Kunstig og kulørt klang

I thrilleren Heretic (2024) prøver karakteren til Hugh Grant seg på eit retorisk poeng: Kva er skilnaden på The Hollies-låten «The Air that I Breathe» (1974) og Radiohead-låten «Creep» (1992)? Akkordprogresjonen og enkelte melodilinjer er så like at låtskrivarane bak The Hollies-låten, Albert Hammond og Mike Hazlewood, no er medkreditere for «Creep».

Poenget til Grants karakter er at inspirasjon og ikkje minst iterasjon er ein naturleg del av det meste i verda, og at alle idear alt er tenkte. Det er ein tanke Georg Friedrich Hegel hevda i «Vorlesungen über die Geschichte der Philosophie»: Alles, was denkbar ist, ist schon gedacht worden. Alt som er tenkjeleg, er alt tenkt.

Eller, det sitatet er ei fullstendig forfalsking. Det er noko ein KI-chatbot fann på. Hen tenkte nok på Goethe, som har sagt: Alles Gescheite ist schon gedacht worden, man muss nur versuchen, es noch einmal zu denken. Alt klokt er alt tenkt, ein må berre prøve å tenkje det ein gong til.

Raskt og breitt

Spørsmålet er om vi no nærmar oss ei ny forståing av «ein gong til». I alle fall for delar av populærmusikken. Og den tilnærminga er ikkje spesielt klok. Den siste veka har til dømes ein norsk artist toppa det strøymetenesta Spotify kallar «virallista».

Omgrepet viral kjem frå medisinen og tyder sjukdom forårsaka av virus. I denne samanhengen, og den dei fleste utan medisinutdanning nyttar ordet i, vil det seie noko som spreier seg raskt og breitt. Altså noko som vert delt, eller anbefalt vidare.

På toppen av denne delelista ligg altså den norske artisten Vestavind med låta «Ligga». Usjenert festcountry, der refrenget ikkje handlar om at det er vanskeleg å komme seg opp om morgonen, men den andre typen ligging. Han som syng, spør om ein skal «ligga i måro, eller ligga i dag». Banalt, men ikkje noko som skil seg mykje frå sjangeren, det som mange tidlegare kalla russemusikk, men som mellom anna Spellemannpris-komiteen i si enorme evne til nytale no kallar festmusikk.

Omslagsbiletet er det derimot noko snålt med. Typografien er visuelt ubalansert med veik kniping. Bandnamnet er sett på veggen over to cowboyhattar på ei seng med krøllete laken. Vinkel, fargar og lys avslører at det er eit bilete generert av ein djupspråksmodell, ein generativ kunstig intelligens.

Når ein høyrer på «Ligga», særleg i hovudtelefonar, er lyden komprimert, uggen og snål. Dette kan ikkje vere musikk spelt av menneske. Det må vere generert musikk. Eit ekte virus.

Generator

Fyrste gongen eg sjølv testa ein slik generator, var for nokre år sidan. For ein knapp hundrelapp kunne ein då lage haugevis med songar i løpet av nokre timar. Generatoren kunne til og med «syngje» på eit slags norsk. Kvaliteten var så grumsete at det fort vart enkel, men repetitiv underhaldning.

Eg hadde ikkje tenkt mykje på tenesta før eg seint i vår fekk tilsend ein song frå ein musikar og ven som synest teknologi er vel så morosamt og skummelt som eg. No hadde han ein song med ein håplaust teit tekst, og arrangement og vokal med ein klårleik som gjorde meg overraska over den tekniske kvaliteten.

Nokre veker seinare var eg på musikk- og teknologikonferansen SXSW i London, der ein reporter frå bransjebladet MIT spelte døme på musikk og bad salen om å gjette kva som var KI-generert og kva som ikkje var det.

«Lett», tenkte eg. Deretter tok dei fleste av oss feil i fire av fem døme. KI-generert pop, hardrock, jazz og folkemusikk vart spelte. Den einaste musikktypen KI-en ikkje klarte å generere, var prog. Ikkje særleg spanande og fengjande musikk, men nær nok til å vere meir enn truverdig.

Vestavind

Sjølv når ein er motivert for å lytte kritisk, byrjar det å verte vanskeleg å gjenkjenne nyansane som avslører at det er generert musikk når ein høyrer i ein elles grei høgtalar. Eller på ein radio.

Les svaret frå Vestavind her.

Med hovudtelefonar er det enklare, og musikken til Vestavind vert avslørt som «maskinlaga» i mine øyre. Det er noko udefinerbart komprimert som ikkje menneskespelt musikk har. For dei som ikkje høyrer for mykje på musikk, er det ikkje lenger like openbert.

Medan eg skriv dette, har Vestavind sju av femti songar inne på virallista. Eit ekstremt produktivt band. Etter albumdebuten på ti songar den 24. juli i år har dei sleppt fem låtar til, inkludert «Ligga». Alle med middelmåtige kunstig skapte omslag, med varierande typografi og motiv som vagt har noko med låtane å gjere. I løpet av dei siste dagane har albumet skifta omslag til berre å vere svart tekst på kvit botn. Sikkert for at KI-assosiasjonen ikkje skal vere så tydeleg.

Det finst ikkje bilete av artisten. Så skal det seiast at det passe obskure rockebandet Shake Some Action frå Seattle, som har halde det gåande i over tjue år, også har KI-genererte bilete som profilbilete på Bandcamp-kontoen sin. Men Shake Some Action har bilete av seg sjølve på Spotify.

Ultraprosessert lyd

Eg har testa med å lage ei uhorveleg mengde bossa nova-låtar i eit generativt program, men med ein tekst eg har skrive sjølv. Ein kan styre programmet til ulike typar vokal, velje kjønn og få resultatet på norsk med klår og tydeleg diksjon. Til og med når eg bad programmet gjere all vokal som eit kor, tok det ikkje mange forsøk før resultatet var godt.

Skilnaden er sjølvsagt at eg ikkje har lasta dette opp til ei strøymeteneste. Og heller ikkje laga ein TikTok-konto der eg oppmodar folk om å lage nye TikTok-innslag med songane, i byte mot å vere med i trekninga av T-skjorter, slik Vestavind har gjort. På vegen har «Ligga» dessutan fått den gjævaste æra ein song i moderne tid kan få, å bli tolka.

For om dei lener seg meir mot teknologi i produksjonen av musikken, er den eller dei som står bak, avhengig av at menneske framleis høyrer på musikken.

Er det ein skilnad på å høyre ein låt og verte inspirert til å komponere, slik som Radiohead, eller at eit teknologiselskap har høyrt frykteleg mange låtar og er inspirert på dine vegner, slik som Vestavind? Føler ein seg skiten og falsk når ein forstår at dette er ultraprosessert lyd?

Svaret er sjølvsagt ja frå eit kunstnarleg perspektiv. Inspirasjon er noko menneskeleg og aktivt, medan KI berre simulerer mønster utan å forstå, om ein slags ultraprosessert lyd. Økonomisk er det endå meir urovekkjande.

Påverkar inntektene

Pro rata-betalingsmodellen til strøymetenestene, at ein får betalt for kor stor prosentdel av totalen ein er strøymd, og ikkje per gong, gjer at kunstig musikk et seg inn på inntektene til menneskemusikk. Modellen løner volum og produktivitet, nett det KI er best på, medan kunstnarar som bruker tid på å skape noko unikt, kjem tapande ut.

Eg skal ikkje vere like skråsikker på vegner av dei som nyttar musikk som lydmøbel. Kanskje er det like greitt at festmusikken tek kortare tid å skape enn det tek å drikke ein halvliter? Kva skjer når ein generasjon veks opp med «maskinlaga» musikk som normalen? Kva slags musikkultur får vi når særpreg, feil og eksperiment vert bytte ut med algoritmar?

Karakteren til Hugh Grant i Heretic minner oss på at musikk alltid byggjer på noko frå før. Låtskaparane til «The Air that I Breathe» fekk kreditering og inntekter av Radioheads «Creep». Nokre tiår seinare gjekk Radiohead etter Lana Del Rey, fordi «Get Free» likna for mykje på «Creep». Del Rey innrømde likskapen – ho hadde berre prøvd å tenkje det ein gong til.

Men kven skal ein gå etter når det er algoritmen som stel?