⚡ electrical engineering

How Much AI Is in This Track? Quantifying the Proportion of AI-Generated Stems in Hybrid Music Mixtures

تقترح هذه الورقة نهجاً قائماً على الانحدار لتقدير نسبة الجذوع المولدة بواسطة الذكاء الاصطناعي في المزيج الموسيقي الهجين، مبرهنةً أنه في حين أن الكواشف الثنائية القياسية غير معايرة للمحتوى المختلط، فإن نموذجاً متخصصاً يمكنه تقدير نسبة طاقة الذكاء الاصطناعي بدقة ويكشف أن حساسية الكشف تتباين بشكل كبير عبر أنواع الآلات المختلفة.

المؤلفون الأصليون: Fernando Garcia de la Cruz, David López-Ayala, Pablo Zinemanas, Emilio Molina, Martín Rocamora

نُشر 2026-08-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Fernando Garcia de la Cruz, David López-Ayala, Pablo Zinemanas, Emilio Molina, Martín Rocamora

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك في مطبخ ضخم وصاخب حيث الجميع يطبخون. لسنوات، كانت الطريقة الوحيدة لمعرفة ما إذا كان الطبق "حقيقياً" (طهاه بشري) أو "مزيفاً" (أعده روبوت) هي تذوق لقمة والصراخ: "إنه روبوت!" أو "إنه بشري!". لكن الآن، تغيرت الأمور. بدأ الطهاة في استخدام مساعدين من الروبوتات لتقطيع البصل أو خلط الصلصة، بينما لا يزالون يقلون اللحم ويتبلون الحساء بأنفسهم. والنتيجة هي طبق "هجين": جزء بشري وجزء آلي. أصبحت كاشفات "الكل أو لا شيء" القديمة مرتبكة لأنها تدربت فقط على رصد الأطباق التي صنعها الروبوت بالكامل، ولم تستطع إخبارك "بمقدار" ما جاء من الآلة في الوجبة. هذا هو اللغز الجديد في عالم تكنولوجيا الموسيقى: مع تحول الذكاء الاصطناعي إلى أداة شائعة في الاستوديو، نحتاج ألا نعرف فقط "ما إذا كان" الذكاء الاصطناعي موجوداً، بل "كم مقدار" الجزء من الأغنية الذي تم إنتاجه بواسطة الذكاء الاصطناعي.

تتناول هذه الورقة البحثية هذه المشكلة تحديداً. فقد أدرك الباحث فرناندو غارسيا دي لا كروز وفريقه أن كاشفات موسيقى الذكاء الاصطناعي الحالية تشبه مفاتيح الضوء الثنائية: فهي إما "تشغيل" (ذكاء اصطناعي) أو "إيقاف" (بشري). لكن في عالم إنتاج الموسيقى الواقعي، المفتاح هو في الحقيقة "مفتاح تعتيم" (dimmer)، ينزلق بسلاسة بين 0% و100%. أراد الفريق معرفة ما إذا كان بإمكانهم بناء كاشف يقرأ مفتاح التعتيم بدلاً من مجرد زر التشغيل والإيقاف.

ولاختبار ذلك، لم يكتفوا بالتخمين؛ بل بنوا "مطبخاً مختبرياً". أخذوا أغاني حقيقية مسجلة بشرياً واستخدموا أداة ذكاء اصطناعي خاصة (تسمى ترميز الصوت العصبي - neural audio codec) لإعادة "بناء" الأجزاء الفردية، أو "المسارات" (stems)، للموسيقى. فكر في الأغنية كأنها كعكة ذات طبقات: الطبول هي الطبقة السفلية، والباص هي الطبقة الوسطى، والكلمات هي الكريمة. أخذ الباحثون هذه الطبقات، ومرروها عبر آلة الذكاء الاصطناعي، وحصلوا في المقابل على نسخة تبدو متطابقة تقريباً ولكنها تحمل "بصمة" ضئيلة وغير مرئية تركتها تروس الآلة. ثم قاموا بخلط وتوفيق هذه الطبقات، مما خلق آلاف الأغاني الجديدة حيث يعرفون النسبة المئوية الدقيقة لمحتوى الذكاء الاصطناعي. بعض الأغاني كانت 100% بشرية، وبعضها 100% ذكاء اصطناعي، ومعظمها كان مزيجاً واقعياً فوضوياً من كليهما.

عندما أدخلوا هذه الأغاني المختلطة في كاشف "ثنائي" قياسي (نوع مفتاح التشغيل/الإيقاف القديم)، لم تفشل الآلة فحسب، بل أعطت إجابة غامضة ومبهمة. لم تقل "لا أعرف"، بل مع زيادة كمية الذكاء الاصطناعي في الأغنية، ارتفع معدل الكاشف ببطء أيضاً. كان الأمر يشبه ميزان حرارة لم يتم معايرته لإظهار الدرجات، بل أصبح ساخناً فقط كلما زادت النار. وجد الباحثون أن هذا الكاشف القديم كان في الواقع "مخمّناً صاخباً وغير معاير". كان بإمكانه استشعار الذكاء الاصطناعي، لكنه لم يستطع إخبارك بالمقدار الدقيق.

جاء الاختراق الحقيقي عندما دربوا نموذجاً جديداً خصيصاً ليكون "مفتاح تعتيم". فبدلاً من السؤال: "هل هذا ذكاء اصطناعي؟"، سألوا: "ما هي النسبة المئوية لهذا الذكاء الاصطناعي؟". علموا الكمبيوتر أن ينظر إلى المزيج ويتنبأ برقم بين 0 و1. كانت النتائج واعدة. في الأغاني التي لم يرها الكمبيوتر من قبل، استطاع هذا النموذج الجديد تخمين نسبة الذكاء الاصطناني بمتوسط خطأ قدره 0.076 فقط (بمعنى أنه إذا كانت الأغنية تحتوي على 50% ذكاء اصطناعي، فقد توقع أنها تتراوح بين 42% و58% في معظم الأحيان). وهذا يشير إلى أنه بينما لا تزال الكاشفات القديمة عالقة في الماضي، فإن النهج الجديد يمكنه بالفعل قياس "مدى وجود الذكاء الاصطناعي" في الأغنية.

ومع ذلك، فإن القصة ليست سلسة تماماً لكل آلة. اكتشف الباحثون أن "بصمة" الذكاء الاصطناعي تظهر بشكل مختلف اعتماداً على الآلة التي تُعزف. كانت الطبول والغيتارات مثل لافتات النيون؛ بصمة الذكاء الاصطناعي فيها كانت صاخبة وسهلة الرصد. لكن الأصوات البشرية (Vocals) والباص كانت مثل الأشباح؛ بصمة الذكاء الاصطناعي فيها كانت باهتة جداً لدرجة أن أذكى الكاشفات عانت في العثور عليها. اتضح أن آلة الذكاء الاصطناعي تترك أثراً أقوى على الأصوات الإيقاعية عالية الطبقة مقارنة بالأصوات العميقة والناعمة.

فماذا يعني كل هذا؟ تشير الورقة البحثية إلى أننا ننتقل من عالم نسأل فيه "هل هذا مزيف؟" إلى عالم يمكننا فيه السؤال "ما مقدار كونه مزيفاً؟". هذه خطوة حاسمة نحو الشفافية، مما يساعد المستمعين والفنانين على فهم المزيج الحقيقي بين الإنسان والآلة في الموسيقى التي يحبونها. وبينما أُجريت هذه الدراسة في بيئة محكومة باستخدام أدوات محددة، إلا أنها تضيء الطريق أمام كاشفات مستقبلية يمكنها التعامل مع الواقع الهجين والمعقد لإنتاج الموسيقى الحديثة. إن مفتاح التشغيل/الإيقاف الثنائي يتلاشى، ومفتاح التعتيم بدأ للتو في التوهج.

ملخص تقني: تقدير نسبة المسارات الموسيقية المولدة بواسطة الذكاء الاصطناعي في المزيجات الهجينة

بيان المشكلة
تعمل أنظمة كشف موسيقى الذكاء الاصطناعي الحالية وفق نموذج ثنائي، حيث تصنف المسارات إما بأنها منتجة بشرياً بالكامل أو مولدة بالذكاء الاصطناعي بالكامل. وبينما تحقق هذه الأنظمة دقة عالية (تتجاوز 99%) في المسارات النقية من خلال استغلال الآثار الطيفية (تحديداً "البصمات الزائفة" أو القمم الدورية) التي تتركها طبقات الالتفاف المنقول (transposed convolution layers) في فك تشفير برامج الترميز العصبية (neural audio codec decoders)، إلا أنها تفشل في معالجة واقع الإنتاج الموسيقي الحديث. إذ يقوم المنتجون بشكل متزايد بإنشاء مزيجات هجينة، تدمج مسارات (stems) مولدة بالذكال اصطناعي (مثل الطبول الاصطناعية أو خطوط الباص) جنباً إلى جنب مع آلات عزفت بشرياً. وفي مثل هذه السيناريوهات، تكون الكواشف الثنائية غير مؤهلة لتقدير نسبة محتوى الذكاء الاصطناعي، كما يظل سلوكها تجاه الإشارات المختلطة غير مشخص بدقة. تعالج هذه الورقة البحثية الحاجة إلى إطار عمل للكشف قادر على تقدير النسبة المستمرة للطاقة المولدة بالذكاء الاصطناعي داخل المسار الموسيقي، بما يتماشى مع التزامات الشفافية مثل تلك الواردة في قانون الذكاء الاصطناعي للاتحاد الأوروبي.

المنهجية
يقترح المؤلفون منهجية لبناء مزيجات هجينة محكومة بنسبة "طاقة ذكاء اصطناعي" معروفة ( $\alpha \in [0, 1]$ )، والتي تُعرف بأنها كسر إجمالي الطاقة الصوتية التي تساهم بها المسارات المولدة بالذكاء الاصطناعي. يعتمد هذا النهج على ثلاثة مكونات أساسية:

إعادة بناء الذكاء الاصطناعي عبر برامج الترميز العصبية: بدلاً من استخدام النماذج التوليدية، تقوم الدراسة بإعادة بناء المسارات التي أداها البشر باستخدام برنامج الترميز العصبي EnCodec بمعدل 3 كيلوبت في الثانية. تعمل عملية الترميز وفك الترميز هذه على الحفاظ على المحتوى الموسيقي الأصلي مع طبع الآثار المعمارية المحددة (القمم الطيفية) التي تتدرب الكواشف الثنائية على التعرف عليها. وهذا يعزل مشكلة الكشف على آثار برنامج الترميز (codec artifacts)، مما يزيل المتغيرات المربكة المتعلقة بالاختلافات في الأسلوب الموسيقي أو المحتوى.
الاستبدال التوليفي للمسارات: باستخدام مجموعة بيانات MoisesDB متعددة المسارات (240 مساراً منتجاً باحترافية يتراين من 2 إلى 10 مسارات)، يولد المؤلفون جميع التكوينات الممكنة بقوة $2^n$ للمسارات الحقيقية والمُعاد بناؤها بالذكاء الاصطناعي لكل مسار. يضمن ذلك أخذ عينات كثيفة لقيم $\alpha$ عبر النطاق الكامل $[0, 1]$ .
صياغة الانحدار (Regression): تتم إعادة صياغة مهمة الكشف من التصنيف الثنائي إلى الانحدار. والهدف هو التنبؤ بالقيمة المستمرة $\alpha$ بمعطى إشارة صوتية مختلطة $x_{mix}$ .

المساهمات الرئيسية

إعادة صياغة الكشف: تنقل الورقة هدف الكشف من التصنيف الثنائي ( $y \in \{0, 1\}$ ) إلى الانحدار ( $\hat{\alpha} \in [0, 1]$ )، مما يوفر مقياساً أكثر إفادة لتدفقات العمل الهجينة.
توليد مجموعة بيانات محكومة: تم إصدار مكتبة بايثون قابلة لإعادة الإنتاج (ARIA) لتوليد مزيجات هجينة من أي مجموعة بيانات متعددة المسارات باستخدام أي برنامج ترميز عصبي، مما يتيح دراسة منهجية للكشف عن المحتوى المختلط.
توصيف الكواشف الثنائية: يحلل المؤلفون سلوك كاشف ثنائي متطور (يعتمد على Afchar et al.) عند تطبيقه على المزيجات الهجينة.
خط الأساس للانحدار: يتم تدريب نموذج انحدار يعتمد على شبكة عصبية تلافيفية (CNN) خصيصاً لتقدير $\alpha$ ، مما يضع خط أساس للأداء في الكشف النسبي.

النتائج التجريبية
تقيم الدراسة كلاً من الكاشف الثنائي المعاد إنتاجه ونموذج الانحدار الذي يستخدم نفس البنية التحتية لـ CNN على مزيجات اختبار لم تُستخدم في التدريب:

سلوك الكاشف الثنائي: عند تطبيقه على المحتوى المختلط، تزداد درجة مخرجات الكاشف الثنائي مع زيادة $\alpha$ ، لكنه يعمل كمقدر ضوضائي وغير معاير. يظل الكاشف قريباً من 0 عندما تكون $\alpha < 0.5$ ، ويقفز إلى حوالي 0.97 فقط عندما تكون $\alpha > 0.9$ ، مما يؤدي إلى تقدير محتوى الذكاء الاصطناعي بأقل من قيمته الحقيقية بشكل كبير في النطاق المتوسط.
حساسية الآلات: تعتمد حساسية الكشف بشكل كبير على نوع الآلة ومحتواها الترددي. فالطبول والغيتارات، التي تحمل بصمات آثار الترميز القوية في الترددات العالية، يتم اكتشافها بشكل موثوق. في المقابل، يصعب اكتشاف الأصوات البشرية (Vocals) والباص؛ حيث يتداخل محتواها الطيفي مع الآثار بشكل أقل وضوحاً، مما يسبب تداخلاً كبيراً في التوزيع بين الظروف الحقيقية وظروف الذكاء الاصطناعي في التصنيف الثنائي. ومع ذلك، يمكن لنموذج الانحدار استخراج معلومات نسبية من هذه الإشارات الأضعف حيث يفشل الكاشف الثنائي.
أداء الانحدار: يحقق نموذج الانحدار المدرب مباشرة على $\alpha$ متوسط خطأ مطلق (MAE) قدره 0.076 ومعامل تحديد $R^2$ قدره 0.85 على المزيجات المختبرة (باستخدام نوافذ مدتها 5 ثوانٍ). وبالمقارنة، فإن استخدام الاحتمالية الخام للكاشف الثنائي كتقدير ضمني لـ $\alpha$ ينتج عنه MAE قدره 0.289 و $R^2$ سالبة، مما يشير إلى أنه يؤدي بشكل أسوأ من التنبؤ بالمتوسط.
طول النافذة: يستفيد نموذج الانحدار من نوافذ التحليل الأطول (5 ثوانٍ مقابل ثانية واحدة)، مما يحقق تقديرات أكثر استقراراً، بينما يتدهور الارتباط العرضي للكاشف الثنائي مع $\alpha$ عند استخدام نوافذ أطول.

الأهمية والادعاءات
تدعي الورقة أن صياغة الانحدار تمثل "خطوة أولية واعدة" نحو كشف موسيقى الذكاء الاصطناعي في تدفقات العمل الإنتاجية الواقعية. ويؤكد المؤلفون أن نتائجهم تستند إلى إعادة بناء برامج الترميز بدلاً من مخرجات المولدات المباشرة، مما يعني أن النتائج تقيس تحديداً نسبة الطاقة المولدة بواسطة برنامج الترميز تحت ظروف محكومة.

تخلص الدراسة إلى أن:

المزيجات الهجيلة تحتوي على معلومات نسبية حول محتوى الذكاء الاصطناعي تلتقطها المصنفات الثنائية عرضياً ولكنها تفشل في الاستفادة منها بفعالية.
نهج الانحدار المخصص يتفوق بشكل كبير على الكواشف الثنائية المعاد توظيفها لقياس نسب طاقة الذكاء الاصطناعي.
حساسية الكشف ليست موحدة عبر الآلات؛ بل هي متجذرة في التوزيع الترددي لآثار برنامج الترميز بالنسبة للمحتوى الطيفي للآلة.

يضع المؤلفون هذا العمل كقاعدة منهجية وليس كأداة جاهزة للنشر. ويشيرون إلى أن العمل المستقبلي يتطلب مجموعات بيانات تربط المسارات البشرية بمخرجات المولدات التجارية الفعلية (مثل Suno وUdio) وتأخذ في الاعتبار عمليات المعالجة اللاحقة الاحترافية (مثل EQ والضغط/Compression) التي قد تغير بصمات الآثار. إن المنهجية والمكتبة المقترحة مصممة لتكون مستقلة عن برامج الترميز والمجموعات الموسيقية، مما يسهل الأبحاث المستقبلية مع توفر مثل هذه البيانات.

أبحاث مشابهة