Assessing AI-generated music detection in real-world broadcast monitoring
تقدم هذه الورقة البحثية مجموعة بيانات BAMM، وهي عبارة عن 40 ساعة من تسجيلات التلفزيون من العالم الحقيقي، لتوضيح أن كواشف الموسيقى المولدة بواسطة الذكاء الاصطناعي القائمة على الشبكات العصبية الالتفافية (CNN) تعاني من تدهور حرج في الأداء وعدم كفاية في الموثوقية عند تطبيقها في ظروف مراقبة البث الفعلي مقارنة بالبيئات النظيفة أو الاصطناعية.
المؤلفون الأصليون:David López-Ayala, Fernando García de la Cruz, Pablo Zinemanas, Emilio Molina, Martín Rocamora
تخيل أنك محقق موسيقي يحاول حل لغز في غرفة صاخبة ومزدحمة. في هذه الغرفة، يوجد نوعان من المغنيين: بشر حقيقيون ونوع جديد من الروبوتات التي يمكنها الغناء بشكل مثالي عبر التعلم من ملايين الأغاني. مهمتك هي رصد المغني الروبوت. في الاستوديو الهادئ، يكون هذا الأمر سهلاً؛ فصوت الروبوت يحتوي على "خلل" ضئيل وغير مرئي لا يمكن إلا لمحقق يمتلك حاسة سمع خارقة أن يلتقطه. ولكن ماذا يحدث عندما يحاول هذا الروبوت الغناء بينما تصرخ حشود صاخبة، وتدوي صفارة إنذار، ويتم بث الصوت عبر راديو رخيص مليء بالتشويش؟ هذا هو عالم المراقبة البثية. إنها علم الاستماع إلى ما يُبث فعلياً على التلفزيون والراديو، حيث نادراً ما تكون الموسيقى بمفردها؛ فهي غالباً ما تكون قصيرة، أو مخفية خلف الحوار، أو مكتومة بسبب جودة الإشارة الضعيفة. ومع ازدياد انتشار موسيقى الذكاء الاصطناعي، تحتاج الشركات والحكومات إلى معرفة: هل لا يزال بإمكان "المحققين" الحاليين رصد المغنيين الروبوتات عندما تكون الغرفة فوضوية، أم أنهم يرتبكون ويفقدون القدرة على رصدهم تماماً؟
هذه الورقة البحثية، التي تحمل عنوان "تقييم كشف الموسيقى المولدة بالذكاء الاصطناعي في المراقبة البثية الواقعية"، هي بمثابة اختبار للواقع لهؤلاء المحققين. أدرك المؤلفون، وهم فريق من مختبر لتكنولوجيا الموسيقى وشركة ترخيص، أن معظم الاختبارات السابقة كانت تشبه التدرب لمواجهة عاصفة بينما تقف في غرفة هادئة ومكيفة الهواء. لقد بنوا أداة جديدة تسمى BAMM (مراقبة موسيقى الذكاء الاصطناعي البثية)، وهي مكتبة ضخمة تضم 40 ساعة من تسجيلات التلفزيون الحقيقية. هذا ليس محاكاة حاسوبية؛ بل هي مقاطع تلفزيونية فعلية حيث تعمل موسيقى الذكاء الاصطناعي والموسيقى البشرية في خلفية الأخبار والإعلانات والبرامج، تماماً كما يحدث في العالم الحقيقي.
وضع الباحثون نوعين مختلفين من أجهزة الكمبيوتر "المحققة" تحت الاختبار. الأول، CNN Clean، تم تدريبه فقط على موسيقى مثالية عالية الجودة في استوديو هادئ. والثاني، CNN Broadcast، تم تدريبه على أصوات فوضوية ومختلطة تشبه أصوات التلفزيون. واختبروا كليهما على ثلاثة مستويات من الصعوبة:
الاستوديو الهادئ: موسيقى واضحة ومثالية.
التلفزيون المزيف: موسيقى ممزوجة بالكلام في محاكاة حاسوبية محكومة.
التلفزيون الحقيقي: الـ 40 ساعة الفعلية من مقاطع البث التلفزيوني الحقيقي من مجموعة بيانات BAMM.
إليكم ما وجدوه. في الاستوديو الهادٍ، كان كلا المحققين شبه مثاليين، حيث رصدا المغنيين الروبوتات بنسبة تقتر-ب من 100%. ولكن بمجرد انتقالهم إلى سيناريو "التلفزيون المزيف"، فقد المحقق المدرب فقط على الموسيقى الهادئة (CNN Clean) طريقه تماماً، حيث انخفض معدل نجاحه إلى 34% فقط. أما المحقق المدرب على الأصوات الفوضوية (CNN Broadcast) فقد كان أفضل حالاً، حيث وصل إلى 66%، مما يثبت أن التدريب على بيانات فوضوية يساعد. ومع ذلك، عندما انتقلوا إلى سيناريو التلفزيون الحقيقي — الفوضى غير المخطط لها لبث التلفزيون الحقيقي — تعثر كلا المحققين بشدة. فقد انخفضت نسبة المحقق المدرب على الموسيقى الهادئة إلى 18%، وحتى المحقق المدرب على البث لم يصل إلا إلى 47%.
كان الاكتشاف الأكثر إثارة للقلق هو أنه في عالم التلفزيون الحقيقي، بدأت درجات الموسيقى البشرية والموسيقى المولدة بالذكاء الاصطناعي تبدو متطابقة تماماً. لم يعد بإمكان المحققين التمييز بينهما. تشير الورقة البحثية إلى أن "الخلل" الذي كانت تبحث عنه الحواسيب في الاستوديو الهادئ يختفي تماماً أو يُحجب عندما تكون الموسيلة قصيرة، أو ممزوجة بالحديث، أو مضغوطة في إشارة منخفضة الجودة. وبينما يجعل التدريب على البيانات الفوضوية الكواشف أكثر قدرة على التحمل، إلا أنه ليس كافياً لحل المشكلة. ويخلص المؤلفون إلى أن أساليبنا الحالية ليست جاهزة بعد لرصد موسيقى الذكاء الاصطناعي بشكل موثوق في عالم التلفزيون والراديو الواقعي، وأننا بحاجة إلى محققين أكثر ذكاءً للتعامل مع الضجيج.
ملخص تقني: تقييم كشف الموسيقى المولدة بواسطة الذكاء الاصطناعي في مراقبة البث في العالم الحقيقي
بيان المشكلة أدى الانتشار السريع للموسيقى المولدة بواسطة الذكاء الاصطناعي إلى خلق تحديات ملحة تتعلق بالشفافية، وحقوق التأليف، والتعويض العادل في صناعة البث. وبينما تحقق أدوات كشف الموسيقى المولدة بالذكاء الاصطناعي الحالية دقة تقترب من المثالية في المسارات المعزولة عالية الدقة، إلا أنها تعاني من تدهور كبير في الأداء عند تطبيقها في بيئات البث الواقعية. وتقتصر التقييمات الحالية إلى حد كبير على البيانات الاصطناعية أو المختبرات الخاضعة للرقابة، مما يفشل في مراعاة التعقيدات الصوتية للبث التلفزيوني. وتشمل هذه التعقيدات: مقاطع الموسيقى القصيرة، وهيمنة الكلام أو المؤثرات الصوتية التي تحجب الموسيقى، مستويات العلو المتغيرة، وقيود النقل ذات معدل البت المنخفض (مثل 8 كيلو هرتز لتردد العينات، و40 كيلوبت في الثانية لترميز AAC-LC). وبناءً على ذلك، لا يزال مدى موثوقية طرق الكشف الحالية في مراقبة البث الفعلي أمراً غير محل حل.
المنهجية لمعالجة الفجوة بين المعايير المرجعية الاصطناعية وظروف العالم الحقيقي، قدم المؤلفون BAMM (مراقبة موسيقى الذكاء الاصطناعي في البث)، وهو عبارة عن مجموعة بيانات وإطار تقييم مبتكر.
بناء مجموعة البيانات (BAMM): تتكون BAMM من 40 ساعة من تسجيلات التلفزيون الواقعية، متوازنة بين حوالي 20 ساعة من الموسيقى المولدة بالذكاء الاصطناعي و20 ساعة من الموسيقى التي صنعها البشر. تم تنسيق مجموعة البيانات من خلال:
اختيار المراجع: إنشاء مستودع من المسارات المرجعية النظيفة. تم قصر المسارات التي صنعها البشر على الإصدارات بين عامي 2020-2022 (ما قبل النماذج التوليدية المتقدمة مثل Suno v3.5). أما المسارات المولدة بالذكاء الاصطناعي، فقد تم اختيارها فقط إذا حصلت على تصنيف إيجابي بالإجماع من مجموعة مكونة من خمسة كواشف متنوعة.
البصمة الرقمية: استخدام بصمة الصوت لتحديد مواقع هذه المسارات المرجعية ضمن أرشيف بث عالمي (يراقب أكثر من 4,200 قناة) خلال فترات البث بين يناير 2025 ومارس 2026.
التصفية: تطبيق كاشف موسيقى عميق (DMD) لعزل المقاطع التي تحتوي على موسيقى (في المقدمة أو الخلفية) وإزالة المؤثرات الصوتية أو المطابقات الخاطئة.
الخصائص: تتراوح المقاطع بين 5 إلى 60 ثانية. الصوت أحادي القناة (monophonic)، بتردد عينة 8 كيلو هرتز، ومُرمز بمعدل 40 كيلوبت في الثانية، مما يمثل تدفقات البروكسي منخفضة الجودة المستخدمة في المراقبة الصناعية.
الإعداد التجريبي: تدرس الدراسة متغيرين من بنية الشبكة العصبية الالتفافية (CNN) (بناءً على Afchar et al. [6]) عبر ثلاثة سيناريوهات متدرجة الصعوبة:
الموسيقى الأمامية النظيفة (CFM): مسارات معزولة عالية الجودة (خط الأساس الضابط).
البث التلفزيوني الاصطناعي (STB): مزيج محكوم من الموسيقى والكلام يحاكي ظروف البث (باستخدام مجموعة بيانات AI-OpenBMAT).
البث التلفزيوني الواقعي (RTB): مجموعة بيانات BAMM الكاملة التي تحتوي على تسجيلات بث حقيقية.
النموذجان اللذان تمت مقارنتهما هما:
CNN Clean: تم تدريبه حصرياً على الموسيقى الأمامية النظيفة.
CNN Broadcast: تم تدريبه على مزيج من الموسيقى النظيفة وظروف البث الاصطناعية (موسيقى ممزوجة مع الكلام عند نسب مختلفة من الإشارة إلى الضجيج - SNR).
المساهمات الرئيسية
مجموعة بيانات BAMM: المساهمة الأساسية هي إصدار مجموعة بيانات بث واقعية مدتها 40 ساعة مخصصة لكشف الموسيقى المولدة بالذكاء الاصطناعي. وخلافاً للمعايير المرجعية السابقة، تلتقط BAMM كامل التباين في بيئات البث، بما في ذلك موسيقى الخلفية، والمؤثرات الصوتية، وتشفير معدل البت المنخفض.
التقييم التجريبي: تقدم الورقة معياراً صارماً يقارن بين النماذج "المُدربة على بيانات نظيفة" مقابل "المُدربة على بيانات البث" عبر سيناريوهات البث الاصطناعية والواقعية.
تحديد الفجوات النطاقية: تحدد الدراسة بشكل منهجي انخفاض الأداء عند الانتقال من الصوت النظيف إلى المزيج الاصطناعي، وصولاً إلى محتوى البث الحقيقي، مما يسلط الضوء على عدم كفاية مناهج التدريب الحالية.
النتائج يكشف التقييم عن فجوة نطاقية حرجة وتدهور كبير في الأداء مع زيادة واقعية السيناريوهات:
الموسيقى الأمامية النظيفة (CFM): يحقق كلا النموذجين أداءً يقترب من المثالية (F1 > 0.99)، مما يؤكد أن الآثار (artifacts) المتعلمة من بيانات التدريب منخفضة الجودة يمكن اكتشافها في الصوت عالي الجودة.
البث التلفزيوني الاصطناعي (STB): يتدهور الأداء بشكل ملحوظ. ينخفض نموذج CNN Clean إلى F1 قدره 0.342، بينما يتحسن نموذج CNN Broadcast إلى 0.661. يشير هذا إلى أنه على الرغم من أن التدريب على بيانات مختلطة يساعد، إلا أنه لا يحل تماماً آثار الحجب الناتجة عن ظروف البث.
البث التلفزيوني الواقعي (RTB): يتدهور الأداء بشكل أكبر في مجموعة بيانات BAMM.
CNN Clean: ينخفض F1 إلى 0.186.
CNN Broadcast: ينخفض F1 إلى 0.472.
تداخل الدرجات: يوجد تداخل كبير في درجات الاحتمالية بين الموسيقى المولدة بالذكاء الاصطناعي والموسيقى التي صنعها البشر، خاصة في موسيقى الخلفية. تعاني النماذج أكثر في رفض المحتوى البشري منها في تحديد المحتوى الاصطناعي في هذه الظروف.
المقدمة مقابل الخلفية: يؤدي كلا النموذجين أداءً أفضل في موسيقى المقدمة مقارنة بموسيقى الخلفية، مما يؤكد أن الحجب هو مصدر رئيسي للتدهور. ومع ذلك، حتى الكشف في المقدمة يظل غير موثوق بسبب جودة الصوت المتدهورة والأصوات الأخرى في البث.
الأهمية والادعاءات تدعي الورقة أن مناهج التدريب الحالية للنماذج القائمة على CNN غير كافية للكشف الموثوق عن الموسيقى المولدة بالذكاء الاصطناعي في مراقبة البث. تكشف النتائج عن فجوة نطاقية حرجة حيث تفشل النماذج المدربة على بيانات نظيفة أو مختلطة اصطناعياً في التعميم على واقع البث التلفزيوني المعقد ومنخفض الجودة.
يضع المؤلفون BAMM ليس كحل لمشكلة الكشف، بل كإطار تقييم مرجعي ضروري. ومن خلال كشف أوضاع الفشل التي لا تلتقطها مجموعات بيانات الموسيقى النظيفة، تسلط BAMM الضوء على الحاجة إلى طرق كشف أكثر قوة قادرة على نمذجة التعقيد الصوتي والسياقي لوسائط البث الحقيقية. ويؤكد هذا العمل أن مهمة الكشف عن الموسيقى المولدة بالذكاء الاصطناعي تصبح أصعب بكثير عندما تكون الإشارة الموسيقية أقل بروزاً أو مدمجة ضمن مزيجات صوتية معقدة، وهو تحدٍ لم تتغلب عليه بنيات الحالة الراهنة (state-of-the-art) بعد.