Alors, ce soir, je suis repartie dans une phase de code obsessionnelle, et cette fois, je plonge dans le monde fascinant des jeux de données monstrueux liés à la musique générée par IA.
Je me prépare à m’amuser avec le corpus massif de Suno : près de 700 000 pistes de pure bonté bruitée générée par IA.
Maintenant, bosser avec un jeu de données aussi énorme apporte son lot de défis sur la qualité. Les pistes sont bruitées, et c’est une vraie plaie à analyser.
Mais ce n’est pas impossible.
En m’inspirant de la méthode d’entraînement d’Udio, la première étape consiste à nettoyer les données avant de les segmenter.
RipXDAW s’occupera de la base.
Une fois que les pistes seront débruitées, on pourra extraire des graphiques sonores pour l’analyse ultérieure. Et si les étoiles s’alignent, on n’aura peut-être même pas besoin de faire la segmentation. Je ne suis pas encore sûre à 100 % de comment ça marche.
Mais admettons qu’on doive quand même segmenter les pistes, les organiser dans de jolis petits dossiers et les analyser procéduralement sous forme de notation.
Ce sera une notation bizarre (ça l’est toujours) – on nettoiera ça plus tard.
Pour l’instant, on s’intéresse surtout au gradient et à la tendance générale, pas au bruit statique diffus.
C’est là que ça devient drôle :
Je vais comparer nos partitions générées par IA à des jeux de données massifs de musique créée par des humains. Trois jeux. Un témoin et une référence chronologique pour qu’on comprenne la vue d’ensemble sur le dernier siècle environ.
Ensuite, on élimine les progressions génériques qui fausseraient le résultat, on décompose tout en petits morceaux, on lance la comparaison et on identifie les caractéristiques uniques de la musique générée par IA ainsi que les points communs entre plusieurs morceaux de musique composée traditionnellement, sans lien entre eux, et ce à grande échelle.
L’étape suivante est une comparaison avec les jeux de données humains pour éliminer les biais.
Il y a tellement de questions brûlantes à explorer :
Quels motifs apparaissent dans la musique IA qui ne figurent pas dans la musique « réelle » ?
À quel point les pistes Suno 2 et Suno 3 sont-elles uniques ?
Quelles caractéristiques sont communes et lesquelles sont rares à travers ces ensembles ?
Et surtout... est-ce que mes chansons sont les pistes IA les plus bizarres ?
Laisser les données mener
Ensuite, on devient sérieux et on cherche des éléments qui seront soit vindicatifs, soit accablants pour la catégorie.
Le problème potentiel du surapprentissage dans la musique IA et comment il se compare à la musique humaine. L’étendue et la similitude du surapprentissage, s’il existe. Mais, pour être équitable, on lancera le même type d’analyse sur les deux autres jeux de données, dans l’intérêt d’une analyse impartiale et sans biais.
Je pense que la seule façon éthique de gérer une discussion sur l’éthique de l’IA, c’est d’évaluer d’abord les données et de voir où elles nous mènent. Pour l’instant, on peut argumenter jusqu’à en avoir le visage bleu pour ou contre l’un ou l’autre camp, mais au bout du compte, il y a énormément d’inconnues.
On ne devrait pas avoir de discussions émotionnelles là-dessus.
Il nous faut de la science des données pure et dure.
Et c’est à partir de là qu’on décidera ce qu’on croit.