Ein Song von 1984, „mit KI erstellt“: Wie Musik-Detektoren aus Wahrscheinlichkeiten Urteile machen
Aktualisiert:
„Across the Ocean“ aus dem Jahr 1984 soll aus dem KI-Generator „Treblo_v3“ stammen, der Track „In My Mind“ von 1982 angeblich von „ElevenLabs Music“. Zu diesem Schluss kam ein kommerzieller KI-Musik-Detektor bei zwei Aufnahmen der schwedischen Post-Punk-Band Twice a Man – Songs, die rund vier Jahrzehnte älter sind als jene KI-Tools.
Über diese Testergebnisse berichtete zunächst Digital Music News am 4. November, einen Tag später griff VICE das Thema auf. Ursprünglich ging es bei den Tests gar nicht um die alten Originalaufnahmen, sondern um die Verteidigung eines neuen Albums: DECAY / TIME — A Tribute to Twice a Man, ein im Juni 2026 erschienenes Doppelalbum mit 23 Tracks des Hamburger Musikers André Grafert, der unter dem Namen Coloured Tears veröffentlicht. Grafert betont, jedes Stück selbst eingespielt, programmiert, eingesungen und produziert zu haben – ohne generative KI. Als Werkzeuge nennt er Cubase, die Synthesizer Prophet X, Prophet 12, Pro 3 und Rev2 von Sequential, Kontakt von Native Instruments sowie seine eigene Stimme. Kurz nach der Veröffentlichung sah er sich dennoch öffentlich mit dem Vorwurf konfrontiert, KI eingesetzt zu haben.

Foto: Paul Morigi/WireImage für NARAS (Aufmacherbild des VICE-Artikels)
Genau darin liegt die unangenehme Kehrseite der aktuellen Aufräumaktion gegen KI-Musik: Werkzeuge, die menschliche Musiker eigentlich vor einer Flut synthetischer Tracks schützen sollen, können genauso gut echte Künstler falsch einstufen – und am stärksten trifft es Independent-Acts ohne eigenes Label und dessen Rechtsabteilung im Rücken. Über klagebedingte Takedowns bei DistroKid und die Kennzeichnungsregeln von YouTube Music haben wir an dieser Stelle bereits berichtet. Jetzt schauen wir eine Ebene tiefer direkt auf die Klassifikatoren: Was messen sie eigentlich, wie oft liegen sie daneben und was müsste passieren, wenn ein System falschliegt?
Was die Tests zeigen – und wo ihre Grenzen liegen
Durchgeführt wurden die Tests von Ines Weidemann bei International Artist Marketing (IAM), der PR-Agentur von Grafert. Laut einem Folgebericht von DMN stufte der Detektor von SubmitHub alle 23 Albumtracks überwiegend als KI oder Hybrid ein; drei weitere Systeme – ACRCloud, Let'sSubmit und TrackVerifier – kamen größtenteils zu ähnlichen Ergebnissen. Auch sieben Originalaufnahmen von Twice a Man aus den Jahren 1982 bis 1986 markierte SubmitHub als „AI/hybrid“.
So weit die Schlagzeile. Spannender und aussagekräftiger sind jedoch die Details dahinter:
- Die Audioquelle kippt das Ergebnis. Die sieben beanstandeten Originale wurden als YouTube-Links eingereicht. Dieselben sieben Tracks über Spotify-Links durch SubmitHub geschickt, galten plötzlich als menschlich – „Decay“ zu 85 %, „Sorrow“ zu 83 % und „In My Mind“ zu 91 %. SubmitHub teilte DMN mit, man habe das 1982er-Album selbst getestet und bei allen zehn Tracks 85–95 % „human“ gemessen; von YouTube-Audio mit niedriger Qualität rate man ohnehin ab.
- Detektoren widersprechen sich gegenseitig. Bei der aktuellen Fünf-Track-Single von Coloured Tears fiel keines der 15 Ergebnisse über SubmitHub, Let'sSubmit und TrackVerifier hinweg als überwiegend menschlich aus. Doch während TrackVerifier vier der fünf Songs bei 10,5 von 100 Punkten einordnete – ein „schwaches KI-Signal“ –, stufte Let'sSubmit alle fünf mit einer Konfidenz von 77–95 % als KI ein.
- Ein Tool widerspricht sich selbst. Mit derselben MP3-Datei im Abstand einer Woche gefüttert, verschob Let'sSubmit den Track „Flat Land“ von „Probably Human“ (61 %) zu „Probably AI“ (65 %).
Allerdings hat die Beweislage klare Grenzen. Sämtliche Tests stammen von einer Seite des Konflikts, nämlich von der PR-Agentur des Künstlers. Die genaue Testmethodik wurde nicht vollständig veröffentlicht, und keine unabhängige Stelle hat Graferts Projektdateien geprüft. Ein Vertreter von SubmitHub warf zudem Fragen zur Bearbeitung der Gesangsspuren auf – ein Punkt, den DMN als berechtigt, aber ungeklärt einordnet. Der Fall Grafert ist also eine gut dokumentierte Anekdote, keine statistisch gemessene Fehlerquote. Was er – zusammen mit SubmitHubs eigener Reaktion – aber belegt: Derselbe Song kann je nach hochgeladener Datei und Testwoche genau entgegengesetzte Urteile kassieren.
Was ein Detektor wirklich misst
Die gängige Formulierung – KI-Detektoren schätzen Wahrscheinlichkeiten, statt den Entstehungsprozess eines Songs zu prüfen – stimmt zwar, lässt aber den entscheidenden Punkt aus: worauf diese Wahrscheinlichkeit überhaupt basiert.
In den FAQ von Deezer heißt es, das eigene Tool erkenne „spezifische Audio-Artefakte und Signaturen, die mit generativen KI-Modellen verknüpft sind“ – Signale, die für Hörer „in der Regel unhörbar“ seien. Die akademische Forschung bestätigt das, zieht daraus aber deutlich härtere Schlüsse. In einer peer-reviewten Studie in den Transactions of the International Society for Music Information Retrieval (TISMIR) trainierten Laura Cros Vila, Bob L. T. Sturm und Kollegen Detektoren auf 20.000 Tracks von Suno und Udio sowie 10.000 menschlichen Aufnahmen und fanden die Aufgabe zunächst „einfach“. Als sie die Systeme jedoch systematisch zerlegten, zeigte sich:
- Allein ein Resampling auf 22,05 kHz veränderte die Ausgaben jedes getesteten Detektors, einschließlich des kommerziellen Systems IRCAM Amplify.
- Ein Hochpassfilter ab 8 kHz sorgte dafür, dass IRCAM Amplify sämtliches Audiomaterial als KI einstufte – auch echte menschliche Aufnahmen.
- Die Trainingsdatensätze unterschieden sich schon technisch deutlich: Suno-Dateien lagen mit 192 kbps vor, Udio mit 320 kbps und fast durchweg mit 48 kHz, während 60 % des menschlichen Datensatzes 44,1 kHz hatten. Eine simple Regel allein auf Basis der Abtastrate hätte bereits 83 % Präzision erreicht.
- Bei 50 Tracks von Boomy, einem nicht in den Trainingsdaten enthaltenen KI-Generator, erkannte IRCAM Amplify nur 3 als KI.
Das Fazit der Autoren trifft den Kern der gesamten Debatte: Ein so trainierter Detektor verrät nur, ob „eine bestimmte Audiodatei Merkmale aufweist, die zur Produktionspipeline von Suno, Udio oder etwas anderem passen“ – nicht aber, ob ein Mensch die Musik gemacht hat.
Selbst die Forscher von Deezer sehen das ähnlich. Darius Afchar, Gabriel Meseguer-Brocal und Romain Hennequin gaben einem Paper von 2024 den Titel „Detecting music deepfakes is easy but actually hard“: Ihr Klassifikator erreichte im Test zwar 99,8 % Genauigkeit, doch sie warnten, dass „ein guter Testwert noch nicht das Ende der Geschichte ist“, und nannten Kalibrierung, Robustheit gegen Audiomanipulation, Generalisierung auf unbekannte Modelle, Interpretierbarkeit und Einspruchsmöglichkeiten als offene Probleme. In einem Paper vom Juli 2026, an dem Afchar und Hennequin mitwirkten, heißt es weiter, dass die Leistung bestehender Detektoren „bereits bei simplen Audiomanipulationen wie Geschwindigkeitsänderungen oder Pitch-Shifting zusammenbricht“.
Warum könnten synthielastige Aufnahmen mit Retro-Klang besonders gefährdet sein? Direkt untersucht hat das bisher keine Studie; auch IAM gibt an, keine Forschung zu Nischen wie Darkwave zu kennen. Die folgenden Punkte sind daher Schlussfolgerungen des Autors aus den obigen Ergebnissen, keine belegten Messwerte:
- Der „menschliche“ Referenzdatensatz ist eng gefasst. Die menschlichen Vergleichsdaten der TISMIR-Studie stammten aus dem Million Song Dataset – überwiegend kommerzieller westlicher Mainstream –, und auch laut DMN neigen gängige Benchmarks stark zu westlichem Pop. Eine hart quantisierte Drum-Machine, eine sequenzierte Bassline und stark bearbeiteter Gesang liegen weit abseits dieses Zentrums, und ein binärer Klassifikator muss solche Ausreißer irgendwo einsortieren.
- Generatoren wurden ebenfalls mit diesen Genres trainiert. Wenn KI-Modelle die Synthie-Klangfarben der 1980er-Jahre nachahmen, überschneiden sich die Klangräume von KI und menschlicher Musik genau in diesen Timbres.
- Transkodierung verändert das Signal. YouTube-Rips, erneutes Encoding und ältere Master verschieben das Hochfrequenzband und die Abtastrate – genau jene Nebeneffekte, die laut TISMIR ein Urteil kippen können. Die Ergebnisse bei Twice a Man (über YouTube markiert, über Spotify freigesprochen) passen zu dieser Erklärung, auch wenn sie sie nicht beweisen.
Wenn ein Prozentwert zum Urteil wird
Eine bloße Wahrscheinlichkeit schadet niemandem. Problematisch wird es erst, wenn jemand in der Verwertungskette daraus eine harte Ja-oder-Nein-Grenze macht.
SubmitHub weist ausdrücklich darauf hin, dass Angaben wie „93% human“ die Modellkonfidenz ausdrücken und nicht den maschinell erzeugten Anteil eines Songs. Dennoch heißt es auf der eigenen Ergebnisseite, Tracks ab 85 % würden nicht akzeptiert, und die KI-Richtlinie vom September 2026 schließt Stücke mit mindestens 85 % KI-Wahrscheinlichkeit von den Promotion-Diensten aus – Hybride inklusive, wobei selbst geschriebene Texte oder Kompositionen keine Ausnahme begründen. Zum Start berichtete DMN, es werde „kein Einspruchsverfahren“ geben; im November schrieb DMN dann, SubmitHub biete „sehr wohl ein Einspruchsverfahren“ an. Beide Berichte widersprechen sich, und wir konnten nicht klären, was aktuell gilt.
Weiter hinten in der Kette steht noch deutlich mehr auf dem Spiel:
- Plattformen mit KI-Verbot. Bandcamp kündigte in einem Reddit-Post vom 13. Januar 2026 an, dass Musik, die „ganz oder zu wesentlichen Teilen“ mit generativer KI erstellt wurde, nicht mehr erlaubt ist (VICE datierte das Verbot auf Juni 2026, die zeitnahe Berichterstattung von Billboard verortet es im Januar). Bandcamp forderte Nutzer auf, verdächtige Tracks zur Prüfung durch das eigene Team zu melden – eine öffentliche Anschuldigung, womöglich gestützt auf den Screenshot eines kostenlosen Detektors, führt dort also direkt in die Überprüfung.
- Streaming-Dienste. Deezer entfernt als KI erkannte Tracks aus algorithmischen Empfehlungen sowie redaktionellen Playlists und kennzeichnet sie für Hörer. Das Label wird auf Albumebene vergeben; laut Deezer senkt das zwar das Risiko von Fehlklassifizierungen, bedeutet aber auch, dass ein einziger markierter Track gleich das gesamte Release abstempelt.
- Geld und Accounts. IAM argumentiert, Fehlalarme führten zu gesperrten Konten, blockierten Veröffentlichungen und einbehaltenen Tantiemen – vor allem bei Independent-Künstlern, die auf DIY-Distributoren setzen und automatisierten Filtern ausgeliefert sind. Das ist die Einschätzung von IAM; im Fall Grafert hat DMN kein konkretes Einfrieren von Tantiemen dokumentiert.
Genau diese Asymmetrie bildet den Kern der Indie-Kritik. Wie DMN anmerkt, stützt sich der neue Kennzeichnungsansatz der Branche auf freiwillige Selbstauskünfte von Labels und Distributoren. Bei einem Major-Act meldet das Label den KI-Status; bei einem Produzenten ohne Vertrag schätzt ihn eine Software. Oder in Graferts Worten: Newcomer müssten „anhand einzelner Tracks beweisen, dass sie echte Menschen sind, während bei den großen, etablierten Acts niemand jemals zweifeln würde.“
Das Problem mit der Basisrate
Die Genauigkeitsangaben der Anbieter klingen beruhigend. Deezer beziffert die Präzision seines Systems auf 99,8 %: Es übersehe etwa 2 KI-Tracks pro 1.000 und markiere „weniger als einen echten, von Menschen gemachten Track unter 10.000“ fälschlicherweise. SubmitHub verweist auf einen von UMG in Auftrag gegebenen Test, der dem eigenen Detektor 99,3 % Genauigkeit bescheinigt. Keiner dieser Benchmarks wurde in einer für Außenstehende reproduzierbaren Form veröffentlicht; die Kampagne rund um Coloured Tears spricht deshalb von „vertraulichen Branchen-Benchmarks“.
Was eine False-Positive-Rate im Alltag bedeutet, hängt vom Gesamtvolumen und davon ab, wie hoch der KI-Anteil im geprüften Material tatsächlich ist. Die folgende Tabelle zeigt eine Beispielrechnung des Autors. Die Eingangsgrößen sind Annahmen, keine Messwerte:
| Szenario | Annahmen | Fälschlich markierte menschliche Tracks | Anteil falscher Treffer an allen Markierungen |
|---|---|---|---|
| A. Deezer-Größenordnung, Anbieter-Quote | ~90.000 KI- + ~90.000 menschliche Uploads/Tag (laut Deezer gingen bis Juli 2026 täglich fast 90.000 KI-Tracks ein, beim Juni-Peak lag der KI-Anteil bei über 50 % der Tages-Uploads); False-Positive-Rate 0,01 % | ~9 pro Tag, ~3.300 pro Jahr | ~0,01 % |
| B. Gleiches Volumen, Quote aus der Forschung | Wie oben, aber 4,7 % False-Positive-Rate (IRCAM Amplify bei menschlicher Musik in der TISMIR-Studie – gemessen an nur 150 menschlichen Samples, anderes Produkt als bei Deezer) | ~4.200 pro Tag | ~4,5 % |
| C. Posteingang eines Kurators oder kleinen Labels | 1.000 Einreichungen, 10 % KI (laut SubmitHub lagen ~11 % der jüngsten Uploads über 85 %); Detektor erkennt 95 % der KI | bei 1 % FPR: ~9; bei 4,7 % FPR: ~42 | ~9 %; ~31 % |
Daraus folgen zwei Dinge. Erstens: Unterstellt man Deezers eigene Quote und Größenordnung, arbeitet die Basisrate tatsächlich für den Detektor. Wenn die Hälfte aller Uploads aus KI besteht, ist ein markierter Track mit an Sicherheit grenzender Wahrscheinlichkeit tatsächlich KI – vorausgesetzt, die genannte Fehlerrate stimmt. Tausende Fehlmarkierungen pro Jahr bedeuten zwar immer noch Tausende zu Unrecht betroffene echte Aufnahmen, sind aber im Gesamtbild keine Krise.
Zweitens hängt alles davon ab, ob die angegebene Quote auch für die eigene Musik gilt. Eine durchschnittliche False-Positive-Rate über einen großen Benchmark kann bei einer kaum darin vertretenen Untergruppe eine dramatisch höhere Fehlerquote verdecken. Würden etwa Darkwave- oder EBM-Platten zu 20 % falsch markiert (eine rein hypothetische Zahl, gemessen hat das niemand), würde sich der Plattform-Durchschnitt kaum bewegen – für die Künstler dieser Szene käme ein Treffer dagegen fast schon einem Münzwurf gleich. Genau deshalb wirft der Fall Grafert, so anekdotisch er sein mag, eine berechtigte Frage auf: Am ehesten falsch eingeschätzt werden jene, die in den Testsets hinter den beruhigenden Gesamtzahlen am wenigsten vorkommen.
Warum es trotzdem nicht ohne Erkennung geht
All das spricht nicht dafür, die Erkennung einfach abzuschalten – auch die Gegenargumente verdienen volles Gewicht.
Die KI-Flut ist real und zu großen Teilen betrügerisch. Als Deezer sein Tool im Januar 2025 startete, gingen rund 10.000 vollständig KI-generierte Tracks pro Tag ein; bis Juli 2026 waren es fast 90.000. Diese Stücke machen zwar nur 1–3 % der Streams aus, doch laut Deezer waren 2025 bis zu 85 % dieser Streams betrügerisch und werden von den Tantiemen ausgeschlossen. Jeder vergütete Fake-Stream geht aus demselben Topf ab, aus dem auch menschliche Künstler wie Grafert bezahlt werden. Eine von Deezer zitierte Studie von CISAC und PMP Strategy schätzt, dass bis 2028 fast 25 % der Einnahmen von Kreativen durch KI gefährdet sein könnten.
Auch die Anbieter haben gute Gründe, sich gegen pauschale Kritik zu wehren. SubmitHub bezeichnet DMNs Darstellung „grassierender“ Fehlalarme als unbelegt, und bislang zeigt keine veröffentlichte Untersuchung eine systematisch hohe Fehlerquote. Ein einzelnes Album, Tests einer PR-Agentur und ungeklärte Gesangsbearbeitung ergeben noch keine Statistik. Manche Plattformen bauen zudem Sicherheitsnetze ein: Deezers Tool zielt gezielt auf vollständig KI-generierte Stücke und „markiert KI-gestützte Tracks üblicherweise nicht“, und bei Bandcamp landen Meldungen laut Ankündigung bei menschlichen Prüfern statt in einer automatischen Sperre.
Unterm Strich lässt sich festhalten: Erkennung ist nötig, aktuelle Detektoren leisten im großen Maßstab gute Dienste, und am unzuverlässigsten arbeiten sie an den Rändern – genau dort, wo viel Independent-Musik entsteht.
Wie ein faires Verfahren aussehen müsste
Wenn KI-Erkennung dauerhaft bleibt, wird die Ausgestaltung des Verfahrens zur entscheidenden Frage. Vieles von dem, was dafür nötig ist, existiert in anderen Bereichen der Content-Moderation längst. In der EU verpflichtet der Digital Services Act Online-Plattformen dazu, Entscheidungen über das Entfernen von Inhalten, eingeschränkte Sichtbarkeit oder ausgesetzte Zahlungen zu begründen (Artikel 17) und ein internes Beschwerdesystem anzubieten, das Beschlüsse nicht „ausschließlich automatisiert“ trifft (Artikel 20). Ob und wie das im Detail für jeden einzelnen Musikdienst und Distributor greift, ist eine juristische Frage jenseits dieses Artikels – die Prinzipien lassen sich jedoch direkt übertragen (Einschätzung des Autors):
- Benachrichtigung. Künstlern mitteilen, dass ein Track markiert wurde, von welchem System und mit welcher Konsequenz – Label, Herabstufung, Ablehnung oder Zahlungsstopp.
- Begründung. Den Score, die Modellversion und die konkret analysierte Audioquelle offenlegen. „Wir haben einen YouTube-Rip geprüft“ und „Wir haben Ihr WAV-Master geprüft“ sind zweierlei Befunde.
- Ein echter Einspruch. Belege zulassen, die Detektoren nicht sehen können – Projektdateien, Stems, Session-Screenshots, Hardware-Mitschnitte –, und sie von einem Menschen mit passender Genre-Kenntnis prüfen lassen.
- Schwellenwerte sind keine Urteile. Ein Konfidenzwert sollte eine Überprüfung auslösen, keine automatische Sanktion. Und einen konkreten Generator wie „Treblo_v3“ für einen Track von 1984 zu benennen, verlangt deutlich stärkere Belege als eine bloße Wahrscheinlichkeit.
- Fehlerquoten nach Teilgruppen veröffentlichen. Anbieter, die mit Genauigkeitswerten werben, sollten False-Positive-Raten nach Genre, Ära und Audioformat aufschlüsseln – und Ergebnisse abstellen, die sich von einer Woche auf die nächste ändern.
Das Problem, das der Fall Grafert offenlegt, ist nicht die Existenz von Detektoren, sondern dass eine statistische Schätzung wie ein rechtskräftiges Urteil behandelt wird, ohne dass jemand dafür geradesteht. Um das zu lösen, muss man sich nicht zwischen menschlichen Musikern und dem Kampf gegen KI-Spam entscheiden. Es reicht, einen Klassifikator-Wert als das zu behandeln, was er selbst laut seinen Entwicklern ist: ein Hinweis zur Prüfung, kein Urteil.
Quellen
- VICE — False Positives from AI Detection Tools Threaten the Indie Musicians They're Supposed to Protect (Originalartikel)
- Digital Music News — More AI Detector False Positives Emerge In Rapid Succession (4. Nov. 2026)
- Digital Music News — Human Enough? How AI Detector Scores Put Indie Artists at Risk (8. Nov. 2026)
- Digital Music News — SubmitHub Bans AI Music Submissions (17. Sept. 2026)
- Cros Vila, Sturm, Casini & Dalmazzo — The AI Music Arms Race: On the Detection of AI-Generated Music, TISMIR (2025)
- Afchar, Meseguer-Brocal & Hennequin — Detecting music deepfakes is easy but actually hard (arXiv, 2024)
- Dugelay et al. — Improved Robustness in AI-Generated Music Detection (arXiv, 2026)
- Deezer Newsroom — AI-generated tracks now represent 44% of all new uploaded music (20. Apr. 2026; FAQ-Zahlen aktualisiert bis Juli 2026)
- Billboard — Bandcamp Bans AI-Generated Songs in a First for Major Online Music Platforms (14. Jan. 2026)
- Verordnung (EU) 2022/2065 — Digital Services Act