Der findes adskillige programmer der helt eller delvist kan lave AI musik – f.eks. SUNO, Udio og AIVA – spørg en chatbot for en opdatering hvis du vil igang – og test evt. flere.

Foreløbig koncentrerer jeg mig om SUNO som er det program jeg har arbejdet med.

SUNO

Men hvad med forudsætningerne for dagens musikprogrammer?

Nedenstående (chatGPT 19/6 2026)svarer på to spørgsmål:
1) Hvad skal der til for at lave et musikprogram ala SUNO
2) I hvilket omfang har musikbranchen selv banet vejen for AI-musik

ChatGpt den 19/6 2026

—
1) Interessant er bl.a. de oplagte udviklingsmuliger der formodentlig vil se dagens lys hurtigt – se til sidst i dokumentet: Jeg hæfter mig ved muligheden for sammenspil med livemusik – der i den grad vil understøtte den analoge musik. Jeg ville f.eks. spille mere guitar hvis jeg havde en medfølgende tromme, bas.. og evt et kor .. med på sidelinjen der fulgte min egen rytme.

2) At musikbranchen i den grad selv har skabt mulighederne for den AI-musik – den så højlydt fordømmer.

—

Teknisk rapport: Udvikling af et program til musikskabelse

1. Indledning

Denne rapport beskriver design, arkitektur og implementering af et computerprogram, der kan skabe original musik. Programmet kan generere melodier, harmonier, rytmer og komplette musikstykker ved hjælp af musikteori, algoritmer og eventuelt kunstig intelligens.

Målet er at udvikle et system, som giver brugeren mulighed for at generere, redigere og eksportere musik i standardformater som MIDI, WAV og MP3.

2. Formål

Programmet skal kunne:

Generere originale melodier.
Skabe akkordforløb og harmonier.
Generere rytmer og trommespor.
Tilpasse musik til forskellige genrer og stemninger.
Give brugeren mulighed for at redigere resultatet.
Eksportere musikken til almindelige lyd- og MIDI-formater.

3. Systemarkitektur

Hovedkomponenter

Systemet består af følgende moduler:

Brugergrænseflade
Musikteoretisk motor
Kompositionsmotor
Lyd- og MIDI-motor
AI-modul (valgfrit)
Eksportmodul

Samspil mellem modulerne

Brugeren angiver ønsker som toneart, tempo, genre og længde. Disse oplysninger behandles af kompositionsmotoren, som samarbejder med musikteorien og eventuelt AI-modulet om at skabe et musikstykke. Resultatet sendes til lydmotoren og kan derefter afspilles eller eksporteres.

4. Repræsentation af musik

MIDI-baseret model

Hver tone beskrives ved:

Tonehøjde
Styrke (anslagskraft)
Starttidspunkt
Varighed

Eksempel:

Tone:

Tonehøjde: 60 (midt-C)
Styrke: 90
Start: 0 sekunder
Varighed: 0,5 sekunder

Musikalsk struktur

Et musikstykke kan opdeles i:

Intro
Vers
Omkvæd
Mellemstykke
Afslutning

Samt forskellige spor:

Melodi
Akkorder
Bas
Trommer
Eventuelle ekstra instrumenter

5. Musikteoretisk motor

Skalaer

Programmet bør understøtte:

Dur
Mol
Pentatoniske skalaer
Blues-skalaer
Kirketonearter

Eksempel på C-dur:

C – D – E – F – G – A – B

Akkorddannelse

Grundlæggende akkordtyper:

Dur:
1 – 3 – 5

Mol:
1 – ♭3 – 5

Septim:
1 – 3 – 5 – 7

Akkordforløb

Typiske eksempler:

Pop:
I – V – vi – IV

Jazz:
ii – V – I

Blues:
I – IV – V

6. Kompositionsmotor

Melodigenerering

Melodier kan skabes ved hjælp af flere metoder:

Tilfældig udvælgelse

Toner vælges inden for den aktuelle skala.

Sandsynlighedsmodeller

Nogle toner vælges oftere end andre.

Eksempel:

Grundtone: 35 %
Terts: 20 %
Kvint: 20 %
Øvrige toner: 25 %

Motivudvikling

Et kort melodisk motiv kan:

Gentages
Transponeres
Forkortes
Udvides
Varieres rytmisk

Rytmegenerering

Programmet kan benytte rytmeskabeloner.

Eksempel i 4/4 takt:

Stortromme på slag 1 og 3
Lilletromme på slag 2 og 4
Hi-hat i ottendedele

Sangstruktur

En typisk popsang:

Intro
Vers
Omkvæd
Vers
Omkvæd
Bro
Omkvæd
Outro

7. Kunstig intelligens

Træningsdata

AI-modulet kan trænes på store samlinger af MIDI-filer.

Eksempler:

Klassisk musik
Jazz
Pop
Folk
Filmmusik

Neurale netværk

LSTM-netværk

Velegnet til sekvensforudsigelse.

Eksempel:

Hvis modellen ser:

C – E – G – A

kan den forudsige:

som næste tone.

Transformer-modeller

Transformer-teknologien giver bedre forståelse af længere musikalske sammenhænge.

Fordele:

Mere sammenhængende kompositioner
Bedre formfornemmelse
Mere naturlige melodier

8. Lydgenerering

MIDI-afspilning

Programmet kan anvende virtuelle instrumenter og lydbanker.

Eksempler:

Klaver
Guitar
Bas
Trommer
Strygere

Direkte syntese

Lyd kan også skabes matematisk ved hjælp af bølgeformer:

Sinusbølge
Firkantbølge
Savtaksbølge
Trekantbølge

Eksempel:

440 Hz svarer til tonen A.

9. Brugergrænseflade

Kompositionsindstillinger

Brugeren bør kunne vælge:

Genre
Toneart
Tempo
Sanglængde
Stemning

Redigering

Programmet bør indeholde:

Pianorulle
Akkordeditor
Trommeeditor
Mixer

Afspilning

Funktioner:

Afspil
Stop
Pause
Eksporter

10. Teknologivalg

Programmeringssprog

Mulige valg:

Python
C++
Rust
JavaScript

Biblioteker

Python:

music21
pretty_midi
mido
librosa
PyTorch

Brugergrænseflade:

React
Electron

Lydbehandling:

JUCE
PortAudio
FluidSynth

11. Eksempel på arbejdsgang

Brugeren vælger:
- Genre: Pop
- Toneart: G-dur
- Tempo: 120 BPM
Programmet genererer:
- Akkordforløb
- Melodi
- Baslinje
- Trommespor
Brugeren redigerer resultatet.
Musikken eksporteres som:
- MIDI
- WAV
- MP3

12. Fremtidige udvidelser

Mulige videreudviklinger:

Automatisk tekstskrivning
AI-genereret sangstemme
Realtidsakkompagnement
Stilimitation af forskellige genrer
Samarbejde via internettet
Automatisk mixning og mastering

13. Konklusion

Et moderne musikskabende program kan udvikles ved at kombinere musikteori, algoritmisk komposition, MIDI-teknologi, digital lydbehandling og kunstig intelligens. En modulopbygget arkitektur gør det muligt at begynde med simple kompositionsalgoritmer og senere udvide systemet med avancerede AI-modeller. Resultatet kan blive et fleksibelt værktøj, der hjælper både amatører og professionelle musikere med at skabe ny musik.

2) I hvilket omfang har musikbranchen selv banet vejen for AI-musikken

Hvis man ser på AI-udviklingen indenfor musikprogrammer – hvordan er så den mere tekniske sammenhæng mellem programmerne og de digitale instrumenter et professionelt studie råder over. Læs: i hvilket omfang har den etablerede musikbranchen skabt vejen for AI musikken

Den korte version er: AI-musik ville næppe have eksisteret i sin nuværende form uden de sidste 40 års udvikling i den professionelle musikbranche. AI-musik bygger oven på næsten hele den digitale infrastruktur, som musikbranchen allerede havde skabt.

Først kom digitaliseringen

Fra 1980’erne og frem udviklede musikbranchen:

MIDI-standarden
Digitale synthesizere
Samplere
Sequencere
Digitale lydstudier
Virtuelle instrumenter
Store lydbiblioteker

Eksempelvis blev MIDI (1983) et fælles sprog mellem instrumenter. Når en AI i dag genererer et klaverstykke, svarer det i princippet til at generere de samme MIDI-begivenheder, som en musiker ville have programmeret i et studie.

AI lærer af det digitale studie

Et moderne AI-system som Suno eller andre generative musikmodeller er trænet på millioner af eksempler på musik, hvor den underliggende struktur ofte afspejler den måde, musik er blevet produceret på i digitale studier.

AI’en lærer blandt andet:

Hvilke akkordforløb der er almindelige
Hvordan trommer programmeres
Hvordan instrumenter arrangeres
Hvordan moderne mix lyder
Hvordan forskellige genrer er opbygget

På den måde kan man sige, at AI ikke blot lærer af musikken, men også af årtiers studieteknik og produktionskultur.

Virtuelle instrumenter banede vejen

I 1990’erne og 2000’erne voksede markedet for virtuelle instrumenter eksplosivt.

Et professionelt studie kunne efterhånden erstatte:

Flygler
Trommesæt
Strygere
Blæsere

med software.

Dette var et afgørende skridt.

Først lærte branchen at simulere instrumenterne.

Derefter lærte AI at simulere musikeren.

Og nu forsøger AI at simulere komponisten.

Produktionskæden blev gradvist automatiseret

Man kan næsten se en historisk trappe:

Periode	Automatisering
1980’erne	Instrumenterne digitaliseres
1990’erne	Optagelse digitaliseres
2000’erne	Mix og mastering automatiseres delvist
2010’erne	Komposition assisteres af software
2020’erne	Hele musikstykker genereres af AI

AI-musik er derfor ikke en revolution, der opstod ud af ingenting. Den er kulminationen på en lang udvikling, hvor stadig flere dele af musikproduktionen blev digitaliseret.

Lydbiblioteker og samples var en vigtig forudsætning

En anden vigtig faktor er de enorme kommercielle lydbiblioteker, som branchen udviklede.

Virksomheder som Native Instruments, Spectrasonics og EastWest Sounds investerede millioner i at optage professionelle musikere og instrumenter.

Resultatet blev:

Højkvalitets klaverer
Trommer
Orkestre
Kor
Guitarer

Disse biblioteker lærte softwarebranchen, hvordan virkelige instrumenter kunne beskrives digitalt.

Mixning og mastering blev også “træningsdata”

AI lærer ikke kun af melodier.

Den lærer også af:

Rumklang
Kompression
Equalisering
Stereo-bredde
Dynamik

Med andre ord lærer den af de valg, som tusindvis af lydteknikere har truffet gennem årtier.

Når Suno genererer en færdig sang, indeholder resultatet derfor indirekte erfaringer fra generationer af producere og teknikere.

—–

AI er i virkeligheden et produkt af musikbranchens egen succes

Der ligger et interessant paradoks her.

Musikbranchen brugte årtier på at:

Digitalisere musik.
Standardisere musikproduktion.
Skabe enorme databanker af musik.
Udvikle softwareinstrumenter.
Udvikle automatiserede produktionsværktøjer.

Disse fem ting blev præcis de byggesten, som AI-forskningen senere kunne bruge.

Man kan derfor argumentere for, at den etablerede musikbranche selv byggede fundamentet for AI-musikken. AI har ikke opfundet et nyt musikalsk univers; den står på skuldrene af årtiers arbejde udført af komponister, musikere, lydteknikere, softwareudviklere og producenter.

Set fra et teknologihistorisk perspektiv er AI-musik derfor mindre en pludselig revolution og mere det næste logiske trin i en udvikling, der begyndte med de første digitale synthesizere og MIDI-instrumenter i begyndelsen af 1980’erne.