Розглянуто сучасний стан розвитку технологій штучного інтелекту (ШІ) у сфері музичної творчості та проаналізовано ключові обмеження, що визначають межі їхнього застосування в художньому контексті. Досліджено особливості роботи генеративних нейронних мереж — трансформерів, генеративно-змагальних мереж (GANs), рекурентних нейронних мереж (LSTM) і автокодувальників — у процесі синтезу музичних структур різного рівня складності. Визначено, що навіть найновіші алгоритми демонструють значну залежність від навчальних корпусів даних, унаслідок чого створювані твори мають тенденцію до повторюваності мотивів і втрати стилістичної унікальності. Підкреслено проблему обмеженої здатності моделей відтворювати емоційну експресію, динаміку розвитку теми та глибину художнього задуму. Окрему увагу приділено питанню взаємодії композитора чи виконавця з генеративними системами у режимі реального часу. Досліджено перспективи розвитку інтерактивних інтерфейсів «людина–машина», які дозволяють миттєво реагувати на творчі дії користувача та формувати спільний креативний простір. Визначено потенціал мультимодальних моделей, здатних одночасно аналізувати звук, текст і візуальні сигнали, що відкриває нові шляхи для міждисциплінарної музичної творчості. Досліджено соціокультурні наслідки інтеграції ШІ у музичну індустрію, зокрема зміну уявлень про авторство, автентичність і креативність. Досліджено ризики культурної уніфікації, спричиненої домінуванням західних навчальних баз, та наголошено на необхідності створення локально орієнтованих українських корпусів музичних даних. Обґрунтовано, що розвиток національно спрямованих генеративних систем сприятиме збереженню культурної різноманітності та розширенню можливостей творчої самореалізації митців. Зроблено висновок, що штучний інтелект є не стільки альтернативою людській творчості, скільки інструментом її трансформації та нової взаємодії між технологічним і художнім мисленням.
This study examines the current state of artificial intelligence (AI) technologies in the field of musical creativity and analyzes the key limitations that define the boundaries of their application in the artistic context. The research explores the functioning of generative neural networks — Transformers, Generative Adversarial Networks (GANs), Recurrent Neural Networks (LSTMs), and autoencoders — in synthesizing musical structures of varying complexity. It is found that even the most advanced algorithms show a significant dependence on training data corpora, leading to repetitive motifs and a loss of stylistic uniqueness. The study emphasizes the limited capacity of AI models to reproduce emotional expression, thematic development, and the depth of artistic intention. Particular attention is given to the interaction between composers or performers and generative systems in real-time. The prospects of developing interactive human–machine interfaces, capable of responding instantly to creative input and forming a shared creative environment, are analyzed. The potential of multimodal models, which can simultaneously analyze sound, text, and visual signals, is highlighted, opening new avenues for interdisciplinary musical creativity. Socio-cultural implications of AI integration into the music industry are explored, including transformations in the notions of authorship, authenticity, and creativity. The risks of cultural homogenization due to the dominance of Western training datasets are examined, emphasizing the importance of developing locally oriented Ukrainian musical data corpora. It is argued that the advancement of nationally focused generative systems can help preserve cultural diversity and expand opportunities for artists’ creative self-realization. The study concludes that artificial intelligence should not be seen as an alternative to human creativity, but rather as a tool for its transformation and a means of establishing new forms of interaction between technological and artistic thinking.
