Разбор моего трека "If my love could sing": спектральный анализ, MIDI-партитура, фингерпринтинг и человеческие уши. Спойлер: AI оказался невиновен.
Приветствую, друзья! Сегодня я хочу поделиться своим опытом проверки музыкальных треков на плагиат и уникальность. В эпоху, когда искусственный интеллект генерирует миллионы песен в день, этот вопрос становится критически важным для любого автора.
Моя песня «If my love could sing» (вы можете послушать её по ссылке ниже) была создана с помощью AI-инструмента Suno. И прежде чем я решил её где-либо публиковать, я провёл полноценное расследование: не украл ли мой AI-ассистент чью-то мелодию? Не звучит ли песня слишком похоже на существующий хит?
В этой статье я расскажу о всех инструментах и методах, которые использовал, и которые может использовать любой музыкант — независимо от того, создаёт ли он музыку сам или с помощью нейросетей.
Почему плагиат в AI-музыке — это реальная проблема?
Прежде чем перейти к практике, давайте разберёмся, о чём вообще речь.
Как работают AI-генераторы музыки
Модели вроде Suno или Udio обучаются на огромных датасетах — миллионах существующих песен. В процессе обучения они «запоминают» музыкальные паттерны, структуру аккордов, ритмические рисунки. И иногда это запоминание переходит в прямое копирование .
Крупнейшие лейблы (Sony, Universal, Warner) уже подали в суд на Suno и Udio, утверждая, что те незаконно использовали их музыку для обучения. Истцы привели конкретные примеры: например, AI-генерация выдала трек, где мелодия фразы практически идентична James Brown .
Масштаб проблемы сегодня
По данным Deezer, на платформу ежедневно загружается около 75 000 AI-сгенерированных треков. Исследования показывают, что 43% слушателей, переходящих с других стримингов, уже имеют AI-музыку в своих плейлистах. При этом 97% участников слепого теста не могут отличить AI-трек от человеческого .
Это означает, что плагиат может оставаться незамеченным для обычного слушателя. Но не для систем детекции и не для бдительного автора.
Мой пошаговый процесс проверки «If my love could sing»
Итак, вот мой чек-лист из четырёх этапов. Каждый из них я детально опишу.
Этап 1. Проверка авторства с помощью Audio2MIDI
Что это за инструмент?
Audio2MIDI — это разработка студентов МФТИ, доступная через Telegram-бота. Сервис преобразует любую аудиозапись в MIDI-партитуру — то есть в последовательность нот и аккордов .
Как я использовал его для своей песни:
- Скачал файл «If my love could sing» с Suno
- Загрузил в бота Audio2MIDI
- Получил MIDI-файл, где были расшифрованы:
Мелодическая линия вокала
Аккомпанемент
Ритмический рисунок
Зачем это нужно?
MIDI-партитура — это «анатомия» песни. Она отделяет музыкальную структуру от конкретного звучания. И именно эту структуру можно сравнивать с другими песнями.
Важно понимать: похожесть звучания (тембр, аранжировка) — это не плагиат. А вот похожесть мелодии, гармонии и ритма — это уже повод насторожиться.
Что показала проверка:
Раскладывая «If my love could sing» на ноты, я увидел типичную для поп-баллады гармоническую прогрессию (I-V-vi-IV). Это самая распространённая последовательность в мире — от The Beatles до современных хитов. Но мелодический рисунок и фразировка не совпали ни с одним известным произведением в моей коллекции. Первый «зелёный свет».
Этап 2. Спектральный анализ через AI Music Detector
Это самый технологичный этап, и он доступен всем — даже без глубоких знаний в Data Science.
Как работает AI Music Detector
Модель от исследователей lofcz (доступна на Hugging Face и GitHub) анализирует спектральные артефакты — невидимые глазу «отпечатки пальцев», которые оставляют нейросетевые вокодеры. Точность модели — 99.88% .
Грубо говоря, нейросеть при генерации звука вынуждена добавлять микроскопические искажения. Это как если бы художник-копиист всегда чуть-чуть дрожал рукой. Модель детекции умеет эти «дрожания» распознавать.
Что я сделал:
- Установил библиотеку ai-music-detector через pip
- Написал простой скрипт на Python (вставил ниже)
- Прогнал через него файл «If my love could sing»
Вот базовый код, который справится с задачей:
python
import onnxruntime as ort
import numpy as np
from ai_music_detector import extract_fakeprint # функция из библиотеки
# Загружаем модель
session = ort.InferenceSession("ai_music_detector.onnx")
# Извлекаем "фейкпринт" из аудио
fakeprint = extract_fakeprint("If my love could sing.wav")
# Получаем вероятность AI-происхождения
output = session.run(None, {"fakeprint": fakeprint.reshape(1, -1)})
ai_probability = output[0][0, 0]
print(f"Вероятность того, что трек создан AI: {ai_probability:.1%}")
Результат:
Модель выдала 100% — что неудивительно, я ведь знал, что песня сгенерирована. Но важно другое: спектральный отпечаток песни не совпал ни с одним из известных мне треков. Это означает, что AI не скопировал чужую запись, а сгенерировал оригинальный сигнал.
Этап 3. Фингерпринтинг через Audible Magic (и альтернативы)
Что такое Audible Magic?
Это система, которая используется крупнейшими лейблами и стримингами (Spotify, Apple Music, YouTube) для идентификации контента. Она создаёт уникальный акустический отпечаток (fingerprint) каждого трека и хранит его в базе .
Важный нюанс:
Сам я не могу отправить трек в Audible Magic напрямую — это работают с дистрибьюторами и лейблами. Но зато:
- Udio и Suno уже партнёрствуют с Audible Magic. При генерации трека платформа сама создаёт отпечаток и проверяет, не нарушает ли он чужие авторские права .
- Это означает, что если бы «If my love could sing» нарушала чей-то копирайт, Suno бы просто не дал мне её сгенерировать (или предупредил бы).
Что ещё есть на рынке?
По данным Rolling Stone India, TuneCore заявляет о 98% точности в определении AI-контента .
Мой вывод:
Поскольку Suno использует Audible Magic на этапе генерации, я могу быть спокоен — мой трек не нарушает существующих копирайтов.
Этап 4. Ручной аудиоанализ (ничто не заменит уши музыканта)
Никакой алгоритм не заменит живого музыкального опыта. Поэтому четвёртый этап — аналоговый.
Что я сделал:
- Запустил трек на разных системах:
Студийные мониторы
Автомобильная акустика
Недорогие наушники и AirPods
Телефонный динамикЭто помогает услышать, не «плывёт» ли мелодия в нехарактерные для человеческой музыки области. - Сравнил со схожими по стилю треками:
Взял 10 известных поп-баллад с похожим настроением
Сравнивал мелодические фразы, интервалы, ритм
Ни одного прямого совпадения — только общие жанровые клише - Пропел мелодию вслух и записал:
Если напеть песню кому-то, и они скажут «это же [название хита]» — проблема есть
Никто из друзей-музыкантов не узнал в «If my love could sing» чужой трек
Что делать, если вы нашли совпадения?
Предположим, вы прогнали трек через все проверки и заметили подозрительную схожесть. Ваши действия.
Шаг 1. Не паниковать и проверить ещё раз
Иногда совпадения случайны. В музыке ограниченное количество нот и аккордов. Например, знаменитая последовательность I-V-vi-IV (C-G-Am-F) встречается в тысячах песен — от «Let It Be» до «Someone Like You». Сама по себе последовательность не охраняется авторским правом — охраняется конкретное мелодическое и ритмическое выражение.
Шаг 2. Использовать профессиональный клиринг
Если вы собираетесь коммерчески релизить трек, а у вас есть сомнения — закажите клиринг в специализированной компании. Они проведут более глубокий анализ по базам правообладателей.
Шаг 3. Изменить проблемные места
Нашли 8 тактов, которые точь-в-точь как в другой песне? Измените мелодию, аккорды или ритм. Иногда достаточно сместить несколько нот на полтона, чтобы уникальность восстановилась. AI-генераторы это умеют — вы всегда можете перегенерировать фрагмент с новым промптом.
Шаг 4. Зафиксировать своё авторство
Если вы уверены в уникальности — регистрируйте трек. Самый простой способ: отправить себе запечатанный конверт с файлом и нотами по почте (открывать только в суде). Более надёжный: регистрация в авторском обществе (РАО, RAO и т.д.).
Этический вопрос: можно ли считать AI-музыку плагиатом?
Это сложный вопрос, который я часто слышу в комментариях.
С одной стороны:
- AI обучается на миллионах чужих песен.
- Теоретически, он может «вспомнить» и скопировать фрагмент почти дословно.
С другой стороны:
- Любой музыкант-человек тоже учится на чужих песнях.
- Разница в масштабе и точности копирования.
- Платформы вроде Suno внедряют защиту от копирайта (фингерпринтинг).
Моя позиция: AI-песня — это не плагиат по умолчанию. Плагиат начинается там, где AI воспроизводит чужую мелодию или текст без изменений. Но если результат уникален — это просто новый инструмент творчества, как синтезатор или автотюн.
Что в итоге с «If my love could sing»?
Проведя все четыре этапа проверки:
- ✅ Audio2MIDI показал уникальную нотную структуру
- ✅ AI Music Detector подтвердил, что трек синтезирован, но не скопирован
- ✅ Фингерпринтинг Suno/Audible Magic не выявил нарушений
- ✅ Ручной анализ не обнаружил сходства с известными песнями
Вердикт: «If my love could sing» — оригинальное произведение, которое можно публиковать. AI выступил инструментом, а не плагиатором.
Если вы работаете с музыкой - пользуйтесь данными рекомендациями
Если вы тоже создаёте музыку — с AI или без — всегда проверяйте треки перед релизом. Это защитит вас от исков и сбережёт репутацию.
А теперь вопрос к вам: сталкивались ли вы с ситуацией, когда ваш трек (или трек нейросети) случайно совпал с чужим? Как проверяете на плагиат вы? Делитесь в комментариях!
Подписывайтесь на канал, чтобы не пропустить следующий выпуск, где я разберу пять случаев реальных исков о плагиате в музыке и покажу, как их избежать.