Analyse Musicale Contrôlable et Interprétable par des Modèles Hybrides – MusAIc

Le projet MusAIc (Analyse musicale contrôlable et interprétable par des modèles hybrides) vise à concevoir de nouveaux outils d’intelligence artificielle pour l’analyse audio musicale qui soient à la fois performants, mais aussi contrôlables et interprétables. Les approches traditionnelles dites structurées, comme les factorisations non négatives de rang faible, offrent transparence et contrôle, mais peinent à capturer toute la complexité des signaux musicaux. À l’inverse, les modèles d’apprentissage profond atteignent d’excellentes performances, tout en restant opaques et difficiles à guider.

MusAIc propose de combler ce fossé grâce à des modèles hybrides combinant les atouts complémentaires de ces deux paradigmes. Ces modèles seront développés avec et pour les professionnel·les de la musique -- musicologues, musicien·nes, ingénieur·es du son -- afin d’être utilisables dans des contextes réels, tant artistiques qu’analytique.

Le projet repose sur trois grandes questions de recherche :
- Les méthodes de factorisation de rang faible peuvent-elles gagner en expressivité et en passage à l’échelle grâce aux principes de l’apprentissage profond ?
- Les modèles d’apprentissage profond peuvent-ils devenir plus interprétables et contrôlables en y intégrant des contraintes structurées ?
- Peut-on concevoir des modèles hybrides qui, par construction, équilibrent performance, interprétabilité et contrôlabilité ?

Pour relever ces défis, le projet est structuré en quatre volets (Work Packages, WP) :
- Le WP1 développe des modèles profonds de factorisation de rang faible.
- Le WP2 explore des techniques d’adaptation et de compression pour améliorer l’interprétabilité des modèles profonds.
- Le WP3 conçoit des architectures hybrides intégrant nativement contrôlabilité et interprétabilité.
- Le WP4 engage une co-conception collaborative avec les professionnel·les de la musique et assure une large diffusion des résultats.

En ancrant l’innovation technique dans des besoins concrets, MusAIc ambitionne de favoriser de nouvelles formes d’interaction entre IA et musique, au service des chercheur·es comme des praticien·nes.