راهنمای جامع تشخیص آهنگ ساخته شده با هوش مصنوعی از آهنگ واقعی

دوستی برای شما آهنگ فرستاده و شما را شگفت‌زده می‌کند یا در تلگرام یا یوتیوب آهنگی می‌شنوید که از کیفیت بالای آن شگفت‌زده می‌شوید. فردا با آهنگ جدیدی از همان هنرمند مواجه می‌شوید و باز هم همان حس را دارید؛ و روز بعد هم همین‌طور. اما ناگهان نکته‌ای توجه شما را جلب می‌کند: چرا همه این آثار در سطحی این‌چنین بی‌نقص قرار دارند و چرا این هنرمند با چنین سرعتی کار جدید منتشر می‌کند؟ همین تولید مکانیکی و بدون خطا کنجکاوی‌تان را برمی‌انگیزد، و پس از کمی جست‌وجو متوجه می‌شوید این آهنگ‌ها با هوش مصنوعی ساخته شده‌اند.

شاید برای کسی مهم باشد یا نباشد، اما وقتی یک اثر هنری بدون نقص و در عین حال بدون منشا انسانی منتشر می‌شود، یک ارتباط انسانی میان مخاطب و هنرمند بر مبنای حس و درک مشترک شکل نمی‌گیرد و آن‌چه باقی می‌ماند، رابطه‌ای ماشینی با واسطه‌ای از ویرایش انسانی در قالب یک قطعه موسیقی است. همین مسئله است که اهمیت مرزبندی میان موسیقی انسانی و مصنوعی را روشن می‌کند.

این مرزبندی دیگر صرفا یک کنجکاوی سرگرم‌کننده نیست، بلکه ضرورتی است برای حفظ چیزی که انسانی است؛ نه از سر دغدغه فنی درباره چگونگی ساخت، بلکه پاس‌داری از حریم روابط انسانی است. توانایی تشخیص این دو حوزه از یک سو به حمایت از حقوق مادی و معنوی هنرمندان و ممانعت از اشباع بازار با آثار انبوه و بی‌روح الگوریتمی کمک می‌کند، و از سوی دیگر ارزش تجربه زیسته و پیوند عاطفی‌ای را پاس می‌دارد که تنها میان دو انسان (سازنده و شنونده) شکل می‌گیرد.

امروز، ما از «عصر بازتولید» عبور کرده و «عصر بازتولید الگوریتمی» گام نهاده‌ایم.

در ادامه سری مقالات مجله دنیای موسیقی با موضوع هوش مصنوعی یا به بیان غیررایج‌تر «هوشواره» این مقاله تلاش می‌کنیم مرزی میان آثار ساخته‌شده با هوش مصنوعی و آثار انسانی ترسیم کنیم و راه‌هایی معرفی کنیم که همه بتوانند از آن‌ها استفاده کنند. با این مطلب از بلاگ همراه باشید.

از بازتولید مکانیکی به سوی بازتولید الگوریتمی

والتر بنیامین، فیلسوف و نظریه‌پرداز برجسته مکتب فرانکفورت، در مقاله خود با عنوان «اثر هنری در عصر بازتولید مکانیکی» استدلال کرد که تکنولوژی‌های بازتولید مکانیکی چیزی که ما آن را «هاله» اثر هنری می‌دانیم از بین می‌برند. از دید بنیامین، «هاله» همان اصالت، یگانگی و حضور منحصر‌به‌فرد اثر در «این‌جا و اکنون» است؛ حضوری که ریشه در سنت، آیین و عاملیت انسان دارد. به بیان بهتر ما در هر اثر هنری اصیل، حضور هنرمند را نیز در آن احساس می‌کنیم، ولی در اثری که به صورت مکانیکی بازتولید می‌شود، این هاله انسانی هول اثر وجود ندارد.

امروز، ما از «عصر بازتولید» عبور کرده و «عصر بازتولید الگوریتمی» گام نهاده‌ایم. ابزارهای هوش مصنوعی مولد مانند دیگر صرفا موسیقی ساخته‌شده توسط انسان را تکثیر نمی‌کنند، بلکه خود در حال خلق قطعات صوتی جدیدی هستند که تا حدود زیادی خارج از آگاهی انسانی تولید می‌شوند. زمانی تئودور آدورنو در توصیف موسیقی پاپ گفته بود که در این سبک، جای آهنگساز و مخاطب عوض می‌شود و مولف همان چیزی رو تولید می‌کند که مخاطب می‌خواهد. حال در عصر هوش مصنوعی و داده‌ها، این مسئله وجه دیگری نیز به خود گرفته است. این جهش فن‌آورانه، رابطه انسان و اثر هنری را با چالشی بنیادی‌تر مواجه کرده است؛ اگر در زمان بنیامین، بازتولید مکانیکی اصالت نسخه اصلی را تهدید می‌کرد، امروز هوش مصنوعی با شبیه‌سازی آماری فرآیند خلاقیت، خود مفهوم «اصالت» و «خالق» را به تعلیق درآورده است. شنونده دیگر با روح و زیست یک انسان مواجه نیست، بلکه با بازتاب کدهای ریاضی یک پایگاه داده روبروست.

در این بستر جدید، تلاش برای تشخیص موسیقی ساخته‌شده هوش مصنوعی دیگر صرفا یک چالش فنی، حقوقی یا تجاری برای پلتفرم‌ها نیست؛ بلکه تلاشی زیبایی‌شناختی و فلسفی برای بازیافتن «هاله» و ردپای زنده انسانی و ره‌گیری حضور انسان در تار و پود صداست.

در این راهنما، ابتدا با تکیه بر گوش انسانی، نشانه‌های فیزیکی برای شناخت آثاری از این دست را بررسی می‌کنیم و سپس به سراغ ابزارهای آنلاین و فن‌آوری‌های پنهان ردیابی کدهای دیجیتالی می‌رویم.

هوش مصنوعی چگونه موسیقی می‌سازد و آشنایی با الگوریتم‌های آن

برای درک بهتر نحوه تشخیص موسیقی ساخته‌شده با هوش مصنوعی، ابتدا باید بدانیم این سیستم‌ها بر پایه چه تکنولوژی‌هایی کار می‌کنند. فرآیند تولید موسیقی توسط هوش مصنوعی مدرن معمولا بر پایه سه معماری و الگوریتم اصلی استوار است:

مدل‌های ترانسفورمر (Transformers)

درست مانند مدل‌های زبانی بزرگ که کلمه بعدی را در یک جمله پیش‌بینی می‌کنند، مدل‌هایی مثل Suno و Udio موسیقی را به واحدهای کوچکی به نام «توکن‌های صوتی (Audio Tokens)» تقسیم می‌کنند. این الگوریتم‌ها با تحلیل میلیون‌ها قطعه موسیقی انسان، یاد می‌گیرند که پس از یک آکورد یا کلمه خاص در شعر، چه نت یا فرکانس صدایی احتمال حضور بیشتری دارد.

مدل‌های انتشار صوتی (Audio Diffusion Models)

این الگوریتم‌ها ساختاری مشابه مدل‌های تولید تصویری مانند میدجرنی (Midjourney) دارند. فرآیند تولید با یک سیگنال نویز سفید کامل (White Noise) شروع می‌شود و الگوریتم در چندین مرحله متوالی، با حذف تدریجی نویز فرکانسی، به یک موج صوتی شفاف یا اسپکتوگرام (نمودار تصویری فرکانس‌های صدا) دست می‌یابد.

کدک‌های عصبی صدا (Neural Audio Codecs)

برای این‌که مدل‌های هوش مصنوعی بتوانند حجم عظیم داده‌های صوتی را پردازش کنند، صداها قبل از آموزش فشرده‌سازی می‌شوند. ابزارهایی مانند EnCodec یا SoundStream صدا را به کدهای ریاضی فوق فشرده تبدیل می‌کنند و پس از تولید، دوباره آن را بازسازی می‌نمایند. دقیقا در همین مرحله بازسازی (Decoding) است که خطاهای فرکانسی ظریف و نویزهای فلزی معروف شکل می‌گیرند.

در یک جمع‌بندی ساده، می‌توان کارکرد هم‌زمان این سه فناوری را در یک سناریوی واقعی مثال زد: وقتی شما در ابزاری مثل Suno عبارت «یک آهنگ جاز ملایم با تک‌نوازی ساکسیفون» را می‌نویسید، ابتدا ترانسفورمر ساختار آکوردها و نت‌های بعدی ساکسیفون را بر اساس الگوهای یادگرفته‌شده پیش‌بینی می‌کند؛ سپس مدل انتشار صوتی این نت‌های تئوریک را از دل یک نویز فرکانسی خام بیرون کشیده و به امواج صوتی واقعی تبدیل می‌کند؛ و در نهایت، کدک عصبی این سیگنال‌ها را برای پخش نهایی بازسازی و کدگشایی می‌نماید. دقیقا در همین مرز میان این تولید ریاضی محض و فیزیک واقعی صدا است که موسیقی تولید می‌شود.

چگونه موسیقی ساخته‌شده با هوش مصنوعی را از موسیقی انسانی تشخیص دهیم

اکنون پس از یک مقدمه نسبتا طولانی در مورد اهمیت شناخت موسیقی ساخته‌شده با هوش مصنوعی و چگونگی ساخت آن، به سراغ ابزارها و نشانه‌های شناسایی آن‌ها می‌رویم. تشخیص این مرز ظریف همواره یکسان نیست؛ گاهی هوش مصنوعی چنان دقیق عمل می‌کند که تشخیص آن برای یک شنونده عادی ناممکن به نظر می‌رسد. به همین دلیل، ما باید رویکرد خود را به دو بخش تقسیم کنیم: نخست، «تربیت گوش» برای شنیدن تفاوت‌های میکروسکوپی و نقص‌های فیزیکی صدا که ماشین هنوز قادر به پنهان کردن آن‌ها نیست و دوم، به کارگیری «الگوریتم‌های آشکارساز» که کدهای فرکانسی پنهان را فاش می‌کنند. در ادامه، این مسیر را با بررسی دقیق‌ترین نشانه‌های شنیداری آغاز می‌کنیم.

ارزش واقعی موسیقی، در پیوند عمیق عاطفی و تجربی انسان‌ها نهفته است

۱. نشانه‌های شنیداری: ردپاهای صوتی هوش مصنوعی

اگرچه مدل‌های زاینده موسیقی پیشرفت فوق‌العاده‌ای داشته‌اند، اما به دلیل محدودیت در درک فیزیک دنیای واقعی و آناتومی حنجره انسان، همواره خطاهایی از خود به جا می‌گذارند که با کمی دقت شنیداری قابل شناسایی هستند:

• آثار پرشمار در مدت زمانی کم: ابتدایی‌ترین روش برای شناخت هویت یک اثر، مراجعه به کانال هنرمند در پلتفرم‌های مختلف است. اگر دیدید که یک هنرمند در مدت کوتاهی آثار پرشماری منتشر کرده است، به انسانی بودن سازنده این آثار شک کنید.
• ترانه: یکی از راه‌های تشخیص آهنگ‌های ساخته‌شده با هوش مصنوعی، ترانه‌ها است. ترانه‌های هوش مصنوعی در حال حاضر روح کافی را ندارند و بعضا بی‌معنا جلوه می‌کنند. همچنین خارج از قاعده کلی ترانه‌سرایی قرار دارند و بعضا بسیار طولانی هستند. هر چند این ویژگی‌ها یگانه امر برای شناسایی نیست، ولی در صورت تکرار، دلیل قابل قبولی برای شک کردن به سازنده اثر است.
• بافت صوتی رباتیک یا فلزی (Metallic Artifacts): در فرکانس‌های بالا (مانند صدای سنج درامز یا کشش انتهای صدای خواننده)، نویزی شبیه به فشرده‌سازی شدید فایل‌های MP3 قدیمی یا پدیده Phasing شنیده می‌شود. این نویز ناشی از تلاش الگوریتم برای بازسازی فرکانس‌های بالای از دست رفته در فرآیند انتشار (Diffusion) است.
• آناتومی غیرطبیعی صدا و نفس‌گیری خواننده: یک خواننده برای خواندن عبارات، به شکل طبیعی بین جملات نفس می‌کشد. هوش مصنوعی اغلب این زمان‌بندی‌های بیولوژیک را رعایت نمی‌کند؛ یا اصلا نفس‌گیری ندارد یا نفس‌های مصنوعی را در فواصل ریاضی کاملا دقیق و بی‌ربط به جریان حس شعر قرار می‌دهد. همچنین ادای حروف صامت سخت مانند «س»، «ت» و «پ» در صدای خواننده هوش مصنوعی معمولا مبهم، کدر یا بیش از حد فشرده است.
• دقت زمانی بی‌روح (Hyper-Quantization): نوازندگان انسان به صورت غریزی نوسانات میلی‌ثانیه‌ای در زمان‌بندی ضرب‌ها دارند که به آن «گرو (Groove)» یا حس زنده بودن کار می‌گویند. هوش مصنوعی تمام ضرب‌ها را روی یک خط‌کش ریاضی کاملا دقیق قرار می‌دهد. در فیزیک موسیقی، این پدیده را با فرمول انحراف معیار فواصل بین ضرب‌ها تحلیل می‌کنند؛ جایی که مقدار انحراف در موسیقی انسانی هرگز صفر مطلق نیست، اما در هوش مصنوعی به صفر میل می‌کند.
• یکنواختی فضا و ریورب استریل (Spatial Flatness): ضبط‌های واقعی در محیط‌های فیزیکی آکوستیک رخ می‌دهند و بازتاب‌های طبیعی دارند. موسیقی هوش مصنوعی اغلب در یک «خلا آکوستیک» تولید می‌شود؛ افکت ریورب (انعکاس صدا) در آن مصنوعی است و تمام سازها به صورت تخت و در یک فاصله یکسان از شنونده شنیده می‌شوند.
• تکرارهای ساختاری بی‌تغییر (Arrangement Repetition): تنظیم‌کننده‌های انسانی در ورس (بخش اصلی) دوم معمولا یک ساز جدید اضافه می‌کنند یا ریتم را کمی تغییر می‌دهند. هوش مصنوعی تمایل دارد فرمول بخش اول را عینا و بدون خلاقیت در پویایی موسیقی تکرار کند.

در جمع‌بندی این بخش می‌توان گفت که آثار مدرن، به‌خصوص در جریان اصلی موسیقی، به دلیل تکنیک قوی‌تر و تکنولوژی پیشرفته‌تر، طبیعتا نقص‌های اندکی دارند و این به‌تنهایی نشانه مصنوعی‌بودن نیست. اما وقتی چند اثر از یک هنرمند، با سبک‌ها و ساختارهای کاملا متفاوت، همگی به یک اندازه و بدون کوچک‌ترین ایراد (به اصطلاح ۱۰ از ۱۰) به گوش برسند، این یک‌دستی غیرطبیعی در سبک‌های گوناگون است که باید شما را به شک بیندازد؛ چون تنوع سبک معمولا با نوسان کیفیت هم همراه است، نه با کمال یکنواخت.

۲. ابزارهای آنلاین برای تشخیص موسیقی هوش مصنوعی

اگر مایلید فراتر از گوش انسان حرکت کنید، الگوریتم‌های تحلیل فرکانسی پلتفرم‌های زیر می‌توانند فایل صوتی شما را اسکن کرده و احتمال ساخت آن با هوش مصنوعی را به صورت درصدی اعلام کنند:

• الف) ابزار SubmitHub AI Song Checker: این پلتفرم یکی از شناخته‌شده‌ترین ابزارهای رایگان در صنعت موسیقی است. نحوه کارکرد این ابزار به این نحو است که ۲۱ فاکتور صوتی از جمله یکنواختی طیفی Spectral Flatness))، نرخ عبور از صفر (Zero Crossing Rate) و پیچیدگی‌های هارمونیک را بررسی می‌کند. برای استفاده از این ابزار می‌توانید لینک آهنگ موردنظر خود را از اسپاتیفای، یوتیوب یا ساندکلود در کادر مربوطه قرار دهید تا مدل با کمک قابلیت Random Forest Classifier نتیجه را تحلیل کند.
• ب) پلتفرم تخصصی Authio AI Music Detection: یک پلتفرم متمرکز برای شناسایی آثار ساخته‌شده با ابزارهایی نظیر Suno و Udio است. این ابزار با استفاده از یک سیستم آنالیز فاز صوتی (Phase Physics) کار می‌کند. از آن‌جا که ضبط‌های واقعی پیوندهای فازی بسیار پیچیده‌ای دارند، هوش مصنوعی اطلاعات فازی ساده‌ای با آنتروپی پایین (H(f)) تولید می‌کند که این تفاوت بلافاصله شناسایی می‌شود. می‌توانید آهنگ‌های مد نظر خود با فرمت‌های مد نظرتان از جمله MP3 یا WAV یا FLAC را در این پلتفرم آپلود کنید و نتیجه را دریافت کنید.
• ج) ابزار صنعتی ACRCloud AI Music Detector: این پلتفرم بیشتر مناسب توزیع‌کنندگان موسیقی، هاب‌های کپی‌رایت و شرکت‌های بزرگ پخش محتوا است. نحوه کارکرد این ابزار، علاوه بر تشخیص کلی قطعه، قطعات موسیقی را تفکیک کند؛ یعنی صدای خواننده (Vocal Stem) را به طور جداگانه و سازها (Instrumental Stem) را به طور جداگانه اسکن می‌کند تا در صورت استفاده ترکیبی (مثلا خواننده واقعی روی آهنگ زمینه هوش مصنوعی)، آن را با دقت بالا ردیابی کند.
• د) پلتفرم‌های آنلاین: بسیاری پلتفرم‌های پخش موسیقی، آثار ساخته‌شده با هوش مصنوعی را متمایز می‌کنند و برچسب هوش مصنوعی را روی آن می‌زنند. اگر به آهنگ خاصی شک دارید، می‌توانید آن را در پلتفرم‌های مختلف جستجو کنید.

۳. فن‌آوری فنی و پنهان (واترمارک‌های دیجیتال)

با افزایش فشار مراجع قانونی بر شفافیت محتوای تولید شده توسط هوش مصنوعی، دو روش کلیدی برای نشان‌گذاری مخفی این آثار استفاده می‌شود:

• فن‌آوری Google DeepMind SynthID: این ابزار یک کد غیرقابل شنیدن (واترمارک دیجیتال) را مستقیما وارد موج صوتی می‌کند. این کد حتی با تغییر سرعت، فشرده‌سازی فایل یا ضبط مجدد از روی بلندگو از بین نمی‌رود و اسکنرهای گوگل همیشه می‌توانند منشا اثر را شناسایی کنند.
• استاندارد C2PA: کنسرسیوم اصالت محتوا پروتکلی را طراحی کرده است که متادیتاهای رمزنگاری‌شده صادرشده توسط ابزار هوش مصنوعی را به صورت غیرقابل تغییر درون کدهای هگزادسیمال (Hex Data) فایل صوتی قفل می‌کند تا شناسنامه‌ای دیجیتال و اثبات‌پذیر ارائه دهد.

به واسطه پیشرفت روزافزون روش‌های کنونی ممکن است ۶ ماه دیگر، کاربرد نداشته باشند و اهمیت داشتن واترمارک در آهنگ‌های ساخته‌شده با هوش مصنوعی، بسیار بیشتر از چیزی خواهد بود که در متن اشاره شد.

نتیجه‌گیری: آینده موسیقی؛ هم‌زیستی یا تقابل؟

در نهایت، مرز میان هنر واقعی و تولیدات الگوریتمی هر روز ظریف‌تر و مبهم‌تر می‌شود. پلتفرم‌های مولد مانند Suno و Udio با سرعت بسیار زیادی در حال رشد هستند و دریچه‌های جدید به روی خلق آثار صوتی گشوده‌اند، اما رشد آن‌ها هم‌زمان زنگ خطری را برای اصالت و هویت هنر به صدا درآورده است. با کمک روش‌های تشخیص سنتی (نظیر دقت به خطاهای صوتی حنجره و ریتم) و تلفیق آن‌ها با پلتفرم‌های اسکن فرکانسی و فن‌آوری‌های مدرن مانند SynthID، ما نه تنها به یک برتری فنی دست پیدا می‌کنیم، بلکه گامی جدی در جهت پاسداری از اصالت هنر برمی‌داریم. یادمان باشد که ابزارها همواره در خدمت بشر بوده‌اند و ارزش واقعی موسیقی، در پیوند عمیق عاطفی و تجربی انسان‌ها نهفته است.

شاید برای کسی مهم باشد یا نباشد، اما وقتی یک اثر هنری بدون نقص و در عین حال بدون منشا انسانی منتشر می‌شود، یک ارتباط انسانی میان مخاطب و هنرمند بر مبنای حس و درک مشترک شکل نمی‌گیرد و آن‌چه باقی می‌ماند، رابطه‌ای ماشینی با واسطه‌ای از ویرایش انسانی در قالب یک قطعه موسیقی اس

همچنین باید گفت که تمامی روش‌های گفته‌شده دارای میزانی از خطا هستند که باعث می‌شود آهنگ انسانی را مصنوعی و با برعکس معرفی کنند (False Positive/False Negative) و هیچ روشی توان تشخیصی ۱۰۰ درصد صحیح را ندارد. باید به این نکته نیز اشاره کرد که بسیاری از آهنگسازان مدرن، از هوش مصنوعی به عنوان ابزاری برای مسترینگ یا نوازندگی نیز استفاده می‌کنند که این با موضوع ساخته شدن یک آهنگ تنها با یک پرامپت تفاوت‌های بنیادینی دارد.

دغدغه‌ها و نظرات شما؛ هم‌فکری در دنیای موسیقی هوش مصنوعی

آیا تا به حال آهنگی شنیده‌اید که در انسان یا ربات بودن سازنده‌اش دچار تردید شوید؟ به نظر شما آیا هوش مصنوعی در نهایت می‌تواند روح زنده و خطاهای شیرین نوازندگی انسان را به طور کامل شبیه‌سازی کند؟

اگر از ابزارهای معرفی‌شده در این مقاله استفاده کرده‌اید یا روش متفاوتی برای تشخیص آهنگ‌های هوش مصنوعی سراغ دارید، حتما تجربه‌ها، دیدگاه‌ها و سوالات خود را در بخش نظرات با ما و دیگر علاقه‌مندان به دنیای موسیقی به اشتراک بگذارید.

مطمئنا بازخورد شما می‌تواند به دیگران کمک کند.