Quelle est la vraie fiabilité des détecteurs de musique IA ?
Tous les détecteurs de musique IA du marché annoncent plus de 98 % de précision. La littérature scientifique, y compris celle publiée par les équipes de recherche derrière ces produits, décrit quelque chose de bien plus désordonné. Cette page rassemble ce qui a réellement été mesuré.
La seule chose à retenir. Un taux de précision publié décrit une performance sur une liste nommée de générateurs, en conditions propres, à la date de la mesure. Bougez l'une de ces trois variables et le chiffre bouge énormément.
Pourquoi les taux annoncés ne survivent pas à l'audio réel
L'équipe de recherche de Deezer a publié à ICASSP en janvier 2025 un détecteur annonçant 99,8 % de justesse sur son propre jeu de test, puis mesuré ce qu'il en restait sous des traitements audio ordinaires :
| Condition | Détection des titres réellement générés par IA |
|---|---|
| Jeu de test propre | 99,8 % |
| Transposition de deux demi-tons | 0,0 % |
| Ajout de bruit blanc | 2,3 % |
| Réencodage Opus 64 kbit/s | 14,6 % |
| Réencodage MP3 64 kbit/s | 19,6 % |
| Réencodage AAC 64 kbit/s | 23,3 % |
Source : Afchar, Meseguer-Brocal et Hennequin (Deezer Research), « AI-Generated Music Detection and its Challenges », IEEE ICASSP 2025.
Lisez bien le sens de cet effondrement, il est presque toujours rapporté à l'envers. Ce sont des faux négatifs : des titres IA qui passent au travers. Le même article rapporte que le transfert vers une famille de décodeurs jamais vue donne « presque toujours » 0 %, et les auteurs concluent qu'« il y aura toujours une manipulation ou une méthode de génération non vue ».
Ce que ces détecteurs mesurent réellement
La même équipe a publié le mécanisme physique en juin 2025. Les vocodeurs et codecs neuronaux suréchantillonnent l'audio en insérant des zéros, ce qui périodise le spectre et réplique le pic d'énergie situé à 0 Hz à intervalles réguliers. Le détecteur lit ces pics spectraux périodiques.
Un détecteur ne répond donc pas à « un humain a-t-il écrit ce morceau ». Il répond à « cet audio est-il passé par un vocodeur neuronal ». Ce sont deux questions différentes, et tout le débat sur la détection d'IA vit dans l'écart entre les deux.
Le problème des faux positifs
Des travaux du KTH Royal Institute of Technology ont testé des détecteurs sur 30 000 titres et trouvé quelque chose de gênant : les modèles s'appuient sur des corrélations d'encodage plutôt que sur des propriétés musicales. Suno rend en 48 kHz à 192 kbit/s, Udio en 48 kHz à 320 kbit/s, alors que leur corpus humain de référence était majoritairement en 44,1 kHz à débit variable. Les auteurs notent que ces artefacts de compression pourraient créer des corrélations fallacieuses, ce qui est une façon polie de dire que le détecteur identifie peut-être un format de fichier.
Ils ont aussi constaté qu'un passe-haut à 8 kHz ou plus amenait un détecteur commercial à étiqueter comme IA la totalité des extraits, titres humains compris. Ce test portait sur très peu d'échantillons : il démontre l'existence du mode de défaillance, pas sa fréquence.
Un préprint de 2026 a mesuré les taux de faux positifs sur 94 654 titres humains à travers plusieurs détecteurs ouverts, avec une fourchette de 0,1 % à 14,7 % selon le modèle. Les mêmes travaux montrent que ces détecteurs n'attrapent que 44,8 % à 74,2 % des titres réellement 100 % IA, contre 92,5 % à 100 % des titres IA mixés ou masterisés par des humains.
Sources : Cros Vila, Sturm, Casini et Dalmazzo (KTH), Transactions of the ISMIR, juin 2025. Go et Kim, « HAIM », préprint arXiv, juin 2026, non relu par les pairs.
Ce dernier couple de chiffres est celui que personne n'affiche. Rater entre un quart et la moitié des titres intégralement générés par IA est l'état normal de cette technologie, et c'est exactement l'inverse de ce que suggère la page d'accueil de chaque détecteur.
Ce que disent les plateformes elles-mêmes
Spotify a déclaré publiquement en septembre 2025 que les systèmes de détection sont imparfaits, produisent beaucoup de faux positifs et ne conviennent pas à l'application d'une politique, en indiquant préférer une approche déclarative par les métadonnées. Deezer, qui a bâti tout son programme d'étiquetage sur la détection, publie de sa propre équipe des travaux décrivant le domaine comme un jeu du chat et de la souris.
Ces deux positions ne se contredisent pas. La détection est utile comme signal à grande échelle. Elle est faible comme verdict sur un titre particulier, et c'est précisément pourquoi l'industrie s'oriente vers la déclaration par les artistes plutôt que vers l'inférence par les machines.
Comment lire n'importe quelle annonce de précision, y compris la nôtre
Trois questions démontent presque tous les chiffres que vous verrez affichés :
- Mesuré contre quels générateurs ? Un détecteur entraîné sur Suno et testé sur Udio chute nettement dans la littérature publiée. Sur un générateur jamais vu, des taux de détection de 3 % à 24 % ont été mesurés.
- Mesuré sur quel audio ? Des exports studio propres, ou l'audio compressé, réencodé et diffusé que l'on rencontre réellement. Cinq détecteurs affichant tous plus de 0,98 de F1 en conditions propres tombent à 0,19 sur du son de diffusion réelle dans un préprint de 2026.
- Mesuré quand ? Chaque nouveau générateur invalide la mesure précédente. Un chiffre sans date ni version de moteur est un ornement.
Nous nous appliquons la même règle, et c'est pourquoi vous ne trouverez aucun pourcentage de précision affiché en gros sur ce site. Ce que signifie un score de notre moteur : l'audio a été comparé à un ensemble de signaux forensiques associés à des chaînes de génération connues, et voici avec quelle force ils étaient présents. Un score bas signifie qu'aucune signature de génération n'a été trouvée. Ce n'est pas la preuve qu'un humain a écrit le morceau, et aucun détecteur du marché ne peut vous donner cette preuve aujourd'hui.
Pour les conséquences pratiques, nous traitons ce qu'il faut faire quand un titre est signalé à tort et ce que fait réellement l'étiquetage de Deezer.