This report explores the evolving landscape of songwriting and copyright protection, with a focus on the influence of Artificial Intelligence (AI). It highlights the need for objective measures of attribution in music co-creation, including collaborations involving AI. The study explores the potential of employing Natural Language Processing (NLP) methods in song lyric generation, to assign attribution more accurately and transparently. The report also discusses the perspectives of various stakeholders in the music industry highlighting the importance of attribution and addressing concerns related to AI-generated works. The research combines quantitative and qualitative methodologies, including surveys, interviews, and literature reviews, to provide comprehensive insights into the complexities of attribution in songwriting and the implications of AI’s involvement. The survey compared original song choruses to modified versions, gathering insights on the significance of text modifications. Statistical analysis and NLP techniques; levenshtein distance, plagiarism detection, sentiment analysis, and cosine similarity, were used to assess textual changes. The results indicated that primarily sentiment analysis, but also cosine similarity, aligned closer with the survey responses. Interviews provided valuable perspectives on challenges in attribution and copyright, as well as thoughts regarding AI in songwriting and ethical considerations. Current attribution methods often lead to unequal royalty distribution in co-created works. Objective metrics, including NLP techniques, could potentially offer a compliment for tracking attribution in a more quantitative way. Stakeholder analysis reveals the interests and power dynamics of songwriters, artists, labels, consumers, and lawyers. AI’s involvement raises questions about data sources, developer roles, and quantifying creativity, posing challenges in determining attribution, royalty distribution, and copyright protection. The report also underscores the importance of quantifying creativity, preserving creative integrity, and meeting the diverse needs of stakeholders within an AI-driven musical landscape. / Denna rapport utforskar det föränderliga landskapet för låtskrivande och upphovsrättsskydd, med fokus på artificiell intelligens (AI) påverkan. Studien belyser behovet av objektiva mått för attribution i musikaliskt samskapande, inklusive samarbeten som involverar AI. Studien undersöker möjligheterna att använda metoder inom språkteknologi (NLP) i låttextgenerering för att tilldela attribution på ett mer exakt och transparent sätt. Rapporten diskuterar även perspektiven från olika intressenter inom musikindustrin som betonar vikten av attribution och tar upp frågor relaterade till AI-genererade verk. Forskningen kombinerar kvantitativa och kvalitativa metoder, inklusive enkäter, intervjuer och litteraturstudier, för att ge en omfattande inblick i komplexiteten i attribution i låtskrivandet och konsekvenserna av AI:s inblandning. Enkäten jämförde originalversioner av refränger i låtar med modifierade versioner och samlade insikter om betydelsen av textmodifieringar. Statistisk analys och NLP-tekniker; levenshteinavstånd, plagiatdetektering, sentimentanalys och cosinuslikhet, användes för att bedöma textförändringar. Resultaten visade att främst sentimentanalys, men även cosinuslikhet, stämde bättre överens med enkätsvaren. Intervjuerna gav värdefulla perspektiv på utmaningar med attribution och upphovsrätt, samt tankar kring AI i låtskrivande och etiska överväganden. Nuvarande metoder för attribution leder ofta till ojämn fördelning av royalties i samskapade verk. Objektiva metoder, inklusive NLP-tekniker, skulle kunna erbjuda ett komplement för att spåra attribution på ett mer kvantitativt sätt. En intressentanalys avslöjar låtskrivares, artisters, skivbolags, konsumenters och advokaters intressen och maktdynamik. AI:s inblandning väcker frågor om datakällor, utvecklares roller och kvantifiering av kreativitet, vilket skapar utmaningar i att fastställa attribution, fördelning av royalties och upphovsrättsskydd. Rapporten understryker också vikten av att kvantifiera kreativitet, bevara kreativ integritet och möta de olika behoven hos intressenter inom ett AI-drivet musiklandskap.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-334274 |
| Date | January 2023 |
| Creators | Norberg, Karin, Norell, Othilia |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2023:419 |
Page generated in 0.0195 seconds