la musique plus uniforme ?
Une nouvelle étude consacrée à Suno et Lyria 3 identifie des formes de « lissage algorithmique » dans la musique générée par IA. Un phénomène qui pose une question moins spectaculaire, mais peut-être plus importante : que devient la diversité musicale lorsque les mêmes modèles produisent une partie croissante des morceaux ?
Le débat autour de l'IA musicale s'est longtemps concentré sur le droit d'auteur, les emplois menacés ou la possibilité de générer un morceau en quelques secondes. Un nouveau sujet commence pourtant à émerger : la musique produite par ces outils tend-elle à se ressembler ?
Une étude publiée cette semaine par des chercheurs de l'université de Stanford et de l'Université de Californie à Berkeley s'est penchée sur la question. Intitulée The Algorithmic Flattening of Sound, elle compare des morceaux générés par Suno et Lyria 3, deux modèles commerciaux de génération musicale, à des morceaux produits par des humains. Les chercheurs ont analysé plusieurs centaines de morceaux à travers quatre genres et 72 caractéristiques musicales, allant du rythme au timbre en passant par la dynamique.
Le résultat est nuancé, mais suffisamment intéressant pour attirer l'attention. Les deux modèles présentent des formes différentes d'homogénéisation. Lyria 3 tend notamment à réduire la diversité à l'intérieur d'un même genre, tandis que Suno rapproche davantage les caractéristiques musicales de genres pourtant différents. Autrement dit, les modèles ne produisent pas tous exactement la même musique, mais chacun semble avoir ses propres habitudes sonores.
Le phénomène est particulièrement intéressant pour les musiques électroniques. Une grande partie de leur histoire repose justement sur la circulation des idées : un son produit à Detroit peut être repris à Berlin, transformé à Londres puis réinterprété à Paris. Les genres se construisent par hybridation, détournement et répétition. L'utilisation de modèles entraînés sur d'immenses catalogues pourrait donc accélérer cette circulation — mais aussi la simplifier.
Le problème ne vient pas nécessairement du fait qu'un producteur utilise l'IA. Un artiste peut parfaitement s'en servir comme d'un outil parmi d'autres : générer une texture, chercher une idée mélodique, transformer une voix ou travailler rapidement sur une maquette. Le risque apparaît plutôt lorsque les mêmes modèles, avec les mêmes données et les mêmes logiques de génération, deviennent une étape standardisée de la production.
Cette question devient d'autant plus concrète que la quantité de musique générée automatiquement explose. En mai, la société de streaming Deezer indiquait détecter plus de 75 000 morceaux entièrement générés par IA chaque jour, soit environ 44 % des nouveaux morceaux envoyés quotidiennement sur sa plateforme. La grande majorité ne rencontre cependant pratiquement aucun public.
Une autre étude publiée en juin s'est justement intéressée à cette production massive de musique générée par IA. Les chercheurs ont constaté que 93 % des morceaux identifiés comme générés par IA recevaient très peu, voire aucune écoute, tout en montrant qu'il restait relativement facile de mettre en ligne de grandes quantités de morceaux générés automatiquement via différents distributeurs.
C'est peut-être là que se situe le véritable changement. Le problème n'est pas uniquement qu'une IA puisse fabriquer un morceau moyen en quelques secondes. C'est qu'elle permet désormais d'en fabriquer des milliers, de les distribuer et d'attendre que quelques-uns trouvent leur public. La musique devient alors moins un objet créé puis défendu qu'un flux de contenus testés à grande échelle.
L'autre aspect du phénomène est moins problématique : ces outils rendent certaines étapes de la création musicale accessibles à des personnes qui ne maîtrisent pas les logiciels de production traditionnels. Ils peuvent servir à tester rapidement une idée, générer une première maquette ou expérimenter avec une structure avant de retravailler le résultat. Des recherches récentes explorent d'ailleurs ces usages comme des formes de co-création entre l'humain et l'IA, plutôt que comme une simple génération automatique de morceaux.
Mais cette accessibilité a son revers. Lorsque les mêmes modèles deviennent l'intermédiaire entre l'idée d'un utilisateur et le résultat sonore, ils peuvent aussi introduire leurs propres habitudes musicales. L'étude publiée ce mois-ci sur Suno et Lyria 3 montre justement des formes mesurables d'homogénéisation dans les morceaux générés par ces deux systèmes, avec des mécanismes différents selon le modèle.
