MusicXML apprend mieux la musique que MIDI

Pour entraîner une intelligence artificielle musicale, faut-il lui donner des événements MIDI ou de véritables partitions ? Une étude présentée à l’ISMIR 2026 compare 26 modèles construits sur MusicXML, MIDI et ABC. Dans ce cadre expérimental, MusicXML obtient les meilleurs résultats pour reconnaître un compositeur, estimer une difficulté, proposer un accompagnement et générer de la musique. Le gain ne viendrait pas seulement du format technique : il viendrait surtout des décisions de notation que MIDI efface.

La notation apporte-t-elle un savoir musical ?

Fait vérifié. Le 25 octobre 2026, Andrea Poltronieri, Matteo Spanio, Simone Chieppa, Xavier Serra et Martín Rocamora ont déposé une étude intitulée Does Notation Matter? MusicXML Tokenisation for Symbolic Music Generation and Understanding. Le travail, associé à l’ISMIR 2026, présente MxlTok, un système qui transforme une partition MusicXML en une suite de jetons utilisable par un modèle de langage, puis reconstruit un fichier MusicXML à partir de cette suite.

La question paraît technique, mais elle concerne directement les compositeurs, les graveurs et les éditeurs. Une intelligence artificielle symbolique n’apprend pas sur un enregistrement : elle apprend sur une représentation de la musique. Or cette représentation décide déjà de ce que le modèle pourra observer.

Le MIDI décrit efficacement des hauteurs, des débuts de notes, des durées et des vélocités. Une partition contient davantage : orthographe des notes, répartition des voix, structure des mesures, articulations, nuances, liaisons et organisation des parties. Le format ABC reste lisible comme du texte, mais couvre moins complètement les partitions complexes. L’étude demande si cette information éditoriale supplémentaire améliore réellement l’apprentissage.

Ce que MusicXML conserve et que MIDI perd

Fait documenté par l’étude. MusicXML encode explicitement les altérations écrites, les voix polyphoniques, les portées, les parties, les mesures, les articulations, les ornements, les reprises, les nuances et de nombreuses indications d’exécution. MIDI n’en conserve qu’une partie ou les réduit à des événements de lecture.

Cette différence est loin d’être marginale dans le corpus utilisé. Les auteurs indiquent que 61 % des partitions comportent au moins une note dont l’orthographe ne peut pas être retrouvée à partir de la seule classe de hauteur. Ils relèvent aussi des nuances dans 53 % des partitions et des articulations dans 50 % d’entre elles.

MxlTok ne demande pas au modèle de manipuler directement le XML avec ses longues balises. Il produit une séquence plus compacte et musicalement ordonnée. Le dépôt public montre des jetons lisibles pour les notes, durées, voix, liaisons, articulations, nuances, pédales, indications de tempo, symboles d’accords et reprises. Le logiciel, publié sous licence MIT, peut encoder et décoder des fichiers .mxl, .musicxml ou .xml.

Comment les 26 modèles ont été comparés

Fait vérifié dans l’article scientifique. L’équipe a entraîné 26 modèles, en utilisant des architectures de type GPT-2 pour la génération et BERT pour les tâches de compréhension. Les configurations restent volontairement modestes et comparables : environ 20 millions de paramètres, six couches, huit têtes d’attention et une dimension cachée de 512.

Le corpus principal provient de PDMX, une collection de partitions MusicXML. L’expérience retient un sous-ensemble évalué et dédupliqué d’environ 13 000 partitions, issu d’un corpus total de 254 000 fichiers. La musique classique et traditionnelle y est la plus représentée, devant le rock, la pop, le jazz et les musiques de film.

Trois familles de tâches mesurent la compréhension : identifier le compositeur, estimer le niveau de difficulté d’une partition et retrouver l’accompagnement associé à une mélodie. Pour la génération, les chercheurs comparent des statistiques musicales puis organisent une évaluation humaine en préférences par paires.

Déclaration des auteurs. Ce protocole vise à isoler l’effet de la représentation. Il ne s’agit pas de comparer les plus grands modèles disponibles ni de déterminer quel système commercial compose le mieux.

Les résultats annoncés par les chercheurs

Résultats rapportés, non reproduits indépendamment ici. Sur les trois tâches de compréhension, les modèles MusicXML arrivent en tête. Pour l’identification du compositeur, la meilleure configuration MxlTok atteint une exactitude de 0,781, contre 0,748 pour la meilleure configuration MIDI et 0,715 pour ABC.

Pour l’estimation de difficulté, le meilleur modèle MusicXML classe exactement 30,3 % des partitions et se situe à un niveau près dans 69,5 % des cas. Les chiffres restent modestes, ce qui interdit de parler d’une difficulté « comprise » au sens musical humain. Ils dépassent néanmoins les variantes MIDI et ABC testées. MusicXML obtient également les meilleurs rangs pour la suggestion d’accompagnement.

En génération, le meilleur modèle MusicXML produit des distributions statistiques plus proches des données de référence que les modèles concurrents. Dans l’évaluation humaine, 16 participants ont fourni 960 jugements sur 168 extraits en comparant fidélité stylistique, correction, diversité et préférence générale. Les sorties MusicXML ont globalement été préférées.

Le test décisif du passage par MIDI

L’expérience la plus éclairante n’est peut-être pas le classement final. Les chercheurs prennent des partitions, les convertissent en MIDI, puis les font revenir vers une représentation MusicXML avant de les tokeniser avec MxlTok. Cette opération conserve le mécanisme de tokenisation, mais détruit les informations de notation perdues lors du passage par MIDI.

Résultat rapporté par les auteurs. Après ce détour, les performances de MxlTok retombent au niveau des modèles MIDI. Leur interprétation est que l’avantage vient principalement du contenu noté — enharmonies, voix, articulations et structure — plutôt que d’une supériorité mécanique du tokeniseur.

Pour un graveur, l’idée est familière. Un sol dièse et un la bémol produisent la même touche de piano dans un contexte tempéré, mais ils ne jouent pas le même rôle harmonique. Deux voix sur une portée peuvent produire les mêmes hauteurs qu’un accord plaqué, tout en indiquant une conduite et une intention différentes. Une articulation ou un soufflet n’ajoute pas une nouvelle note ; il ajoute une décision musicale.

Des limites méthodologiques et juridiques

Limite reconnue dans l’étude. Les modèles sont petits au regard des systèmes actuels, les tâches sont limitées et le corpus favorise certaines traditions occidentales notées. Les résultats ne permettent donc pas de conclure pour tous les genres, toutes les écritures, toutes les tailles de modèles ou tous les usages professionnels.

L’évaluation humaine repose sur seulement 16 participants. Les 960 comparaisons donnent une matière utile, mais elles ne constituent pas un large panel de compositeurs, instrumentistes et éditeurs. Les métriques statistiques, de leur côté, ne correspondent pas toujours à la qualité perçue d’une œuvre.

Point juridique signalé par les auteurs. PDMX présente ses fichiers comme relevant du domaine public ou d’une licence CC0. L’étude reconnaît toutefois que la licence associée à un arrangement ou à un fichier ne garantit pas nécessairement le statut de la composition sous-jacente. Cette incertitude empêche de considérer les métadonnées comme une preuve absolue de liberté de droits.

Analyse. Cette réserve est particulièrement importante pour un éditeur. Un corpus techniquement téléchargeable n’est pas automatiquement un corpus juridiquement sûr, et une représentation riche facilite aussi la mémorisation de choix éditoriaux précis. La provenance, la licence de l’œuvre, celle de l’arrangement et celle du fichier doivent être documentées séparément.

Ce que cela change pour nos partitions

Cette étude ne fournit pas encore un nouvel assistant prêt à installer dans Dorico ou MuseScore. Elle suggère cependant de meilleures pratiques pour les musiciens, les bibliothèques et les éditeurs qui préparent des données symboliques.

1. Conserver le MusicXML source. Un export MIDI reste utile pour l’écoute ou le séquenceur, mais il ne doit pas devenir l’unique archive d’une partition.
2. Soigner les informations musicales. Voix, enharmonies, articulations, nuances et parties ne sont pas une décoration tardive : elles peuvent devenir des signaux d’apprentissage.
3. Éviter les conversions en cascade. Un aller-retour par MIDI peut rendre une partition audible tout en supprimant des choix que l’IA aurait pu exploiter.
4. Contrôler la provenance. Associer à chaque fichier l’œuvre, l’arrangeur, l’éditeur, la licence et les éventuelles restrictions.
5. Évaluer sur de vraies tâches éditoriales. Une bonne perplexité ne garantit ni une partie lisible, ni des enharmonies cohérentes, ni des sauts de page corrects.

Hypothèse. Des assistants entraînés sur des partitions complètes pourraient, à terme, mieux proposer une conduite de voix, une articulation cohérente ou un accompagnement adapté au niveau d’un interprète que des modèles nourris de MIDI seul. L’étude rend cette piste plausible, mais elle ne démontre pas encore ces usages dans un logiciel professionnel.

Conclusion : la gravure devient une donnée

Analyse. Le principal enseignement n’est pas que MusicXML serait un format parfait. C’est que la notation porte un savoir que l’on perd lorsque la musique est réduite à une succession de hauteurs et de durées. La manière d’écrire une note, de séparer deux voix, de phraser une ligne ou d’indiquer une nuance constitue déjà une interprétation structurée.

Cette conclusion redonne une valeur stratégique au travail éditorial. Les corrections d’enharmonie, les articulations, la polyphonie et l’organisation des parties ne servent pas seulement le lecteur humain. Dans un futur proche, elles pourraient aussi déterminer ce qu’une intelligence artificielle apprend de la musique.

Il faut rester prudent : l’étude porte sur un corpus et des modèles précis, son panel humain est réduit et la provenance juridique des partitions demeure imparfaite. Mais son test par conversion MIDI apporte un indice solide : lorsqu’on retire la notation, l’avantage disparaît. Pour construire des outils réellement musicaux, la partition n’est donc pas un habillage du son. Elle est une partie de la connaissance.