Un tema de 1984 «creado con IA»: cuando los detectores de música confunden probabilidades con sentencias

Actualizado:

Según un conocido detector comercial de música generada por IA, «Across the Ocean» —grabada en 1984 por la banda sueca de post-punk Twice a Man— fue creada mediante una herramienta llamada «Treblo_v3». El mismo software atribuyó otro tema del grupo, «In My Mind» (1982), a «ElevenLabs Music». Sobra decir que ambas canciones se publicaron casi cuatro décadas antes de que existiera nada remotamente parecido a estos modelos generativos.

El hallazgo surge de unas pruebas publicadas por Digital Music News el 4 de noviembre y recogidas al día siguiente por VICE. En realidad, el objetivo inicial no era analizar canciones ochenteras, sino defender un trabajo actual: DECAY / TIME — A Tribute to Twice a Man, un doble álbum de 23 canciones lanzado en junio de 2026 por el músico hamburgués André Grafert bajo su alias Coloured Tears. Grafert insiste en que compuso, tocó, programó y grabó cada pista sin recurrir a IA generativa, detallando su flujo de trabajo real: Cubase, sintetizadores hardware de Sequential (Prophet X, Prophet 12, Pro 3 y Rev2), librerías de Kontakt de Native Instruments y su propia voz. Aun así, poco después del estreno empezaron a lloverle acusaciones públicas de haber hecho trampa con inteligencia artificial.

A recording studio session; the image VICE used to illustrate its report

Foto de Paul Morigi/WireImage para NARAS (imagen de portada del artículo de VICE)

He aquí la gran paradoja en esta cruzada contra el spam sintético: las herramientas diseñadas para proteger a los músicos de carne y hueso frente a la avalancha de temas generados por IA están castigando a los propios creadores humanos. Y quienes pagan el pato suelen ser los artistas independientes, desprovistos del respaldo legal de una gran discográfica. En este blog ya hemos abordado las retiradas forzosas en DistroKid o la política de etiquetado de YouTube Music; hoy conviene bajar un nivel y mirar las tripas del clasificador: qué mide realmente, qué margen de error tiene y qué protocolo debería seguirse cuando falla.

Qué revelaron realmente las pruebas (y qué quedó en el aire)

Los análisis corrieron a cargo de Ines Weidemann, de la agencia de comunicación International Artist Marketing (IAM), representante de Grafert. Tal como detalló el seguimiento de DMN, el clasificador de SubmitHub catalogó las 23 canciones del álbum como mayoritariamente hechas por IA o híbridas, una postura secundada en buena medida por otros tres detectores: ACRCloud, Let'sSubmit y TrackVerifier. Para colmo, siete temas originales de Twice a Man editados entre 1982 y 1986 arrojaron idéntico veredicto en SubmitHub: «IA o híbrido».

Ese fue el titular llamativo. La letra pequeña, sin embargo, es bastante más compleja y reveladora:

  • La fuente del archivo altera por completo el veredicto. Los siete temas clásicos que dieron positivo se habían analizado extrayendo el audio de YouTube. Al pasar esas mismas canciones por SubmitHub mediante enlaces directos de Spotify, el resultado dio un vuelco hacia lo humano: «Decay» obtuvo un 85 %, «Sorrow» un 83 % e «In My Mind» un 91 %. Desde SubmitHub aseguraron a DMN que, al probar ellos mismos el álbum de 1982, los diez temas obtuvieron entre un 85 % y un 95 % de probabilidad humana, desaconsejando explícitamente el uso de audios comprimidos de YouTube.
  • Los detectores discrepan sistemáticamente entre sí. En el último sencillo de cinco cortes de Coloured Tears, ninguno de los 15 análisis efectuados entre SubmitHub, Let'sSubmit y TrackVerifier concluyó que se tratara de música humana. Ahora bien, TrackVerifier otorgó a cuatro de ellos una puntuación de 10,5 sobre 100 (un «indicio débil de IA»), mientras que Let'sSubmit los tachó a todos de IA con una certeza demoledora de entre el 77 % y el 95 %.
  • Un mismo algoritmo se contradice a sí mismo. Al procesar exactamente el mismo archivo MP3 de «Flat Land» con una semana de diferencia, Let'sSubmit pasó de clasificarlo como «probablemente humano» (61 %) a catalogarlo como «probablemente IA» (65 %).

Tampoco debemos perder de vista los sesgos de la muestra: todos estos datos proceden de la agencia de relaciones públicas del propio artista. La metodología no se ha auditado públicamente y ningún perito independiente ha revisado los proyectos de Grafert. Desde SubmitHub se deslizaron dudas sobre el procesado de las voces —un apunte razonable, según DMN, pero no corroborado—. El caso de Grafert funciona como un caso de estudio revelador, no como una medición estadística formal. Lo que sí evidencia de forma incuestionable —y las propias réplicas de SubmitHub lo constatan— es que una misma canción puede recibir dictámenes opuestos según la compresión del archivo o la semana en que se suba.

Qué analiza en realidad un detector de IA

Suele decirse que «los detectores de IA no examinan cómo se compuso una canción, sino que calculan probabilidades». La afirmación es exacta, pero esquiva la cuestión de fondo: en qué parámetros se apoya realmente ese cálculo probabilístico.

En su sección de preguntas frecuentes, Deezer explica que su algoritmo rastrea «artefactos y firmas de audio específicos de los modelos generativos», imperceptibles a simple vista para el oído humano. El ámbito académico corrobora esta mecánica, pero advierte con crudeza de sus trampas. En un estudio publicado en Transactions of the International Society for Music Information Retrieval (TISMIR), Laura Cros Vila, Bob L. T. Sturm y su equipo entrenaron clasificadores con 20 000 temas generados por Suno y Udio y 10 000 canciones humanas. En un primer vistazo, distinguir ambos mundos parecía «sencillo». Todo cambió cuando inspeccionaron el sistema a fondo:

  • Basta con remuestrear el audio a 22,05 kHz para cambiar los resultados de todos los detectores evaluados, incluida la solución comercial de IRCAM Amplify.
  • Al aplicar un filtro paso alto a partir de los 8 kHz, IRCAM Amplify clasificó todo el audio como generado por IA, grabaciones humanas incluidas.
  • Los conjuntos de datos presentaban diferencias técnicas evidentes: los archivos de Suno estaban a 192 kbps, los de Udio a 320 kbps y prácticamente todos a 48 kHz, mientras que el 60 % de la música humana estaba a 44,1 kHz. Un simple filtro basado únicamente en la frecuencia de muestreo habría alcanzado un 83 % de precisión.
  • Frente a 50 pistas generadas por Boomy —un modelo de IA ausente en el entrenamiento inicial—, IRCAM Amplify solo fue capaz de detectar 3 como sintéticas.

La conclusión de los investigadores resume el núcleo del problema: este tipo de modelos no certifica si una obra fue concebida por un ser humano, sino si «un archivo determinado comparte características técnicas con la cadena de producción de Suno, Udio o entornos afines».

Los propios investigadores de Deezer coinciden en el diagnóstico. Darius Afchar, Gabriel Meseguer-Brocal y Romain Hennequin titularon su artículo técnico de 2024 «Detectar deepfakes musicales es fácil, pero en realidad es difícil». Pese a que su clasificador lograba una precisión del 99,8 % en pruebas de laboratorio, advirtieron de que un buen resultado en un banco de pruebas no basta: quedan pendientes retos mayúsculos como la calibración, la resistencia a manipulaciones de audio, la capacidad de generalizar frente a generadores desconocidos, la explicabilidad y el derecho a réplica. Un artículo de julio de 2026 firmado también por Afchar y Hennequin subraya que la eficacia de los detectores actuales «se desmorona ante alteraciones tan simples como un cambio de velocidad o de tono».

¿Por qué la música retro y cargada de sintetizadores tiene más opciones de dar falsos positivos? Aunque ningún estudio lo ha cuantificado de forma exhaustiva (la propia IAM admite que no hay análisis centrados en el darkwave), podemos extraer tres deducciones técnicas bien fundadas a partir de la evidencia existente:

  1. El patrón de referencia «humano» es muy homogéneo. El dataset humano empleado en el estudio de TISMIR procede del Million Song Dataset, centrado en el pop comercial anglosajón. Una caja de ritmos rígidamente cuantizada, una línea de bajo secuenciada y voces bañadas en procesadores vocales se alejan de ese patrón convencional. En un modelo binario, los casos atípicos acaban cayendo en el lado equivocado.
  2. Los propios generadores se nutrieron de estas estéticas. Dado que los motores de IA aprendieron imitando timbres de sintetizadores de los años ochenta, la zona de solapamiento tímbrico entre la creatividad humana y la sintética coincide de lleno con estos estilos.
  3. El transcodificado ensucia la señal acústica. Descargar audio de YouTube, recomprimirlo o tirar de másteres antiguos altera drásticamente los agudos y la frecuencia de muestreo, precisamente las características accesorias que, según TISMIR, desconciertan al clasificador. Los resultados de Twice a Man (sospechoso en YouTube, limpio en Spotify) encajan milimétricamente con esta explicación, aunque no constituyan una prueba concluyente.

Del porcentaje estadístico a la condena ejecutiva

En abstracto, una cifra de probabilidad no le hace daño a nadie. La catástrofe sobreviene cuando los eslabones de la cadena de distribución la convierten en una sentencia inapelable.

SubmitHub recalca que avisos como «93 % humano» reflejan la confianza del modelo, no qué porcentaje de la canción fue generado por una máquina. Sin embargo, su propia plataforma advierte de que no acepta pistas que superen el 85 % de probabilidad de IA. Su política sobre IA de septiembre de 2026 excluye de sus campañas de promoción cualquier tema que alcance ese 85 % (incluidos híbridos donde la letra o la composición sean humanas). En su momento, DMN reportó que no habría posibilidad de apelación, aunque en noviembre matizó que la plataforma sí habilitaba un mecanismo de recurso. Ante versiones contradictorias, no ha sido posible confirmar cuál es la práctica vigente.

A medida que descendemos por el ecosistema de distribución, la factura para el creador se agrava:

  • Plataformas con vetos tajantes. A través de un comunicado en Reddit el 13 de enero de 2026, Bandcamp anunció que no admite música creada «total o sustancialmente» mediante IA generativa (aunque VICE situó el veto en junio de 2026, la cobertura de Billboard confirma que fue en enero). La plataforma pide a la comunidad que denuncie temas sospechosos para que los revise su equipo, lo que convierte cualquier captura de un detector gratuito en un arma arrojadiza de baneo inmediato.
  • Servicios de streaming. Deezer expulsa de sus recomendaciones algorítmicas y listas editoriales las pistas detectadas como IA, además de colocarles una etiqueta informativa de cara al oyente. Dicha marca se aplica a nivel de álbum completo: según Deezer, esto minimiza los falsos positivos, pero a efectos prácticos condena el disco entero si una sola pista salta en el escáner.
  • Cuentas bloqueadas y retención de ingresos. Desde IAM denuncian que estos falsos positivos se traducen en cuentas clausuradas, lanzamientos paralizados y retención de regalías, un golpe que sacude sobre todo a los artistas independientes que dependen de distribuidoras digitales automáticas. Es la postura de IAM; DMN no constató que Grafert sufriera una congelación directa de fondos en su caso.

Esta asimetría resume la indignación de los músicos independientes. Como recuerda DMN, las nuevas directrices de la industria fían la transparencia al criterio voluntario de las grandes discográficas: a un artista de major se le cree bajo palabra; al productor independiente lo juzga un algoritmo opaco. Como resumía el propio Grafert, a los recién llegados se les exige demostrar tema a tema que son de carne y hueso, mientras nadie pone en duda a los gigantes consolidados.

La trampa matemática de las tasas base

Sobre el papel, las cifras de los proveedores transmiten una seguridad aplastante. Deezer presume de una precisión del 99,8 % en su algoritmo, pasando por alto apenas 2 temas de IA por cada 1000 y marcando erróneamente «a menos de un tema humano por cada 10 000». SubmitHub, por su parte, se ampara en una auditoría encargada por Universal Music Group que cifra su fiabilidad en un 99,3 %. Ninguno de estos bancos de prueba ha sido publicado con el rigor necesario para ser replicado externamente, y desde el entorno de Coloured Tears los califican de «métricas confidenciales de conveniencia».

El impacto real de una tasa de falsos positivos no depende solo del porcentaje, sino del volumen absoluto y de la proporción de IA en el catálogo auditado. La siguiente tabla refleja un ejercicio de cálculo teórico elaborado por este autor. Los datos son supuestos de partida, no mediciones empíricas:

Escenario Supuestos Temas humanos marcados por error Porcentaje de alertas erróneas
A. Escala de Deezer, tasa oficial ~90 000 temas de IA + ~90 000 temas humanos al día (Deezer indicó que recibía casi 90 000 temas de IA diarios en julio de 2026, superando el 50 % en su pico de junio); tasa de falsos positivos del 0,01 % ~9 al día, ~3300 al año ~0,01 %
B. Mismo volumen, tasa académica Mismo volumen anterior, pero con un 4,7 % de falsos positivos (resultado de IRCAM Amplify sobre música humana en TISMIR, medido en 150 muestras humanas; un software distinto al de Deezer) ~4200 al día ~4,5 %
C. Bandeja de entrada de un sello o curador 1000 envíos, 10 % generados por IA (SubmitHub indicó que un ~11 % de subidas recientes superaba el 85 %); el detector intercepta el 95 % de la IA Con un 1 % de FPR: ~9; con un 4,7 % de FPR: ~42 ~9 %; ~31 %

De esta comparativa se desprenden dos lecturas capitales. En primer lugar, a la escala mastodóntica de Deezer y con sus cifras oficiales, la tasa base juega a favor del detector: cuando la mitad del catálogo entrante es sintético, cualquier positivo casi con certeza será IA (siempre que la tasa oficial se cumpla). Miles de errores al año suponen miles de lanzamientos humanos perjudicados, pero a nivel macroscópico no paralizan la plataforma.

En segundo lugar, todo el andamiaje se sostiene bajo la condición de que esa tasa de acierto se cumpla en tu estilo musical concreto. Una media global intachable puede camuflar un descalabro monumental en géneros marginales poco representados en el entrenamiento. Si en el darkwave o el EBM la tasa de falsos positivos ascendiera al 20 % (un porcentaje hipotético que nadie ha medido), el promedio global de la plataforma apenas se inmutaría, pero para esa comunidad someterse al filtro equivaldría a tirar una moneda al aire. Por eso el calvario de Grafert, más allá de la anécdota, pone el dedo en la llaga: los creadores más vulnerables al error son precisamente aquellos ignorados en las pruebas que justifican esas cifras triunfalistas.

Por qué apagar los detectores tampoco es la solución

Nada de lo expuesto invalida la necesidad imperiosa de contar con filtros; los argumentos en defensa de la detección tienen un peso indiscutible.

El aluvión de spam sintético es un problema real y profundamente fraudulento. Cuando Deezer activó su herramienta en enero de 2025, entraban unos 10 000 temas íntegramente generados por IA al día; en julio de 2026 rozaban ya los 90 000. Aunque apenas concentran entre el 1 % y el 3 % de las reproducciones, Deezer descubrió que en 2025 hasta el 85 % de esas escuchas correspondían a granjas de bots, retirándoles el reparto de derechos. Cada céntimo embolsado por una reproducción artificial se detrae de la misma bolsa común que retribuye a los músicos reales, incluido Grafert. Un informe de CISAC y PMP Strategy citado por la plataforma calcula que la IA podría poner en jaque casi el 25 % de los ingresos de los creadores para 2028.

Las empresas de análisis también tienen motivos legítimos para rechazar que se las demonice. SubmitHub sostiene que no existen pruebas de falsos positivos «masivos» y que, hasta la fecha, ningún estudio acredita un fallo sistémico. El caso aislado de un disco, las pruebas de una agencia y unas dudas no resueltas sobre el tratamiento de la voz no conforman un patrón estadístico. Además, varias plataformas diseñan sus filtros con cautela: Deezer persigue temas generados íntegramente por IA y no suele marcar creaciones híbridas o asistidas, mientras que Bandcamp canaliza las denuncias hacia moderadores humanos en lugar de aplicar suspensiones automáticas.

En resumen: la detección es imprescindible, las herramientas actuales prestan un servicio útil a escala global y su fiabilidad flaquea justo en las fronteras estilísticas, donde precisamente vive la música independiente.

Garantías mínimas: cómo debería ser un proceso justo

Si la detección ha llegado para quedarse, el debate debe centrarse en los protocolos de actuación. La mayoría de estas garantías ya se aplican con éxito en otros ámbitos de la moderación de contenidos. En la Unión Europea, la Ley de Servicios Digitales (DSA) exige a las plataformas justificar cualquier retirada, limitación de visibilidad o bloqueo de pagos (artículo 17), además de habilitar vías de recurso internas cuyas resoluciones no dependan «exclusivamente de medios automatizados» (artículo 20). Al margen de su encaje jurídico exacto en cada distribuidora o plataforma musical, los principios son perfectamente extrapolables (a juicio de este autor):

  1. Notificación transparente. Informar de inmediato al artista si un tema ha sido marcado, especificando qué software emitió el aviso y qué medidas se han adoptado (etiquetado, invisibilización, rechazo o retención de ingresos).
  2. Motivación técnica del dictamen. Facilitar la puntuación obtenida, la versión del modelo y la pista analizada. Evaluar un ripeo comprimido de YouTube no arroja las mismas garantías que examinar un máster en WAV.
  3. Vía de apelación con supervisión humana. Permitir la aportación de pruebas que el algoritmo no puede evaluar —proyectos de DAW, pistas por pistas (stems), capturas de sesión, grabaciones de sintetizadores hardware—, sometiéndolas a la revisión de una persona con criterio sobre el género.
  4. Los umbrales son alertas, no sentencias. Una probabilidad estadística debe abrir una investigación, no disparar una sanción automática. Imputar la autoría a un generador concreto, como ocurrió al atribuir un tema de 1984 a «Treblo_v3», exige un estándar probatorio muy superior a una simple estimación matemática.
  5. Auditorías públicas por géneros y formatos. Las compañías que comercializan índices de precisión deben desglosar sus tasas de error según estilos, épocas y formatos, además de corregir las discrepancias en temas que cambian de veredicto de una semana a otra.

La lección que deja el caso de Grafert no es que haya que desmantelar los detectores, sino que se está delegando una decisión sancionadora y ejecutiva en un cálculo probabilístico sin que nadie se responsabilice de los errores. Enmendarlo no exige elegir entre apoyar a los músicos de carne y hueso o combatir el spam: basta con tratar el veredicto de un clasificador tal como reconocen sus propios creadores, como un indicio que merece ser examinado, nunca como una sentencia inapelable.

Fuentes