耳のいいAI

音楽初心者のぼくが、参考曲を言葉にできた話

最近、みなさん、音楽生成はどうでしょうか。

はかどっていますか？

ぼくは、まだ音楽生成を始めてから、それほど時間がたっていません。

しかも作曲も作詞も全くの素人です。

そんなぼくでも、AIを使えば曲を作れる。

ふとしたキッカケで、音楽を生成してみたら、本当に楽しくてびっくりしました。

自分が考えた言葉が歌になり、頭の中にしかなかった雰囲気が曲になって返ってきます。

ただ、始めてすぐに困ったこともあります。

作りたい曲のイメージはあるのに、それをどう説明すればよいのか分かりませんでした。

---

画像生成を始めた頃と同じでした

---

この感覚には、覚えがあります。

3年前に画像生成を始めた頃、「炎をまとった剣士の女の子」を作りたいと思ったとき、思い浮かんだ言葉は、

「剣士」「女の子」「炎をまとった」

そのくらいでした。全然だめだめなプロンプトしか作れませんでした。

頭の中にはもう少し細かいイメージがあるのに、それをAIへ渡す言葉が「浮かばない」「そもそも知らない」。そんな感じでした。

画像生成を続けるうちに、構図、光、表情、ポーズ、背景、色など、イメージをいくつかの要素へ分けて考えられるようになりました。

何が違うのかを言葉にできるようになると、少しずつ狙ったイラストが出てきて、ニコニコしていました。

音楽生成も、同じなのだと思います。

「明るい曲」「切ない曲」「夏らしい曲」だけでも、AIは何かを作ってくれます。でも、当然、思いもしなかった曲が出てくることもあります。

偶然できた曲を楽しむのも、AI音楽生成のおもしろさです。

それでも、自分が考えている方向へ少し近づけたいなら、テンポ、キー、曲の構成、コード、楽器、歌い方など、もう少し具体的な言葉が必要になります。

問題は、音楽初心者のぼくには、その言葉が分からないことでした。

---

好きな曲を、AIに分析してもらいました

---

そこで試したのが、好きな楽曲のYouTube URLをAIへ渡し、曲を分析してもらう方法です。

実際に使った指示は、次のようなものでした。

以下のYouTube動画の音声を、冒頭から最後まで実際に聴いてください。
>
> 動画情報や歌詞の説明は不要です。
>
> 音声から、推定BPM、拍子、推定キー、曲構成と各セクションの時間、各セクションのコード進行、主な使用楽器を分析してください。
>
> 判断できない項目は推測で埋めず、「判定困難」と書いてください。

この同じ条件で、Gemini、ChatGPT、Claudeを試しました。

先に結果を言うと、

今回の方法では、ぼくが欲しかった形で答えを返してくれたのはGeminiでした。

ChatGPTからは、
「この環境ではYouTube動画の音声ストリームを再生・取得できないため、推測では答えられない」

という回答が返ってきました。分析するには、音声ファイルか動画ファイルを添付してほしいとのことでした。

Claudeも同じように、

「YouTubeのURLを渡されても音声を実際に聴くことはできないと回答しました。そのため、今回求めた項目は『判定困難』になる」

という説明でした。

ChatGPTとClaudeは、分析が苦手だったというより、今回の入力方法では音源までたどり着けなかったのです。

耳の差というより、そもそも音源まで届く入口があるかの差でした。

一方、Geminiは、参考にしたBENIの「LA LA LA LOVE SONG」のカバーについて、推定BPMを125、拍子を4分の4、推定キーをDメジャーと回答しました。

それだけではありません。

曲をイントロ、Aメロ、Bメロ、サビ、間奏、ラストサビ、アウトロなどに分け、それぞれの時間とコード進行まで並べました。

ピアノ、エレクトリックピアノ、シンセサイザー、ドラム、ベース、アコースティックギターといった楽器も挙げています。

なかなか優秀で、すごいなというのが正直な感想です。

---

分析結果は、曲のイメージとして使います

---

Geminiから得られたキーやコード進行、BPM、楽器などは、参考曲と同じものを作るためではありません。

自分が作りたい曲の雰囲気を、音楽生成AIへ伝えるための材料です。

特にSunoでは、ぼくが試した範囲では、コード進行を細かく指定しても、そのとおりに反映されないことがほとんどでした。

コード進行を決められた設計図として使うのではなく、曲のイメージを伝える一つの要素として捉えています。

「こんな感じの曲」としか言えなかったものが、

「125 BPM前後」「4分の4拍子」「明るいメジャーキー」「ピアノとエレクトリックピアノ」「R&Bのリズム」

という言葉に分かれていきます。

この情報を入れれば、参考曲と同じものが作れるわけではありません。

そこは勘違いしないでもらいたいと思います。

---

今回の条件では、Geminiが使いやすかった

---

「耳のいいAIはどれですか」と聞かれたら、今回の試し方ではGeminiと答えます。

ただ、これはすべてのモデルや入力方法を比べた結果ではありません。

YouTubeのURLと同じプロンプトを3つのAIへ渡した、ぼくの今回の結果です。音声ファイルを直接添付すれば、ChatGPTやClaudeの結果も変わるかもしれません。モデルや機能が変われば、できることも変わると思います。

そして「耳がいい」といっても、音楽の正解を必ず当ててくれる保証はないと認識しています。

ぼくがまだ言葉にできない音を、BPM、キー、構成、コード、楽器へ分けて返してくれる。

今のぼくにとっては、それだけでも十分に「耳のいいAI」でした。

音楽生成を始めたばかりで、作りたい曲をうまく説明できない人は、好きな曲をそのまままねるのではなく、一度、音楽の要素へ分けてみると、次の指示を考えやすくなるかもしれません。

ぼくもまだ、分析結果をどう使えば狙った曲へ近づけられるのか、試している途中です。

現在、Codexを使って、メタタグ付きの歌詞を組み立てるフレームワークと、曲に合ったスタイルを効率よく作る仕組みを開発しています。

まだ発展途中ですが、かなり形になってきました。

完成したら、必ず公開します。楽しみにお待ちください。