Die kurze Antwort auf die Frage, wie KI Musik komponiert: Ein Modell übersetzt Ihre Beschreibung in eine mathematische Darstellung und erzeugt daraus Schritt für Schritt eine Klangfolge, die zu den Mustern passt, die es beim Training gelernt hat. Es entscheidet nicht aus Absicht oder Geschmack, sondern aus Wahrscheinlichkeiten. Das Ergebnis klingt oft überzeugend, weil Musik stark von wiederkehrenden Mustern lebt. Die Absicht dahinter kommt trotzdem von Ihnen.
Wer verstehen will, was ein Tool leisten kann, sollte diesen Unterschied kennen. Er erklärt, warum KI in Minuten Dutzende Ideen liefert und warum aus diesen Ideen trotzdem nicht von selbst ein Katalog wird. Den praktischen Ablauf vom Einfall bis zur Veröffentlichung beschreibt der Artikel KI-Musik produzieren: der Workflow. Hier geht es um die Technik dahinter.
Zwei Wege: Noten erzeugen oder Klang erzeugen
Es gibt zwei grundverschiedene Arten, Musik per KI zu erzeugen, und sie werden im Alltag oft vermischt.
- Symbolische Erzeugung: Das Modell arbeitet auf der Ebene von Noten oder MIDI-Daten, also Tonhöhe, Dauer, Lautstärke und Akkord. Das Ergebnis ist eine Partitur oder Spur, die erst noch von einem Instrument, einem Synthesizer oder einer Software zum Klingen gebracht werden muss. Der Vorteil: Sie können jede Note nachträglich ändern.
- Audio-Erzeugung: Das Modell erzeugt direkt hörbaren Klang, bei Gesangsdiensten bis hin zu Stimme und Instrumenten in einem Durchgang. Der Vorteil ist der fertige Klang. Der Nachteil: Einzelne Töne lassen sich nicht wie in einer Partitur umschreiben.
Die meisten Dienste, die aus einem Satz Text einen vollständigen Song machen, gehören zur zweiten Gruppe. Sie bieten viel Klang pro Eingabe und wenig Kontrolle über das Einzelne. Für Arrangements, bei denen jede Stimme sitzen muss, ist der symbolische Weg oft die bessere Wahl.
In der Praxis begegnen Ihnen auch Mischformen: Manche Werkzeuge erzeugen zunächst eine Struktur aus Akkorden und Takten und füllen sie anschließend klanglich auf. Für Ihre Arbeit zählt vor allem die Frage, wie viel Kontrolle Sie nach dem Erzeugen noch haben. Bei Noten ist sie hoch, bei fertigem Audio gering.
Wie das Modell lernt und was es dabei nicht lernt
Beim Training bekommt ein Modell sehr große Mengen an Musik zu sehen und lernt, welche Klänge, Rhythmen und Abfolgen häufig zusammen auftreten. Es lernt dabei keine Regeln im Sinne eines Harmonielehrebuchs. Es bildet statistische Zusammenhänge ab: Nach dieser Akkordfolge folgt in diesem Genre oft jene, zu diesem Tempo gehört meist dieses Schlagzeugmuster, eine Strophe unterscheidet sich im Klangbild typischerweise von einem Refrain.
Was ein Modell daraus nicht ableitet, ist eine Absicht. Es weiß nicht, warum ein Break an einer bestimmten Stelle Spannung erzeugt oder warum ein Track zu Ihrem Label passt. Es kennt Muster, keine Ziele. Diese Lücke füllt der Mensch, der auswählt, verwirft und zusammensetzt.
Welche Aufnahmen für das Training verwendet wurden, ist je nach Anbieter unterschiedlich dokumentiert und rechtlich ein umstrittenes Feld. Wer Musik kommerziell veröffentlicht, sollte das nicht ausblenden. Die rechtliche Seite behandelt der Beitrag GEMA und Verwertungsrechte bei KI-Musik.
Vom Prompt zum Track: der Ablauf in vier Schritten
Die Details unterscheiden sich je nach Modell, der Grundablauf bei heutigen Text-zu-Musik-Systemen ist aber ähnlich:
- Beschreibung übersetzen: Ihr Text (Genre, Stimmung, Tempo, Instrumente, bei Gesang auch der Liedtext) wird in Zahlenwerte umgewandelt, mit denen das Modell rechnen kann.
- Komprimierte Klangdarstellung nutzen: Audio wird nicht Messwert für Messwert erzeugt, sondern in einer komprimierten Darstellung, etwa als Folge von Klangbausteinen oder als verdichtete Klangdaten. Das macht die Berechnung überhaupt erst handhabbar.
- Schrittweise erzeugen: Ein Modell sagt entweder Baustein für Baustein vorher, was als Nächstes kommt, oder es formt aus zufälligem Rauschen in vielen Schritten ein Klangbild, das zur Beschreibung passt. Die zweite Methode wird Diffusion genannt. Zufall ist in beiden Fällen beteiligt.
- Zurück in hörbares Audio wandeln: Ein Decoder macht aus der internen Darstellung wieder eine Audiodatei, die Sie anhören und herunterladen können.
Wegen des Zufalls liefert dieselbe Eingabe bei jedem Durchlauf ein anderes Ergebnis. Das ist kein Fehler, sondern Teil des Verfahrens. Es ist der Grund, warum Auswahl zur eigentlichen Arbeit wird.
Ein Beispiel macht den Unterschied sichtbar. Die Eingabe „ruhiger Elektro-Track, Klavier, weiche Drums, nachdenklich“ lässt dem Modell fast alle Entscheidungen. Es wählt Tonart, Tempo im Rahmen von „ruhig“, Akkordfolge und Aufbau selbst. Nennen Sie dagegen Tempo, Taktart, Instrumentenzahl und eine klare Dynamik (zum Beispiel leiser Beginn, ein Höhepunkt, ein ruhiger Schluss), grenzen Sie den Spielraum ein. Sie bekommen dann seltener ein zufälliges Ergebnis, aber nie ein vorhersagbares.
Was Sie vorgeben und was das Modell entscheidet
Die Aufgabenteilung lässt sich ziemlich klar beschreiben.
Bei Ihnen liegen: der Zweck des Tracks, das Genre und die Stimmung, die Referenzen im Kopf, der Liedtext (falls Sie ihn selbst schreiben oder bearbeiten, siehe Songtexte mit KI schreiben), die Auswahl unter den Varianten, das Arrangement, die Nachbearbeitung und die Entscheidung, ob ein Track überhaupt erscheint.
Beim Modell liegen: die konkrete Melodie, die Akkordfolge im Detail, die Klangfarben, die Mikrodynamik und die Feinstruktur innerhalb dessen, was Ihre Beschreibung offen lässt. Je vager die Eingabe, desto mehr entscheidet das Modell, und desto austauschbarer wird das Ergebnis.
Ein präziserer Prompt nennt deshalb nicht nur das Genre, sondern auch Tempo, Instrumentierung, Dichte und Stimmung und grenzt aus, was nicht gewünscht ist. Wer eine eigene Handschrift aufbauen will, findet Hilfe im Beitrag Genre-Nische finden.
Ein weiterer Punkt wird häufig übersehen: Ein Modell bewertet seine Ergebnisse nicht nach Ihrem Maßstab. Es gibt Ihnen nicht an, ob ein Refrain tragfähig ist oder ob ein Track zu Ihrem Katalog passt. Diese Bewertung bleibt bei Ihnen, und sie kostet Zeit, die in keinem Werbeversprechen der Dienste vorkommt.
Typische Grenzen der KI-Komposition
Mehrere Schwächen tauchen bei fast allen Systemen auf, auch wenn sie sich mit neuen Modellen verändern:
- Langstruktur: Über mehrere Minuten fällt es Modellen schwer, ein Motiv bewusst zu entwickeln und am Ende wieder aufzugreifen. Häufig wirkt ein Stück wie eine Aneinanderreihung gelungener Momente.
- Detailkontrolle: Eine einzelne Stelle gezielt zu ändern, ohne den Rest zu verändern, geht bei der Audio-Erzeugung meist nur eingeschränkt.
- Gesang und Text: Aussprache, Betonung und Textverständlichkeit sind fehleranfällig und sollten immer abgehört werden. Zur Stimmenthematik siehe KI-Stimmen und Voice Cloning.
- Klangartefakte: Verwaschene Höhen, wackelnde Instrumente oder unsaubere Übergänge sind möglich und fallen oft erst bei guter Abhöre auf.
- Gleichförmigkeit: Weil Modelle Wahrscheinlichkeiten folgen, tendieren sie zum Durchschnitt eines Genres.
Für die Nachbearbeitung gilt: Wo getrennte Spuren (Stems) vorliegen, lässt sich vieles korrigieren. Wie das geht, steht im Artikel Mixing für generierte Stems.
Wo der Ansatz nicht hilft
KI-Komposition ist kein Ersatz in jeder Lage. Sie hilft wenig, wenn ein Stück exakt notiert und von Musikern gespielt werden soll, weil das Ergebnis dann nicht auf Notenebene vorliegt. Sie hilft auch wenig, wenn ein Auftrag eine nachweisbar eigene Urheberschaft verlangt, etwa bei Werbe- oder Filmmusik mit strengen Rechtezusagen. Und sie hilft nicht, wenn Ihnen unklar ist, welchen Klang Sie überhaupt wollen: Ein Modell beantwortet diese Frage nicht für Sie, es erzeugt nur mehr Optionen.
Auch wer live auftreten will, muss die Umsetzung gesondert lösen. Ein erzeugter Track ist eine Aufnahme, kein spielbares Arrangement.
Rechte und Nutzungsbedingungen vor der Veröffentlichung
Technik und Recht sind zwei getrennte Fragen. Dass ein Track gut klingt, sagt nichts darüber, ob und wie Sie ihn verwerten dürfen. Vor einer Veröffentlichung sollten Sie klären, welche Nutzungsrechte der Dienst in seinen Bedingungen einräumt, ob die Bedingungen kommerzielle Nutzung erlauben, wie Ihr Vertrieb mit KI-Inhalten umgeht und ob Sie Ihren eigenen Beitrag (Text, Auswahl, Bearbeitung, Arrangement) belegen können. Die Regeln der Dienste und Plattformen ändern sich, lesen Sie deshalb die jeweils aktuelle Fassung.
Der nächste konkrete Schritt: Erzeugen Sie zu einem Track drei Varianten mit demselben Prompt, hören Sie sie nacheinander ab und notieren Sie, was das Modell entschieden hat und was Sie entschieden haben. Diese Trennung zeigt, wo Ihr eigener Beitrag liegt.