생성형 AI 음악 식별을 위한 데이터 셋 구축 및 검증 = Construction and Validation of Datasets for Detecting AI-Generated Music

국문 초록 (Abstract)

급속도로 발전하는 인공지능 기술은 음악 산업을 포함한 다양한 분야에 큰 변화를 가져오고 있다. 생성형 AI를 활용한 음악 창작 기술의 발전은 생성형 AI를 통해 만들어진 음악과 인간이 작곡한 음악의 구별을 요구하고 있다. 현재 딥페이크, 딥보이스 등의 시각 및 청각 콘텐츠의 위변조를 탐지하는 연구는 활발하게 진행되고 있지만, AI 생성 음악의 식별 연구는 상대적으로 부족한 상황이다. 본 연구는 AI로 생성된 음악을 식별하기 위한 데이터 셋을 구축하고 검증하는 것을 목적으로 한다. 이를 위해 생성형 AI로 만들어진 음악과 인간 작곡가에 의해 만들어진 음악 파일을 수집하고, 음향적 특성을 추출하여 수치 데이터로 저장하였다. 분석 결과 신호의 평균 에너지와 영교차율을 중심으로 일부 특성 값에 대한 상관관계에서 두 집단 간의 차이가 발견되어 수집한 데이터 셋의 활용 가능성을 검증하였다. 본 연구에서 구축한 데이터 셋은 생성형 AI로 만들어진 음악과 인간이 작곡한 음악의 특성을 비교하여 분석하기 위한 기초 자료로 활용될 수 있으며, 이를 기반으로 AI 생성 음악을 효과적으로 식별할 수 있는 고도화된 딥러닝 모델 개발에 기여할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

The rapid advancement of artificial intelligence (AI) technology is driving transformative changes across various fields, including the music industry. The evolution of music creation technology utilizing generative AI introduces a profound challenge to traditional definitions and understandings of human creativity, highlighting the necessity for research to distinguish AI-generated music from human-composed works. While significant progress has been made in detecting manipulated visual and auditory content, such as deepfakes and synthesized voices, research focused on identifying AI-generated music remains comparatively underdeveloped. This study addresses this gap by constructing a dataset identifying AI-generated music. A comprehensive collection of music files generated by AI and human composers was assembled to achieve this, from which acoustic features were systematically extracted and recorded as numerical data. Analytical results revealed discernible differences between the two groups, particularly in correlations of characteristic values such as signal average energy (Root Mean Square, RMS) and zero-crossing rate (ZCR), demonstrating the utility of the compiled dataset. The dataset established through this research is a foundational resource for comparative analysis of the acoustic features of AI-generated and human-composed music. Moreover, it is anticipated to contribute significantly to developing advanced deep-learning models that accurately identify AI-generated music.