La transcription musicale par IA part d’un enregistrement pour en écrire les notes, en trois étapes. L’audio devient une image des fréquences qu’il contient. Un modèle entraîné sur des milliers d’enregistrements analyse cette image et prédit les notes. Celles-ci sont ensuite calées sur une pulsation, puis converties en partition et en MIDI. Si les résultats sont aussi bons aujourd’hui, c’est parce que l’étape centrale, la plus difficile, a changé. Les règles écrites à la main ont laissé place à un réseau de neurones qui a appris, à partir d’exemples, à reconnaître les notes.
En quelques mots
Quand on relève un morceau à l’oreille, on écoute une note, on la retrouve sur son instrument, on détermine sa durée, puis on l’écrit. On recommence ensuite quelques milliers de fois. L’IA fait le même travail, beaucoup plus vite et en traitant les notes ensemble. Elle convertit le son en données qu’elle peut analyser, y reconnaît les notes, puis les traduit en symboles que l’on sait lire. C’est cette reconnaissance qui fait appel à l’intelligence du modèle, et c’est surtout elle qui a progressé ces dernières années.
Première étape : le son devient une image
Un enregistrement numérique est une longue liste de nombres qui décrivent comment doit bouger la membrane d’un haut-parleur, avec des dizaines de milliers de valeurs par seconde. Impossible d’y voir une mélodie. Le logiciel commence donc par appliquer une transformation pour déterminer la quantité d’énergie présente à chaque hauteur, à chaque instant. Il en ressort un spectrogramme, une carte où le temps va de gauche à droite et la fréquence de bas en haut. Les zones lumineuses indiquent les hauteurs qui sonnent.
Cette image ressemble, dans les grandes lignes, à celle d’un Piano Roll. Elle est bien plus proche de la musique que la forme d’onde brute. Une note tenue apparaît comme un trait horizontal. Un accord forme un empilement de traits. Un coup de batterie produit une brève trace verticale qui couvre de nombreuses fréquences. Une fois le son représenté ainsi, un modèle entraîné à analyser des images peut le lire.
Deuxième étape : le modèle repère les notes
Repérer les notes sur un spectrogramme est plus difficile qu’il n’y paraît. Une seule note de piano ne dessine pas une simple ligne bien nette : elle produit une fréquence fondamentale et toute une série d’harmoniques au-dessus. Quand plusieurs notes sonnent ensemble, leurs harmoniques se chevauchent et s’entremêlent. Le mi grave d’une guitare partage des harmoniques avec le mi situé une octave plus haut. Distinguer les zones lumineuses qui correspondent à des notes jouées de celles qui sont les harmoniques d’autres notes est la principale difficulté de la transcription.
Les systèmes actuels la résolvent avec des réseaux de neurones entraînés sur de grands jeux de données qui associent des enregistrements aux notes exactes qu’ils contiennent. Pour le piano, des instruments capables d’enregistrer à la fois l’audio et les mouvements précis des touches ont fourni des milliers d’interprétations parfaitement alignées sur les notes jouées. Le réseau étudie ces données pour apprendre à distinguer une note frappée de ses harmoniques, à reconnaître son début et à suivre la baisse du volume. Pour chaque hauteur et chaque tranche de temps, il prédit généralement plusieurs éléments : si une note commence, si elle est en train de sonner et à quel volume. En reliant ces prédictions, on obtient une liste d’événements de note, chacun avec une hauteur, un début, une fin et une vélocité.
Personne n’a eu à programmer des règles comme « ignorer le troisième harmonique ». Le modèle les a déduites des exemples. La même méthode s’étend donc à d’autres instruments à mesure que les données d’entraînement deviennent disponibles, et les résultats continuent de progresser sans qu’il faille réécrire la logique. L’article pourquoi la précision de la transcription par IA varie explique plus en détail pourquoi certains enregistrements donnent de meilleurs résultats que d’autres.
Troisième étape : les notes deviennent une partition lisible
Une liste de notes avec des repères temporels précis suffit déjà pour produire du MIDI et afficher les notes dans un Piano Roll. Pour une partition, il faut aussi un tempo, une métrique et des notes calées sur des valeurs rythmiques reconnaissables. À 120 temps par minute, personne ne joue une noire qui dure exactement 500 millisecondes. Le logiciel doit donc retrouver la pulsation, déterminer où placer les barres de mesure et arrondir la durée de chaque note à une valeur cohérente, comme une noire ou une croche. Cette étape s’appelle la quantification. Elle fait la différence entre une transcription facile à lire et une partition encombrée de triples croches injouables.
Le logiciel doit aussi faire les choix de notation auxquels on s’attend quand on joue : répartir les notes entre main droite et main gauche, choisir les altérations et placer les silences. Le résultat est ensuite proposé dans les formats adaptés aux différents usages. Une même transcription peut ainsi devenir un PDF à imprimer, un fichier MIDI pour un logiciel de MAO ou un fichier MusicXML à ouvrir dans un éditeur de partitions. Si un rythme ou la répartition entre les mains est incorrect, c’est à cette étape qu’il faut intervenir. Il suffit généralement d’une retouche rapide pour corriger les erreurs de transcription, sans tout recommencer.
Ce que l’IA réussit bien et ce qui lui pose problème
Le piano solo est le terrain le mieux connu de la transcription par IA. Les données d’entraînement y sont les plus nombreuses, le son se prête bien à l’analyse et les bons modèles repèrent la grande majorité des notes d’un enregistrement propre. Les modèles savent aussi bien transcrire un seul instrument qui joue des accords, ce qu’on appelle la transcription polyphonique. Nous détaillons le cas du piano dans comprendre la transcription polyphonique du piano.
Les difficultés sont assez prévisibles. Un groupe entier enregistré sur une seule piste mixée donne plus de travail au modèle : il doit démêler plusieurs instruments qui occupent en même temps les mêmes zones de fréquences. Une forte distorsion, beaucoup de réverbération ou un audio de mauvaise qualité brouillent le spectrogramme et réduisent la précision. Les passages très rapides et les notes très faibles passent facilement inaperçus. Le résultat reste exploitable, mais il faut s’attendre à une première version solide que l’on relit, plutôt qu’à une partition terminée sans aucune vérification. L’article la précision de la transcription musicale par IA donne des chiffres pour savoir à quels résultats s’attendre.
Comment obtenir le meilleur résultat
L’enregistrement est ce sur quoi vous avez le plus de prise, car toute la suite dépend de la première étape. Plus l’enregistrement est clair, plus l’image est nette et plus le modèle reconnaît de notes correctement. Choisissez la version la plus claire du morceau que vous trouvez, indiquez à l’outil quel instrument il entend pour qu’il utilise le bon modèle, puis relisez rapidement le résultat. Avec Songscription, vous envoyez un fichier ou collez un lien, et l’IA réalise les trois étapes décrites ici. Vous obtenez un Piano Roll et une partition que vous pouvez écouter, ralentir, transposer et modifier dans le navigateur avant de les exporter. L’IA fait le gros du travail d’écoute ; vous gardez le dernier mot sur la partition.
Questions fréquentes
Comment fonctionne la transcription musicale par IA ?
Le logiciel travaille en trois grandes étapes. Il transforme d’abord l’audio en spectrogramme, une image des fréquences présentes à chaque instant. Un réseau de neurones entraîné sur des milliers d’enregistrements associés aux notes jouées analyse ensuite cette image. Il prédit le début des notes, leur hauteur et leur fin. Les notes prédites sont enfin calées sur une grille rythmique, puis converties en MIDI et en notation sur portée. Le modèle reconnaît des formes qu’il a apprises à partir de données, plutôt que de suivre des règles écrites à la main. C’est ce qui explique les progrès réalisés avec l’arrivée de grands jeux de données où les notes et l’audio sont alignés et de réseaux de neurones modernes.
La transcription musicale par IA est-elle précise ?
Avec un enregistrement propre d’un seul instrument, les résultats sont aujourd’hui très bons. C’est surtout le cas du piano solo, pour lequel les modèles repèrent couramment la grande majorité des notes. La précision baisse quand l’audio se complique : un mix chargé avec tout un groupe, un enregistrement de téléphone bruité, beaucoup de réverbération ou des notes rapides qui se chevauchent rendent la tâche plus difficile. Attendez-vous à une première version solide, à relire et à corriger, plutôt qu’à une partition parfaite sans aucune vérification.
L’IA peut-elle distinguer les instruments lors de la transcription ?
Les modèles savent bien repérer les notes d’un seul instrument, y compris les accords joués sur un piano ou une guitare. Séparer plusieurs instruments qui jouent en même temps dans un mix est plus difficile. Le mode multi-instrument de Songscription le fait en une seule passe, mais séparer d’abord l’audio en stems donne toujours les parties les plus propres. Vous pouvez aussi condenser tout le mix en une réduction pour piano si vous souhaitez jouer le morceau sans retrouver chaque partie séparément.
Pour voir ces trois étapes à l’œuvre sur l’un de vos morceaux, envoyez un enregistrement et regardez-le se transformer en notes que vous pouvez lire et modifier.
