Menschliches Gehör hat Schwierigkeiten, KI-generierte Musik zu erkennen

Obwohl KI-Modelle Musik anders erzeugen als der Mensch, fällt es Menschen schwer, per Gehör zu ermitteln, welchen Ursprung die Musik hat. Das hat ein Journalist der MIT Technology Review mithilfe eines Tests belegt.

Auf Plattformen wie Udio oder Suno können User mit ein paar Klicks Musik produzieren. Die Programme nutzen Künstliche Intelligenz, die durch von Menschen geschaffene Musik trainiert wurde, und erzeugen mit diesen Inhalten neue Stücke.

Unterschiede nur schwer erkennbar

Dass wir Schwierigkeiten haben, die von KI erzeugte Musik von "echter" Musik zu unterscheiden, hat der Journalist James O'Donnell anhand eines Experiments mit seinen Kollegen des Magazins MIT Technology Review belegt.

Er erstellte mehrere 30 Sekunden lange Samples von KI-Kompositionen und menschlichen Werken aus 12 unterschiedlichen Genres. Diese spielte er dem Redaktionsteam vor, um zu sehen, ob seine Kollegen einordnen können, ob ein Mensch oder eine Maschine hinter den Stücken steckt.

Entgegengesetzte Kompositionsweise

Die Ergebnisse waren vor allem in den Genres Pop und Jazz eindeutig: Die meisten von O'Donnells Kollegen taten sich schwer, die Hörproben korrekt zuzuordnen oder schätzten diese vollkommen falsch ein. Mit einem Durchschnitt von 46 Prozent richtiger Antworten lagen die Befragten nicht einmal in der Hälfte aller Fälle richtig. 

Angesichts der Tatsache, dass die KI-Modelle bei der Erzeugung gänzlich anders vorgehen als Menschen, ist dieses Ergebnis erstaunlich. Suno, Udio und Co. beginnen beim Komponieren nicht mit Akkorden und Harmonien, sondern erzeugen eine einzige Tonspur, indem sie das Material nutzen, mit dem sie trainiert wurden. James O'Donnell erklärt dazu:

"Ein Modell wird mit Millionen von Clips bestehender Songs gefüttert, die jeweils mit einer Beschreibung versehen sind. Um einen neuen Song zu generieren, beginnt es mit reinem Zufallsrauschen und arbeitet rückwärts, um eine neue Wellenform zu erzeugen. Der Weg, den es dabei einschlägt, wird durch die Worte bestimmt, die jemand in die Eingabeaufforderung eingibt."

Der eingeschränkte Mensch

Trotz dieses anscheinend eindeutigen Ergebnisses, sollte man die Resultate nicht überbewerten. Das liegt zum einen an der nicht-wissenschaftlichen Vorgehensweise des Autors. Eine solche Studie durchzuführen, war nie sein Anspruch, ihm ging es um kurze Einschätzungen anhand von Samples.

Das ist ein weiterer wichtiger Punkt. Die Sample-Länge betrug lediglich 30 Sekunden. Ob sich die Testpersonen bei Samples in Songlänge ebenso schwertun würden, ist eine offene Frage. Allerdings zeigt das Experiment durchaus, dass die menschliche Wahrnehmung keineswegs so verlässlich ist, wie wir gerne glauben.

Urheberrechte in Gefahr?

Die Ergebnisse des Experiments wirft natürlich auch Fragen nach urheberrechtlichem Schutz auf, denn mit urheberrechtlich geschützter Musik wurden die KI-Modelle ja trainiert.

Viele Musikschaffende, Labels, Verbände und Verwertungsgesellschaften üben heftige Kritik an den Praktiken der KI-Unternehmen oder verklagen sie wie die GEMA oder die Major Labels. Die Debatte über einen fairen Ausgleich zwischen KI-Unternehmen und Musikschaffenden wird währenddessen weitergehen.