Un brano del 1984 bollato come «fatto con l'IA»: quando i detector scambiano le probabilità per sentenze

Aggiornato:

Può un brano post-punk inciso nel 1984 essere stato generato da un modello di intelligenza artificiale? Per un noto detector commerciale la risposta è sì: «Across the Ocean» degli svedesi Twice a Man risulterebbe prodotto da «Treblo_v3». E non finisce qui, perché la stessa piattaforma ha etichettato «In My Mind», un loro pezzo del 1982, come opera di «ElevenLabs Music». Piccola incongruenza storica: entrambi i brani hanno visto la luce circa quattro decenni prima della comparsa di questi software sul mercato.

Il paradosso emerge da una serie di verifiche svelate da Digital Music News il 4 novembre e rilanciate il giorno successivo da VICE. In origine, i test non puntavano affatto a mettere in discussione brani di quarant'anni fa, ma a difendere un lavoro appena uscito: DECAY / TIME — A Tribute to Twice a Man, un doppio album di 23 tracce pubblicato a giugno 2026 dal musicista di Amburgo André Grafert sotto lo pseudonimo Coloured Tears. Grafert sostiene di aver suonato, programmato, cantato e prodotto ogni singola nota senza ricorrere minimamente all'IA generativa, dettagliando la propria catena di strumenti: Cubase, i sintetizzatori Prophet X, Prophet 12, Pro 3 e Rev2 di Sequential, Kontakt di Native Instruments e la propria voce. Eppure, a stretto giro dalla pubblicazione, si è ritrovato bersaglio di accuse pubbliche di aver barato con l'intelligenza artificiale.

Una sessione in studio di registrazione; l'immagine usata da VICE a corredo dell'articolo

Foto di Paul Morigi/WireImage per NARAS (immagine di copertina dell'articolo di VICE)

Siamo di fronte a un effetto collaterale beffardo e preoccupante: i software sviluppati per arginare l'ondata di produzioni sintetiche e tutelare i musicisti rischiano di colpire proprio gli artisti in carne e ossa. I soggetti più vulnerabili, come sempre, sono gli indipendenti, privi dell'ufficio legale di una major a cui potersi appoggiare. Su queste pagine ci siamo già occupati dei takedown legati a contenziosi su DistroKid e delle nuove etichette di YouTube Music; qui vogliamo scendere di un livello per guardare dentro il classificatore: cosa calcola realmente, con quale frequenza sbaglia e quali tutele dovrebbero scattare di fronte a un errore.

I risultati dei test: cosa dimostrano davvero (e cosa no)

A condurre le verifiche è stata Ines Weidemann dell'agenzia di PR International Artist Marketing (IAM), che segue la promozione di Grafert. Come ricostruito nel secondo approfondimento di DMN, l'algoritmo di SubmitHub ha classificato tutte le 23 tracce del disco come a prevalenza IA o ibride, e altri tre strumenti — ACRCloud, Let'sSubmit e TrackVerifier — sono giunti a conclusioni del tutto simili. Sottoposti al medesimo test su SubmitHub, persino sette brani originali incisi dai Twice a Man tra il 1982 e il 1986 sono stati etichettati come «IA/ibridi».

Questo è il dato che colpisce nei titoli. Ma i dettagli tecnici raccontano una realtà molto più complessa e istruttiva:

  • La sorgente audio stravolge il verdetto. I sette brani originali incriminati erano stati inviati tramite link di YouTube. Testando le stesse identiche canzoni su SubmitHub ma attingendo da Spotify, il verdetto ha premiato l'origine umana: «Decay» all'85%, «Sorrow» all'83% e «In My Mind» al 91%. SubmitHub ha poi precisato a DMN di aver analizzato direttamente l'album del 1982 ottenendo punteggi tra l'85% e il 95% di natura umana su tutte e dieci le tracce, ribadendo di sconsigliare l'analisi di audio a bassa qualità estratto da YouTube.
  • Mancanza di coerenza tra piattaforme concorrenti. Analizzando l'ultimo EP di cinque tracce di Coloured Tears su SubmitHub, Let'sSubmit e TrackVerifier, nessuno dei 15 responsi complessivi ha identificato una chiara origine umana. Tuttavia le valutazioni sono risultate inconciliabili: TrackVerifier ha assegnato a quattro brani su cinque un punteggio di 10,5 su 100 (classificato come «segnale IA debole»), mentre Let'sSubmit ha bollato tutte e cinque le tracce come IA con una confidenza compresa tra il 77% e il 95%.
  • Un algoritmo che smentisce se stesso. Messo alla prova con il medesimo file MP3 a una sola settimana di distanza, Let'sSubmit ha cambiato radicalmente idea su «Flat Land», facendolo passare da «Probabilmente umano» (61%) a «Probabilmente IA» (65%).

Bisogna considerare anche i limiti metodologici: tutte queste prove provengono da una sola parte in causa, ossia l'ufficio stampa dell'artista. La metodologia completa non è stata pubblicata e nessun perito terzo ha esaminato i file sorgente del progetto di Grafert. Dalla parte di SubmitHub sono stati sollevati dubbi sul tipo di elaborazione applicato alle tracce vocali — un'obiezione che DMN ha definito legittima ma rimasta insoluta. Il caso Grafert rappresenta quindi un aneddoto dettagliato, non una misurazione statistica dell'errore. Dimostra però un fatto oggettivo, confermato dalla stessa SubmitHub: lo stesso brano può incassare verdetti opposti semplicemente cambiando file sorgente o il giorno in cui si avvia l'analisi.

Cosa misura realmente un detector per la musica

Si ripete spesso che i detector di IA si limitano a calcolare probabilità invece di ricostruire la reale lavorazione di un brano. È vero, ma si sorvola sulla domanda fondamentale: su quali elementi si basano queste stime probabilistiche?

Nelle FAQ di Deezer si spiega che il sistema proprietario va a caccia di «artefatti sonori specifici e firme riconducibili a modelli di IA generativa», tracce «generalmente impercettibili per chi ascolta». La letteratura accademica concorda, descrivendo le conseguenze pratiche in termini ancora più crudi. In uno studio peer-reviewed pubblicato su Transactions of the International Society for Music Information Retrieval (TISMIR), il gruppo guidato da Laura Cros Vila e Bob L. T. Sturm ha addestrato vari modelli su 20.000 brani generati da Suno e Udio e 10.000 tracce umane, definendo l'obiettivo apparentemente «semplice». Ma quando i ricercatori hanno aperto il cofano di questi sistemi, lo scenario è mutato:

  • Un banale ricampionamento dell'audio a 22,05 kHz ha ribaltato i punteggi di tutti i classificatori esaminati, compreso il software commerciale IRCAM Amplify.
  • Applicando un filtro passa-alto da 8 kHz in su, IRCAM Amplify ha etichettato tutti i campioni analizzati come IA, incluse le registrazioni umane.
  • I dataset di test presentavano divergenze tecniche di fondo: i file di Suno erano a 192 kbps, quelli di Udio a 320 kbps, quasi tutti a 48 kHz, mentre il 60% dei campioni umani era a 44,1 kHz. Sarebbe bastata una regola banale fondata sulla frequenza di campionamento per azzeccare l'83% delle classificazioni.
  • Sottoposto a 50 tracce create da Boomy — un motore generativo escluso dalla fase di addestramento —, IRCAM Amplify ne ha identificate come sintetiche appena 3.

Le conclusioni degli autori fotografano alla perfezione il problema: un detector istruito in questo modo non determina se un brano sia stato suonato da un essere umano, ma si limita a segnalare se «un determinato file audio presenta caratteristiche tipiche della pipeline produttiva di Suno, Udio o altre piattaforme analoghe».

Gli stessi ricercatori di Deezer sono giunti a osservazioni simili. Nel 2024, Darius Afchar, Gabriel Meseguer-Brocal e Romain Hennequin hanno intitolato un paper «Detecting music deepfakes is easy but actually hard»: nonostante il classificatore avesse raggiunto un'accuratezza di laboratorio del 99,8%, gli scienziati avvertivano che un punteggio elevato nei test non garantisce l'affidabilità reale, lasciando aperti nodi cruciali come la calibrazione, la tolleranza alle manipolazioni, la risposta verso modelli sconosciuti, l'interpretabilità dei risultati e gli strumenti di ricorso. In un paper di luglio 2026 firmato tra gli altri da Afchar e Hennequin, viene documentato come le prestazioni dei detector oggi in commercio «crollino in presenza di manipolazioni elementari, quali una leggera alterazione di velocità o di tonalità».

Perché i brani densi di sintetizzatori o con sonorità vintage sono più a rischio? Non esistono ancora studi specifici sul tema, e la stessa IAM ammette di non conoscere analisi focalizzate su nicchie come la darkwave. Quella che segue è una nostra deduzione basata sui riscontri empirici finora noti, non un dato scientifico consolidato:

  1. Campioni di riferimento umani troppo omogenei. Il gruppo di brani umani analizzato nello studio TISMIR attingeva dal Million Song Dataset, composto prevalentemente da musica commerciale pop-rock occidentale, e la stessa DMN nota che i benchmark di riferimento tendono a concentrarsi sul pop mainstream. Una drum machine quantizzata al millimetro, linee di basso sequenziate e voci pesantemente processate si posizionano su coordinate timbriche anomale rispetto a questi parametri medi: posti di fronte a valori eccentrici, i classificatori binari tendono con facilità a prendere abbagli.
  2. I motori di IA hanno studiato gli stessi generi. I generatori sono stati addestrati anche su timbriche synth-pop anni '80. Di conseguenza, l'area di sovrapposizione tra la produzione umana d'epoca e quella sintetica contemporanea risulta particolarmente fitta.
  3. La ricodifica distorce il segnale. I file estratti da YouTube, le conversioni ripetute e i vecchi master alterano la risposta sulle alte frequenze e il campionamento originale — proprio quelle variabili secondarie che, stando all'indagine TISMIR, bastano a rovesciare il responso dell'algoritmo. L'esito riscontrato sui Twice a Man (bocciati se presi da YouTube, riabilitati via Spotify) combacia con questa interpretazione, pur non costituendone la prova matematica.

Dalla probabilità alla censura: quando un punteggio diventa sentenza

Una percentuale statistica presa da sola non fa male a nessuno. I veri danni iniziano quando qualche attore della filiera distributiva tratta quel numero come una ghigliottina automatica.

SubmitHub chiarisce come verdetti del tipo «93% human» indichino il livello di confidenza del modello e non la frazione del pezzo generata da macchine. Eppure, le schermate della piattaforma indicano che i brani con una percentuale di IA dall'85% a salire vengono respinti, e la sua policy sull'IA di settembre 2026 vieta l'accesso ai servizi promozionali alle tracce che raggiungono tale soglia, ibridi compresi, senza che la stesura autonoma di testo o spartito garantisca deroghe. Al momento del lancio, DMN aveva riportato che «non sarebbe stato consentito alcun ricorso»; a novembre, la stessa pubblicazione ha scritto che SubmitHub «prevede una procedura di appello». Le due notizie sono in contrasto tra loro e non siamo riusciti a verificare quale delle due corrisponda alla prassi odierna.

Risalendo la catena distributiva, la posta in gioco cresce sensibilmente:

  • Le piattaforme che impongono il divieto assoluto. Con un post su Reddit del 13 gennaio 2026, Bandcamp ha comunicato il divieto per la musica prodotta «interamente o in misura sostanziale» con IA generativa (mentre VICE collocava il bando a giugno 2026, i resoconti coevi di Billboard ne attestano la comparsa a gennaio). Bandcamp ha invitato gli iscritti a segnalare i pezzi sospetti per sottoporli a verifica interna: in un clima del genere, un'accusa pubblica basata magari sullo screenshot di un tool gratuito può portare dritta all'avvio di sanzioni.
  • I servizi di streaming musicale. Deezer rimuove i brani bollati come IA sia dalle raccomandazioni algoritmiche sia dalle playlist editoriali, aggiungendo un tag visibile agli utenti. L'etichettatura scatta a livello di intero album: Deezer sostiene che tale logica riduca il rischio di falsi positivi, ma il rovescio della medaglia è che un solo brano sospetto penalizza l'intera pubblicazione.
  • Blocco di compensi e profili. Stando alla tesi di IAM, i falsi allarmi aprono la strada alla chiusura dei profili, allo stop delle uscite discografiche e al trattenimento delle royalty, danneggiando in primo luogo gli indipendenti che si appoggiano a distributori digitali automatizzati. Questa è la valutazione di IAM; DMN non ha documentato un congelamento effettivo delle royalty nel caso specifico di Grafert.

L'asimmetria di trattamento resta l'argomento cardine sollevato dai musicisti indipendenti. Come evidenzia DMN, i nuovi standard di etichettatura del mercato poggiano sull'autocertificazione volontaria di etichette e distributori: per una grande major l'eventuale uso dell'IA viene dichiarato dall'etichetta stessa, mentre per un producer emergente senza contratto la decisione è demandata a un software. Per dirla con le parole di Grafert, agli emergenti viene imposto di «dimostrare traccia dopo traccia di essere esseri umani in carne e ossa, mentre nessuno si sognerebbe mai di nutrire il minimo dubbio sui grandi nomi già affermati».

L'inganno delle percentuali: la matematica del tasso di base

I numeri sbandierati dai venditori trasmettono una rassicurante sensazione di precisione. Deezer dichiara un'accuratezza del 99,8%, con appena due brani generati da IA ignorati ogni 1.000 e «meno di una traccia autentica su 10.000» erroneamente segnalata. SubmitHub richiama invece una verifica commissionata da UMG che attesta la precisione del proprio detector al 99,3%. Nessuno di questi benchmark è stato tuttavia pubblicato con dati verificabili da terze parti indipendenti, e l'entourage di Coloured Tears definisce queste metriche semplici «dati confidenziali a uso interno dell'industria».

Il peso pratico di un tasso di falsi positivi varia radicalmente a seconda dei volumi di traffico e dell'effettiva diffusione dei brani sintetici nel catalogo esaminato. Riportiamo di seguito una simulazione ipotetica elaborata dall'autore. I dati utilizzati sono assunti teorici, non misurazioni sul campo:

Scenario Ipotesi di partenza Brani umani ingiustamente segnalati Percentuale di segnalazioni errate
A. Volumi Deezer, tasso dichiarato dal fornitore ~90.000 caricamenti IA + ~90.000 caricamenti umani al giorno (Deezer stima di aver toccato quasi 90.000 brani IA al giorno a luglio 2026, con l'IA oltre il 50% delle nuove tracce al picco di giugno); tasso di falsi positivi allo 0,01% ~9 al giorno, ~3.300 all'anno ~0,01%
B. Stessi volumi, tasso misurato dalla ricerca Come sopra, ma con un tasso di falsi positivi del 4,7% (dato rilevato su IRCAM Amplify nello studio TISMIR su soli 150 campioni umani; prodotto differente da quello di Deezer) ~4.200 al giorno ~4,5%
C. Inbox di un curatore o di una piccola etichetta 1.000 invii, di cui il 10% generato con IA (SubmitHub ha rilevato che circa l'11% dei brani recenti ha ottenuto un punteggio superiore all'85%); il detector intercetta il 95% dell'IA con FPR all'1%: ~9; con FPR al 4,7%: ~42 ~9%; ~31%

Da questo confronto emergono due riflessioni chiave. In primo luogo, sui volumi dichiarati da Deezer, il tasso di base gioca di fatto a favore dello strumento: quando la metà dei caricamenti è artificiale, una traccia etichettata sarà quasi certamente frutto di IA — a patto che il tasso di precisione sbandierato regga nella realtà. Qualche migliaio di brani legittimi colpiti all'anno rappresenta comunque un danno per migliaia di artisti, ma dal punto di vista statistico generale non configura un collasso.

In secondo luogo, tutto dipende dalla tenuta di questo margine applicato al vostro genere musicale. Un'accuratezza media aggregata può mascherare tassi di fallimento molto più alti per sottogeneri scarsamente rappresentati nel campione di addestramento. Se i brani darkwave o EBM venissero penalizzati erroneamente nel 20% dei casi (ipotesi di scuola non ancora testata empiricamente), la media complessiva della piattaforma non ne risentirebbe quasi per nulla, ma per i musicisti di quella scena ogni responso somiglierebbe a un lancio di dadi. È qui che la vicenda di Grafert, pur restando un aneddoto, tocca un punto centrale: chi rischia di più è proprio chi non è stato quasi preso in considerazione per distillare quei numeri rassicuranti.

Perché non possiamo semplicemente fare a meno dei detector

Questi problemi non autorizzano a staccare la spina ai controlli: le ragioni di chi adotta i sistemi di monitoraggio hanno un peso economico innegabile.

L'ondata di finti brani è concreta e spesso legata a schemi truffaldini. Al lancio del proprio sistema a gennaio 2025, Deezer intercettava circa 10.000 tracce interamente artificiali al giorno; a luglio 2026 tale cifra è arrivata a circa 90.000. Pur attirando appena l'1-3% degli streaming totali, Deezer ha scoperto che nel 2025 fino all'85% di questi ascolti era fraudolento, escludendoli dalla ripartizione delle royalty. Ogni provento incassato da uno streaming fasullo viene sottratto dallo stesso fondo che deve remunerare gli artisti reali, compreso Grafert. Uno studio condotto da CISAC e PMP Strategy, richiamato da Deezer, stima che entro il 2028 quasi il 25% degli introiti dei creatori rischia di venire eroso dall'impatto dell'IA.

Inoltre, le aziende che sviluppano questi strumenti hanno argomenti solidi per respingere facili processi sommari. SubmitHub considera infondata la tesi di DMN su falsi allarmi «dilaganti», ricordando come nessun dato pubblico dimostri finora errori sistematici su larga scala: un singolo album, le prove di un'agenzia promozionale e una traccia vocale dall'editing opaco non fanno giurisprudenza. Alcuni servizi hanno inoltre tarato le macchine con un approccio conservativo: lo strumento di Deezer punta alle tracce generate al 100% dall'IA e «di norma non contrassegna brani parzialmente assistiti», mentre la procedura annunciata da Bandcamp delega le segnalazioni al personale interno evitando censure algoritmiche senza appello.

In sintesi: la rilevazione resta irrinunciabile e i sistemi attuali si dimostrano utili su larga scala, ma rivelano tutta la loro debolezza nelle zone di confine del panorama musicale — esattamente dove opera la maggior parte della scena indipendente.

Verso un giusto processo: come tutelare davvero gli artisti

Dato che i filtri anti-IA sono destinati a rimanere, la sfida prioritaria riguarda le garanzie procedurali. Gran parte delle risposte esiste già in altri settori della moderazione dei contenuti. Nell'Unione Europea, il Digital Services Act obbliga le piattaforme online a fornire una motivazione formale quando rimuovono contenuti, ne comprimono la visibilità o ne sospendono i compensi (Articolo 17), imponendo un canale di reclamo interno le cui decisioni non possono basarsi «esclusivamente su strumenti automatizzati» (Articolo 20). Stabilire se e in che termini tali norme si applichino a ogni piattaforma musicale e distributore digitale è una questione giuridica aperta, ma i principi cardine tracciano una rotta condivisibile:

  1. Notifica trasparente. Informare subito il musicista della segnalazione ricevuta dal brano, specificando quale modello è stato impiegato e quali sanzioni si applicano (etichettatura pubblica, penalizzazione algoritmica, rifiuto della traccia o blocco dei pagamenti).
  2. Motivazioni dettagliate. Comunicare il punteggio numerico, la release esatta del classificatore e il file analizzato. Trarre conclusioni su un audio ricodificato da YouTube o su un master WAV nativo porta a risultanze tecniche del tutto incomparabili.
  3. Un vero diritto di ricorso. Consentire agli autori di produrre elementi che gli algoritmi ignorano — file di progetto delle DAW, tracce separate (stems), screenshot delle sessioni e registrazioni di sintetizzatori fisici —, demandando la verifica a un operatore umano che conosca il genere musicale in oggetto.
  4. I punteggi non sono sentenze. Una confidenza statistica elevata deve innescare un supplemento di indagine umana, non un bando immediato. E prima di attribuire una canzone del 1984 a un generatore come «Treblo_v3», servono prove ben più solide di un calcolo probabilistico.
  5. Trasparenza sui tassi di errore di nicchia. Chi commercializza metriche di accuratezza deve certificare i margini di falso positivo divisi per generi, periodi storici e formati di compressione, correggendo software che modificano i propri responsi a distanza di una sola settimana.

Il nodo svelato dal caso Grafert non riguarda l'esistenza dei detector, ma il vizio di trattare un'ipotesi statistica come una sentenza inappellabile senza che nessuno ne risponda. Porre rimedio a questa stortura non significa dover scegliere tra la sopravvivenza dei musicisti e la lotta allo spam generativo. Significa trattare il punteggio di un classificatore per quello che i suoi stessi creatori ammettono che sia: un semplice indizio da verificare, non una condanna definitiva.

Fonti