Text-to-music
Le text-to-music (texte vers musique) consiste à générer de l'audio musical à partir d'une description écrite, comme le genre, l'ambiance, les instruments et le tempo. Certains systèmes écrivent et chantent aussi des paroles.
Aussi appelé : AI music generation, music generation, AI song generator
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Vous décrivez ce que vous voulez, par exemple « piano lo-fi lent avec une pluie douce, 70 bpm », et le modèle renvoie un extrait audio. Des services centrés sur les chansons comme Suno et Udio peuvent générer des morceaux complets avec chant à partir d'un prompt et de paroles.
Comment ça marche
Deux familles dominent. Les approches à base de modèle de langage transforment l'audio en tokens discrets avec un codec neuronal, puis prédisent les tokens un par un, comme un modèle de texte prédit des mots. MusicGen de Meta en est un exemple ouvert : un seul transformer qui travaille sur plusieurs flux de tokens audio et peut être conditionné par du texte ou une mélodie. Les approches par diffusion, comme Stable Audio 3 Medium, génèrent l'audio par débruitage, à la manière d'un modèle de diffusion pour les images.
Usages
Musique de fond pour vidéos, podcasts et jeux, démos rapides pour les auteurs-compositeurs, et variations sur un thème. Certains outils peuvent prolonger un extrait, séparer les pistes ou suivre une mélodie fredonnée.
Termes associés
Le text-to-music est proche du text-to-speech : les deux génèrent de l'audio, mais les modèles de parole visent des mots clairs tandis que les modèles de musique visent le rythme, l'harmonie et le timbre.
Limites
Les morceaux longs peuvent perdre leur structure, et les paroles peuvent sortir déformées. Les droits ne sont pas tranchés : l'entraînement sur des enregistrements protégés par le droit d'auteur a donné lieu à des procès, et les conditions d'usage commercial des sorties varient selon le service ; lisez-les donc avant de publier.
Termes liés
- Text-to-speech
- Le text-to-speech (TTS, synthèse vocale) est un logiciel qui transforme un texte écrit en audio parlé. La TTS moderne utilise des réseaux de neurones qui prédisent le son de la parole à partir du texte, puis le restituent sous forme d'onde sonore.
- Modèle de diffusion
- Un modèle de diffusion est un modèle génératif qui apprend à transformer du bruit aléatoire en données, comme une image, en retirant un peu de bruit à la fois sur de nombreuses étapes.
- Modèle autorégressif
- Un modèle autorégressif génère une séquence morceau par morceau, en prédisant chaque token suivant à partir de tous les tokens précédents et en r éinjectant cette sortie en entrée. La plupart des grands modèles de langage fonctionnent ainsi.
- Clonage vocal
- Le clonage vocal (voice cloning) consiste à utiliser l'IA pour faire parler un système de text-to-speech avec la voix d'une personne précise, apprise à partir d'un enregistrement de cette personne. Certains systèmes n'ont besoin que d'un court échantillon.
- Licence de modèle
- Une licence de modèle (model license) regroupe les conditions juridiques selon lesquelles les poids d'un modèle, et parfois son code et ses données, peuvent être utilisés, modifiés et partagés. Les conditions vont des licences ouvertes permissives aux licences non commerciales ou sur mesure restrictives.