Deezer laissera filtrer les chansons d’IA, repérées à leurs traces

Les utilisateurs de Deezer pourront bientôt faire disparaître de leurs recherches les chansons fabriquées de bout en bout par une intelligence artificielle. La plateforme française a annoncé mardi 13 octobre une option, à activer ou non, qui sera « déployée dans le monde entier avant la fin de l’année 2026 ». Une fois l’option activée, les titres, les albums et les artistes concernés n’apparaîtront plus dans les résultats de recherche, précise la version anglaise du communiqué. Tout repose sur un logiciel qui doit reconnaître, à l’écoute du fichier, une chanson sortie d’un générateur comme Suno ou Udio. Ses concepteurs, les chercheurs de Deezer, ont publié une partie de leur méthode, et de ses failles.

Un bouton pour la recherche, le reste déjà en place

Le réglage complète des mesures que Deezer applique déjà à tous ses utilisateurs. Depuis janvier 2025, les titres repérés comme générés par IA sont exclus des recommandations automatiques et des playlists composées par la rédaction de Deezer ; selon l’entreprise, plus de 42 millions de titres l’ont été entre janvier 2025 et août 2026. Depuis juin 2025, une étiquette « Contenu généré par IA » s’affiche sur les albums concernés : plus de 14 millions en portent une. En juillet, la plateforme a ajouté qu’elle retirerait du catalogue les titres d’IA utilisés pour gonfler artificiellement les écoutes et ceux qui n’ont pas été écoutés depuis au moins six mois.

Ce qui manquait, c’était la recherche : un titre d’IA restait trouvable en tapant son nom. C’est ce que le bouton supprime, pour ceux qui le veulent. Le communiqué ne dit pas s’il s’appliquera aussi aux playlists qu’un utilisateur reçoit d’un ami ou aux liens partagés. Il ne vise que la musique « entièrement » générée : celle qui comporte « des éléments limités assistés par IA dans le cadre d’un processus créatif humain plus large est traitée différemment », indique la foire aux questions de la version anglaise, sans détailler comment.

Deezer justifie l’option par l’afflux de ces titres. La plateforme reçoit « près de 90 000 titres entièrement générés par IA chaque jour », soit plus de la moitié de tout ce qui lui est livré « lors des journées les plus chargées ». Ils ne représentent pourtant qu’« entre 1 et 3 % » des écoutes, et jusqu’à 85 % des écoutes de ces titres étaient frauduleuses en 2025, c’est-à-dire artificiellement gonflées. Deezer dit exclure ces écoutes manipulées du calcul des rémunérations versées aux ayants droit. Dans une étude menée avec Ipsos auprès de 9 000 personnes dans huit pays, dont la France, 97 % des sondés ne distinguaient pas une chanson d’IA d’une chanson humaine à l’aveugle, et 45 % disaient vouloir pouvoir filtrer la première.

Des pics réguliers, invisibles à l’oreille

Si l’oreille ne fait pas la différence, le logiciel, lui, la voit dans le spectre du son, c’est-à-dire la répartition de son énergie entre les graves et les aigus. Deezer décrit des « artefacts », des défauts que les modèles génératifs laissent dans l’audio, « généralement inaudibles », et « rarement présents » dans la musique enregistrée.

L’explication la plus complète figure dans un article de juin 2025, signé de quatre chercheurs dont Darius Afchar et Romain Hennequin, de l’équipe Deezer Research, et présenté à la conférence de référence du domaine, ISMIR. La plupart des générateurs fabriquent d’abord une version très condensée du morceau, puis la « déplient » en son audible par étapes successives. À chaque étape, l’une des plus courantes, appelée déconvolution, multiplie le nombre de points du signal en intercalant des zéros entre les valeurs existantes, puis lisse le résultat. Ce procédé recopie une partie du spectre à intervalles réguliers. Il en reste de petits pics d’énergie, alignés comme les barreaux d’une grille, à des fréquences fixes. Les auteurs démontrent mathématiquement ce phénomène, cousin du « motif en damier » bien connu des images générées.

Le point décisif : ces pics dépendent de la construction du modèle (combien de fois et de combien il agrandit le signal), pas des musiques qui ont servi à l’entraîner. Ils constituent, écrivent les chercheurs, une « empreinte » de l’architecture. Chaque générateur laisse la sienne, quel que soit le style du morceau, ce qui permet aussi à Deezer de dire quel modèle a produit un titre. À la différence du filigrane SynthID que Google glisse volontairement dans les contenus de ses IA, personne ne pose cette marque : elle est un effet secondaire de la fabrication, présent que l’éditeur du générateur le veuille ou non.

Pour les repérer, l’équipe fait la moyenne du spectre d’un morceau, retire le bruit de fond, et observe une bande d’aigus, entre 5 et 16 kilohertz. Un programme de tri très simple, une dizaine de milliers de paramètres là où les grands réseaux de neurones en comptent des millions, suffit. Résultat en laboratoire : 100 % des morceaux de Suno v3.5 et d’Udio (version 130) reconnus, et plus de 99,9 % de la musique réelle correctement laissée de côté.

Des scores qui fondent hors du laboratoire

Ces scores valent pour des fichiers intacts. Les auteurs de l’article de juin 2025 préviennent eux-mêmes que les manipulations qui déplacent les fréquences, comme un rééchantillonnage ou un changement de hauteur, tromperont leur modèle. Logique : si les pics se trouvent à des fréquences précises, tout ce qui décale les fréquences les déplace hors de la grille attendue.

L’équipe avait déjà buté sur la fragilité des détecteurs avec une autre méthode. En janvier 2025, dans un article présenté comme le premier détecteur de musique d’IA publié, elle obtenait 99,8 % de bonnes réponses avec un réseau de neurones dit convolutif, un type de programme d’apprentissage courant pour reconnaître images et sons. Ce score portait sur des morceaux réels repassés dans des autoencodeurs (Encodec, DAC…), des logiciels qui compressent puis reconstruisent le son à la manière des générateurs, et non sur des chansons de Suno ou d’Udio ; il ne se confond pas avec le chiffre commercial de Deezer. Les chercheurs prévenaient déjà qu’« obtenir un bon score au test n’est pas la fin de l’histoire ». Il suffisait de monter ou de baisser un morceau d’un ou deux demi-tons au plus pour que les performances « chutent drastiquement », presque à zéro pour certaines manipulations : le détecteur rangeait alors les morceaux d’IA du côté de la musique réelle. Ajouter un bruit blanc ou réencoder le fichier (MP3, AAC, Opus) faisait aussi chuter les scores.

L’article de juin 2025 sur l’« empreinte » note une autre faiblesse : une version d’Udio absente de l’entraînement n’était plus reconnue que dans 39,8 % des cas. À l’inverse, des versions plus anciennes de Suno, absentes elles aussi de l’entraînement, restaient reconnues (100 % pour la v3, 99,9 % pour la v2), leur empreinte n’ayant pas changé. Un générateur qui change de construction change d’empreinte, et le détecteur doit apprendre la nouvelle.

Le constat ne vient pas que de Deezer. Des chercheurs de l’Institut royal de technologie (KTH) de Stockholm, autour de Laura Cros Vila et Bob Sturm, ont constitué un corpus de 30 000 morceaux, dont 20 000 produits par des utilisateurs de Suno et d’Udio. Leur étude présentée à ISMIR 2025 conclut que le détecteur commercial pris comme référence « est facilement trompé » par un simple rééchantillonnage à 22,05 kilohertz, une conversion banale : le fichier est réenregistré avec 22 050 points par seconde au lieu de 44 100, la fréquence à laquelle travaillent les détecteurs de Deezer. Les auteurs demandent aussi de mieux définir ce qu’on appelle « musique d’IA ».

Les réponses de 2026

Deux articles mis en ligne fin juillet, cosignés par Darius Afchar et Romain Hennequin, de Deezer Research, s’attaquent à ces deux faiblesses.

Le premier, qui sera présenté à ISMIR en novembre, est signé en tête par quatre auteurs du département d’informatique de l’École centrale de Lyon. Il traite des changements de vitesse. L’astuce : représenter les fréquences sur une échelle logarithmique, celle d’un clavier de piano, où chaque octave occupe la même place. Accélérer un morceau étire toutes les fréquences dans la même proportion ; sur cette échelle, cela revient à faire glisser la grille de pics d’un bloc, sans la déformer. Il suffit au détecteur de la chercher à toutes les positions. Sur des morceaux de Suno v5 accélérés ou ralentis (de 0,7 à 1,4 fois la vitesse d’origine), l’ancienne méthode tombe à un score F1 de 0,68, une note sur 1 qui combine fausses alertes et oublis ; la nouvelle tient à 0,99, et estime au passage de combien le morceau a été accéléré. Les auteurs reconnaissent deux limites : une seule manipulation étudiée (ni égalisation, ni compression), et trois générateurs seulement à l’entraînement.

Le second, une prépublication, cherche à repérer des générateurs que le détecteur n’a jamais vus, ce que ses deux auteurs, Darius Afchar et Romain Hennequin, appellent la détection « zéro-shot ». L’idée : apprendre à quoi ressemble la musique réelle, puis regrouper automatiquement les morceaux qui partagent une même anomalie, sans savoir d’avance quel modèle l’a laissée. Sur un corpus de six services populaires, l’outil, réglé pour ne signaler à tort qu’environ 1 % de la musique réelle, reconnaît 80,4 % des morceaux générés : 99,8 % pour Suno, mais 75,6 % pour Lyria 3, le modèle de Google, et 14,9 % seulement pour Mureka. Il lui faut aussi un nombre suffisant d’exemples d’un même générateur pour le distinguer. Le cas de la musique mêlant parties humaines et générées reste, écrivent les auteurs, « une question ouverte ».

Les chiffres d’un vendeur de détecteurs

Le communiqué anglais d’octobre affirme que Deezer « a fait des progrès importants » vers un système capable de détecter les contenus générés par IA « sans jeu de données spécifique sur lequel s’entraîner » : c’est l’objet de la prépublication de juillet. Il ne dit pas que ce système est déjà en service. L’outil en place reconnaît, selon le même communiqué, les modèles de Suno, d’Udio et de Riffusion. En juillet, Deezer annonçait 99,8 % de bonnes réponses : environ 2 titres d’IA sur 1 000 lui échapperaient, et moins d’un morceau humain sur 10 000 serait signalé à tort. Deezer ne cite aucune évaluation indépendante de ces chiffres.

L’entreprise a, en outre, un intérêt commercial à les mettre en avant. Elle a déposé deux demandes de brevet en décembre 2024, publiées en juin 2026 par les offices européen et américain, et vend sa détection sous licence aux distributeurs, aux sociétés de gestion des droits et aux autres plateformes, avec la même promesse d’un taux de fausses alertes « inférieur à 0,01 % ».

Le mérite de la démarche tient à la publication : les chercheurs de Deezer exposent eux-mêmes leurs failles, et leurs propres travaux décrivent une course entre générateurs et détecteurs. Chaque nouvelle version de Suno ou d’Udio peut déplacer l’empreinte, chaque retouche du fichier peut la brouiller, et une chanson en partie générée échappe par principe au réglage. Le bouton promis fera donc le tri que le détecteur sait faire au moment où le titre arrive, ni plus ni moins.

Les citations du communiqué anglais de Deezer et des articles scientifiques ont été traduites par la rédaction.