18 agosto 2026
Il contrario di Suno: far descrivere un brano a un'AI, e quali modelli ci riescono davvero
Da due anni si parla quasi solo di una direzione: scrivi una frase, esce una canzone. È la parte spettacolare. Ma chi lavora con la musica ogni giorno ha il problema opposto, meno fotogenico e molto più redditizio: ha già l'audio, e gli servono le parole giuste per descriverlo.
Un catalogo indipendente vive di quelle parole. Servono per la pitch a un curatore, per rispondere a un brief di sync, per popolare i campi di un distributore. Chi produce ha lo stesso bisogno al contrario: prendere un riferimento e ricostruirne il DNA, per rifarlo o per allontanarsene con cognizione.
Ho passato le ultime settimane a testare cosa esiste. La risposta breve è che i modelli oggi scrivono di musica meglio di quanto la ascoltino.
Descrivono bene, misurano male
Dai un brano a un modello audio di frontiera e ottieni un paragrafo credibile: timbri, atmosfera, riferimenti, perfino l'arco emotivo. Sembra scritto da qualcuno che ha studiato.
Poi controlli i dati e ti si apre il pavimento sotto i piedi. Tonalità sbagliata, o giusta con il modo invertito. BPM plausibile e falso. Progressione di accordi inventata con grande sicurezza.
I benchmark pubblicati nell'ultimo anno dicono esattamente questo. Sul benchmark MUSE (2025), quattro modelli SOTA testati contro 200 umani: Gemini Pro risulta il migliore, ma resta sotto gli esperti su giudizi armonici e ritmici complessi — 66,67% su Chord Sequence Matching contro l'85% umano, e crolla sull'identificazione del metro (46,67%). Qwen2.5-Omni e Audio Flamingo 3 vanno al livello del caso su quasi tutti i dieci task; Qwen sull'identificazione della forma melodica fa 23,33%, cioè puro caso. Se un modello non distingue un tre quarti da un quattro quarti, la sua analisi ritmica è letteratura.
C'è un problema più subdolo. Il paper di Music Flamingo lo dice esplicitamente: anche i LALM di frontiera, su tracce notissime, producono descrizioni brevi e generiche, sbagliano tempo o tonalità, e a volte si appoggiano a conoscenza testuale invece che a vera analisi uditiva. Funziona benissimo in demo. Crolla sul tuo inedito, che è l'unico caso che ti interessa.
Il campo, ad agosto 2026
Fotografia con la data sopra, e va letta così: qui si ragiona in trimestri, non in anni.
I modelli specializzati sulla musica sono la novità vera. Music Flamingo (NVIDIA, 8B) è oggi il riferimento: SOTA su MMAU-Pro-Music (65,6%) e MuChoMusic (74,58%), 80,76% sugli strumenti su NSynth, caption medie da 451 parole con struttura, armonia e transizioni di accordi. Due limiti che contano: licenza solo ricerca non commerciale, e audio processato in finestre da 30 secondi con cap di 10 minuti. Riferimento di qualità, non motore di produzione.
Gli omni generalisti restano la scelta pratica per un prodotto commerciale. Gemini 3.x Pro ha percezione di base solida, prosa buona e API pulita. Qwen3.5-Omni Plus (marzo 2026) batte Gemini 3.1 Pro su audio understanding e reasoning, ma è proprietario e senza pesi — i guadagni sembrano più su speech e multilingua che su teoria musicale. Sono anche quelli da tenere più al guinzaglio sui dati misurabili.
L'open source serve se hai vincoli di privacy sul catalogo. MOSS-Audio 8B (aprile 2026), variante Thinking, è forte sui timestamp. Il prezzo lo paghi in infrastruttura.
Poi c'è una categoria che chi arriva dal mondo AI ignora: le piattaforme di tagging nate per il sync licensing. Cyanite è lo standard di settore — oltre 150 aziende, 45 milioni di brani taggati, con API, webhook ed export CSV. Non ti dà prosa da musicologo, ti dà tag coerenti di mood, genere, strumentazione ed energia su tutto il catalogo. Per un'etichetta vale più di una bella prosa su un pezzo solo.
Tre stadi, non un modello
La tentazione è cercare lo strumento unico che fa tutto. È quella da resistere: sbagli quando chiedi a un componente il lavoro di tre.
La misura. Tonalità, tempo, loudness, sezioni e timeline degli accordi si estraggono con librerie deterministiche: Essentia (con i modelli TensorFlow), madmom, allin1 per struttura e downbeat, beat-this per il beat tracking. Strumenti maturi, riproducibili, verificabili. Non sono di moda ed è irrilevante: sono giusti. Non chiedere a un LLM i numeri esatti.
La separazione. Demucs per isolare voce, batteria, basso e armonia prima dell'analisi migliora sensibilmente accordi e trascrizione lirica. Un passaggio in più che si ripaga.
Il racconto. Solo qui entra il modello linguistico, con le mani legate: riceve l'audio insieme ai valori già misurati e ha il divieto di riscriverli. Il suo compito è mettere in parole quello che non si misura, cioè carattere del suono, scelte di arrangiamento, intenzione. Quello sa farlo bene.
Il principio vale per qualsiasi prodotto AI: il modello generativo non va messo nel punto in cui si decide un dato che deve essere esatto.
Il test prima di scegliere
Nessun benchmark pubblico ti dirà come si comporta un modello sul tuo repertorio: i dataset accademici sono pieni di spezzoni strumentali brevi, il tuo catalogo no.
Costruisci un golden set. Una ventina di brani di cui conosci con certezza tonalità, BPM e struttura, perché c'eri in sessione. Fai girare i candidati alla cieca e conta gli errori sui dati verificabili, senza giudicare la bellezza delle descrizioni. È un pomeriggio di lavoro e chiude ogni discussione teorica su quale modello sia il migliore.
Cosa sto costruendo
Da questa ricerca è nato SoundDNA, prossimo strumento della suite LabelTools accanto a Royalties Calculator e al Press Review Tool.
Carichi un brano, l'app lo analizza sezione per sezione, estrae il suo DNA di produzione e lo converte in un prompt consapevole della struttura, pronto per i generatori musicali. Non una descrizione generica del pezzo: la mappa di cosa succede in ogni sezione e perché funziona.
Sotto ci sono le scelte di cui sopra. Analisi deterministica lato client per i numeri, un modello audio per l'ascolto, un modello di reasoning per la scrittura. Crediti a consumo, perché nessuno analizza brani tutti i giorni.
Non è ancora pubblica. Sta nella fase meno fotogenica e più decisiva, quella in cui costruisco il golden set di valutazione prima di aprire i rubinetti sulle chiavi AI. Con Royalties Calculator ho imparato che la differenza tra una demo e un prodotto sta esattamente in questo pezzo di lavoro che nessuno vede.
In sintesi
L'analisi audio oggi è utilizzabile, a condizione di sapere cosa delegare a chi. Chiedi ai modelli linguistici le parole. Chiedi agli algoritmi i numeri. Non invertire i ruoli e non fidarti della prima descrizione elegante che ottieni.
E metti sempre in mezzo un tuo orecchio. Resta lo strumento di misura più affidabile che hai.
Aggiornamento: agosto 2026. Il panorama dei modelli audio cambia di trimestre in trimestre: tratta questo articolo come una fotografia, non come una classifica stabile.
Se gestisci un catalogo, produci musica o stai costruendo qualcosa in questo ambito, scrivimi o iscriviti alla newsletter: SoundDNA lo annuncio prima lì.
Approfondimenti sul sito: Progetti AI · AI generativa e creatività · Blog automation Make + Claude.
Giorgio Lovecchio · giorgiolovecchio.com
Tag: AI, Music Business, Audio Analysis, MIR, LabelTools, Metadata