IA asistiva frente a IA generativa: ¿Instrumento o autor?

Durante los dos últimos años, el debate sobre inteligencia artificial y música ha girado casi por completo en torno a una sola figura, la del sistema que genera una canción completa a partir de una instrucción de texto, la IA generativa. Suno y Udio han concentrado la conversación, los titulares y buena parte de la ansiedad del sector. Es comprensible, porque son la cara más visible de la tecnología, pero esa concentración ha dejado fuera de foco a la mayor parte de la IA que ya está dentro del proceso musical, la IA “asistiva”. 

Una encuesta de LANDR a 1.241 creadores, publicada a finales de 2025, ofrece la foto con más matiz. El 87% declara usar IA en algún punto de su flujo de trabajo, pero el desglose dice más que el titular, un 79% la usa en tareas técnicas como mezcla o restauración, un 66% en tareas creativas acotadas, y solo un 29% en generadores de canciones completas. Conviene leer el dato con cautela, porque procede de una encuesta de un fabricante sobre su propia comunidad, pero la proporción apunta a algo que cualquiera que trabaje en un estudio reconoce, la IA que más se usa no es la que compone, es la que ayuda.

Este artículo abre una serie dedicada a esa IA, la que acompaña a quien interpreta y a quien produce en puntos concretos de su proceso sin sustituir a nadie. Y empieza por donde hay que empezar, por poner orden en los términos. Porque la pregunta no es si una herramienta «usa IA» o no, ni siquiera si «genera» o no genera. La pregunta útil es dónde se inserta el modelo en el flujo de trabajo, qué transforma exactamente y cuánto control deja en manos del músico.

IA asistiva vs IA generativa integral

Llamaremos IA asistiva a la herramienta cuyo papel es resolver o acelerar un subproblema delimitado del proceso musical, separar una mezcla en pistas, transcribir un audio a partitura, sugerir una cadena de mezcla, transferir un timbre sobre una interpretación ya grabada, sin clausurar el resto de decisiones de la obra. El término no es invención nuestra, la industria del audio profesional lo usa desde hace años, se habla de assistive audio technology desde 2018, y la literatura académica sobre co-creación musical lo emplea con normalidad.

Llamaremos IA generativa integral al sistema que, a partir de una condición relativamente escasa, un texto, unas etiquetas, quizá una melodía de referencia, produce una pieza completa o una porción extensa de la obra como resultado principal. Aquí el término sí es una propuesta de esta serie. En la literatura técnica lo que circula es end-to-end o text-to-music, denominaciones correctas pero que describen la arquitectura, no lo que nos interesa señalar, que el sistema entrega la obra ya decidida. 

Suno y Udio, los productos que han copado el debate, son el rostro comercial de este polo, pero son cerrados y no documentan cómo funcionan por dentro. Para explicarlo con fundamento conviene apoyarse en los modelos de investigación con arquitectura publicada, MusicLM de Google y MusicGen de Meta, que generan audio musical coherente durante minutos a partir de una descripción textual y comparten la lógica de los productos comerciales.

Un gradiente, no dos cajas

Esta distinción no es un tecnicismo, ordena todo lo que viene después. Lo que de verdad preocupa a intérpretes y ejecutantes, quién firma la obra, si la máquina ocupa su lugar, cuánto vale su interpretación, se responde de manera muy distinta según el polo del que hablemos. Una herramienta que separa pistas o afina una voz no toca la autoría igual que un sistema que entrega la canción entera desde un prompt. El problema es que el debate público los mezcla, se alarma por lo que hace la generativa integral y luego mide con esa misma alarma herramientas que solo asisten, mientras usa a diario la IA asistiva sin darse cuenta de que ya está dentro del proceso. Separar los dos polos es la condición para poder discutir cada uno por lo que es.

Sería cómodo que las herramientas se dividieran limpiamente en dos cajas. No lo hacen, y conviene tenerlo en cuenta desde el principio para no construir una taxonomía de cartón. Entre el polo asistivo y el polo integral hay un gradiente, y la posición de cada herramienta en ese gradiente se puede estimar con criterios técnicos concretos, no con la etiqueta de marketing que lleve encima.

El primer criterio: la salida

El primer criterio es la unidad principal de salida. Si la salida es una obra o un fragmento musical autosuficiente, una pista completa generada desde texto, estamos cerca del polo integral. Si la salida es una representación de trabajo, unos stems (las pistas separadas de una mezcla), unas notas, unos parámetros de síntesis, una región de audio reparada, estamos cerca del polo asistivo. Vista así, la IA asistiva no entra «una vez» en el proceso musical, entra como transformador entre representaciones. La separación de fuentes convierte una mezcla en pistas, la transcripción convierte audio en notación, un asistente de mezcla convierte pistas en una propuesta de parámetros que se puede aceptar, ajustar o descartar.

El segundo criterio: el condicionamiento

El segundo criterio es el ancho de banda del condicionamiento, cuánta información musical concreta impone la parte humana antes de que el sistema actúe. Un prompt de texto es un condicionamiento pobre, unas pocas palabras que dejan al modelo casi todas las decisiones. Una melodía tarareada añade estructura. Una interpretación completa a la que solo se le va a cambiar el timbre impone casi todo. Cuanto más pobre es la entrada humana y más rica la salida, más poder compositivo se ha delegado en el modelo. Por eso los generadores integrales con controles añadidos, como Mustango, que permite fijar acordes, tempo y tonalidad sobre la generación desde texto, ganan control pero no cambian de naturaleza, siguen sintetizando la obra completa. Son generación integral controlada, no asistencia.

El tercer criterio: generativo por dentro no es generativo por uso

Y hay un tercer criterio que desmonta la confusión más frecuente, ser generativo por dentro no es ser generativo por uso. Dos ejemplos lo muestran bien, y conviene presentarlos porque reaparecerán a lo largo de la serie. DDSP (Differentiable Digital Signal Processing, una técnica desarrollada por el equipo Magenta de Google que combina redes neuronales con módulos clásicos de síntesis, osciladores, filtros, reverberación) no memoriza grabaciones, aprende los parámetros de síntesis de un instrumento, y su uso típico es transferir un timbre sobre una interpretación existente, se extraen la altura y la intensidad de una voz cantada y se resintetizan con el timbre de un violín. RAVE (Realtime Audio Variational autoEncoder, un modelo del IRCAM diseñado para sintetizar audio en tiempo real) expone variables internas que se pueden manipular como los controles de un sintetizador. Ambos usan mecanismos generativos en su interior, y ambos funcionan en la práctica como instrumentos, porque la generación está subordinada a una ejecución humana previa o a parámetros que gobierna quien toca. La arquitectura no decide el rol, lo decide la superficie de control.

Herramientas y posición

Aplicados a un puñado de herramientas conocidas, los tres criterios colocan cada una en un punto del eje, no en una de dos cajas.

Leída de arriba abajo, la tabla es el gradiente. Arriba, herramientas cuya salida es material de trabajo que se sigue editando. Abajo, sistemas cuya salida es la obra ya cerrada. Y en medio, los casos que más confunden, DDSP y RAVE generan sonido con redes neuronales pero caen en la mitad asistiva porque la ejecución y el control siguen siendo humanos, mientras que Mustango, pese a aceptar acordes y tempo, sigue del lado integral porque lo que entrega es la pieza entera.

Un mapa del proceso musical

Con esos criterios se puede dibujar el mapa completo. La tabla siguiente descompone el flujo de trabajo musical y sitúa en cada etapa qué transforma la IA y qué sigue en manos humanas.

Del mapa conviene tener en cuenta dos observaciones. La primera, que la IA aparece en casi todas las etapas, pero en la mayoría de ellas como transformador acotado, no como autor. En la separación de fuentes, modelos como HTDemucs o Mel-Band RoFormer estiman las pistas que componen una mezcla estéreo, y decidir qué hacer con ellas queda del lado humano. En la transcripción, sistemas como Onsets and Frames convierten audio de piano en notas con su dinámica, con acierto del orden del 90-95% cuando suena un solo instrumento, y bastante menos cuando se superponen varios, mientras corregir, cuantizar y decidir la notación final sigue siendo trabajo humano. En la mezcla y la masterización, los asistentes de iZotope o Sonible escuchan la señal y proponen un punto de partida editable, módulo a módulo. La segunda observación, que en todas esas inserciones lo humano no desaparece, cambia de lugar. En vez de ejecutar cada operación desde cero, el trabajo humano pasa a la elección del material, al criterio de aceptación, a la corrección de los errores y al cierre estético del resultado.

Qué significa control

«Control» es la palabra más usada y menos definida de este debate. Para que la taxonomía sea útil, hay que bajarla a variables observables. Proponemos cinco dimensiones.

La primera dimensión es el acceso a parámetros, poder actuar sobre variables concretas de síntesis o de proceso. DDSP es el caso fuerte, la red convierte la señal y el gesto de entrada en controles de síntesis físicamente interpretables. 

La segunda es la granularidad de la edición, a qué nivel se puede intervenir después de que el modelo actúe, el stem en separación, la nota en transcripción, el módulo y el parámetro en mezcla, la región temporal en reparación de audio. Cuanto más fina y local es la unidad editable, más asistiva tiende a ser la herramienta. 

La tercera es el ancho de banda del condicionamiento, cuánta información musical recibe el sistema antes de generar, más control cuanto más rica sea esa entrada. 

La cuarta es la reversibilidad, poder aceptar, cancelar, deshacer e iterar, que los asistentes de masterización resuelven dejando cada sugerencia como estado editable, y que en los generadores opacos se sustituye por la única estrategia disponible, generar muchas variantes y elegir. No es un matiz menor, el estudio académico sobre los equipos del AI Song Contest documentó exactamente ese patrón, cuando el modelo no se deja dirigir, los equipos generan en masa y curan a mano, y reconstruyen la asistencia por la vía de descomponer la tarea en bloques pequeños con modelos especializados. 

La quinta dimensión es la interpretabilidad, poder relacionar una decisión del sistema con una variable musical o de señal, saber por qué el asistente ha propuesto ese recorte a 3 kHz, cosa que una curva objetivo visible permite y un generador que decide dentro de una caja negra no.

Estas cinco dimensiones no producen un veredicto binario, producen un perfil. Y ese es su valor, permiten comparar herramientas sin caer ni en el entusiasmo de quien vende ni en la simplificación de quien critica.

Una historia anterior a la IA 

Nada de esto es, en el fondo, nuevo. La grabación en estudio lleva medio siglo aceptando tecnologías que corrigen, segmentan, alinean y limpian material interpretado sin componer la obra. La cuantización reubica hacia una rejilla rítmica eventos que alguien tocó, y la práctica profesional desarrolló grados de aplicación precisamente para no borrar la interpretación, como el swing que Roger Linn puso en su LM-1 de 1979, la primera caja de ritmos que grababa una interpretación y la misma que estrenó la cuantización. El comping monta una toma definitiva con los mejores fragmentos de varias ejecuciones humanas. El Auto-Tune, cuya patente original de 1999 describe sin rodeos su objetivo, corregir en tiempo real la entonación de una voz para producir el mismo sonido pero afinado, modifica la altura instantánea de una señal ya interpretada. La reducción de ruido por sustracción espectral data de 1979. Toda esa genealogía comparte la lógica que aquí hemos llamado asistiva, inteligencia local insertada en un punto acotado de la cadena, con el centro de gravedad en la ejecución humana.

Y el polo generativo tiene una genealogía igual de larga. Lejaren Hiller escribía en 1959 en Scientific American que la teoría de la información hacía posible programar un ordenador para componer. Xenakis organizaba densidades, duraciones y alturas mediante distribuciones de probabilidad, el compositor definía el sistema y la obra emergía de sus reglas. Brian Eno definió la música generativa como especificar reglas y dejar que «hagan la cosa», en lugar de fijar la obra por adelantado. David Cope, con EMI (Experiments in Musical Intelligence, el programa que desarrolló desde 1981 para analizar la obra de un compositor y generar piezas nuevas en su estilo), simulaba estilos por recombinación de patrones, y él mismo distinguía ya entre la autonomía fuerte de EMI y herramientas menos autónomas que «trabajaban con» el compositor. El continuo entre asistir y generar estaba vivo décadas antes del deep learning.

Qué cambia la IA actual

Lo que la IA actual cambia no es la existencia del eje, es su escala y su opacidad. Un prompt de texto es un condicionamiento mucho más accesible que una matriz de transición de Xenakis, y las decisiones internas del modelo viven en representaciones aprendidas de alta dimensión, mucho menos legibles que un sistema de reglas explícitas. Hoy una misma familia de tecnologías va desde el microcontrol de una señal en escena hasta la canción completa desde texto, y ambos extremos comparten la misma etiqueta comercial, «IA». Esa etiqueta común es la principal fuente de confusión del debate, y deshacerla es el propósito de esta taxonomía.

Lo que viene en la serie

Si la distinción que importa es dónde entra el modelo y cuánto control deja, entonces cada punto de entrada merece su propio análisis técnico, y eso es exactamente lo que hará esta serie. Las próximas entregas bajarán al detalle de las herramientas que aquí solo han quedado situadas en el mapa, cómo funciona por dentro la síntesis interpretable de DDSP y qué significa que un modelo aprenda el instrumento en lugar de memorizar la grabación, y qué convierte a un modelo neuronal en algo que se toca con el cuerpo en tiempo real en lugar de consultarse con texto, con los límites físicos, empezando por la latencia, que separan una cosa de la otra. También la separación de fuentes, la transcripción automática y la IA aplicada a la accesibilidad, ampliar quién puede hacer música es la forma más profunda de asistencia.

La tesis que sostiene todo el recorrido la podemos resumir en una frase. La diferencia sustantiva no está entre herramientas con IA y sin IA, está entre sistemas que insertan inferencia en un punto acotado del flujo de trabajo musical, preservando la capacidad humana de inspección, reversión e iteración, y sistemas que colapsan múltiples etapas en una sola salida musical ya decidida. Los primeros son instrumentos, por sofisticados que sean. Los segundos son otra cosa, y merecen su propio debate, pero no deberían seguir confundiéndose con los primeros.

Fuentes

• LANDR (2025). How Musicians Use AI. Noviembre 2025. landr.com [Encuesta a 1.241 creadores, 30 sep-6 oct 2025. Adopción del 87%; desglose 79% tareas técnicas, 66% creativas, 29% generadores de canciones. Muestra de conveniencia de un fabricante sobre su propia comunidad]

• Agostinelli, A. et al. (2023). MusicLM: Generating Music From Text. arXiv:2301.11325. arxiv.org/abs/2301.11325 [Generación de audio musical coherente durante minutos a partir de texto. Ejemplo de generación integral]

• Copet, J. et al. (2023). Simple and Controllable Music Generation (MusicGen). NeurIPS 2023. arXiv:2306.05284 [Un solo modelo de lenguaje sobre tokens de audio comprimidos, condicionado por texto o melodía]

• Melechovsky, J. et al. (2024). Mustango: Toward Controllable Text-to-Music Generation. NAACL 2024. aclanthology.org/2024.naacl-long.459 [Añade control de acordes, tempo y tonalidad a la generación desde texto sin dejar de sintetizar la obra completa]

• Engel, J., Hantrakul, L., Gu, C., Roberts, A. (2020). DDSP: Differentiable Digital Signal Processing. ICLR 2020. arXiv:2001.04643 [Red neuronal que aprende parámetros de síntesis interpretables; timbre transfer voz-a-violín vía altura e intensidad]

• Caillon, A., Esling, P. (2021). RAVE: A variational autoencoder for fast and high-quality neural audio synthesis. arXiv:2111.05011 [Síntesis de audio en tiempo real con variables internas manipulables desde fuera, como controles de un sintetizador]

• Rouard, S., Massa, F., Défossez, A. (2023). Hybrid Transformers for Music Source Separation (HTDemucs). ICASSP 2023. arXiv:2211.08553 [Separación de una mezcla en pistas, ~9,2 dB SDR]

• Wang, J.-C., Lu, W.-T., Won, M. (2023). Mel-Band RoFormer for Music Source Separation. arXiv:2310.01809 [Estimación de máscaras multibanda en el espectrograma para separar fuentes]

• Hawthorne, C. et al. (2018). Onsets and Frames: Dual-Objective Piano Transcription. ISMIR 2018. arXiv:1710.11153 [Transcripción de audio de piano a notas con dinámica; 90-95% con un solo instrumento sonando]

• Huang, C.-Z. A. et al. (2020). AI Song Contest: Human-AI Co-Creation in Songwriting. NeurIPS 2020 (workshop). arXiv:2010.05388 [Los equipos descomponen la tarea en bloques con modelos especializados y curan a mano cuando el modelo no se deja dirigir]

• iZotope (desde 2018). Assistive audio technology. izotope.com [Uso del término «asistivo» en la industria del audio profesional; asistentes de mezcla y masterización que proponen un punto de partida editable]

• Hildebrand, H. A. (1999). Patente US 5.973.252 A, Pitch detection and intonation correction apparatus and method (Auto-Tune). patents.google.com/patent/US5973252A [Corrección en tiempo real de la entonación de una voz ya interpretada]

• Linn, R. Roger Linn on Swing, Groove & the Magic of the MPC’s Timing. Entrevista, Attack Magazine. attackmagazine.com [Linn introdujo a la vez la cuantización y el swing en el LM-1 Drum Computer de 1979, la primera caja de ritmos con grabación en tiempo real]

• Boll, S. F. (1979). Suppression of Acoustic Noise in Speech Using Spectral Subtraction. IEEE Transactions on Acoustics, Speech, and Signal Processing 27(2), 113-120. DOI:10.1109/TASSP.1979.1163209 [Reducción de ruido por estimación y resta del espectro de ruido]

• Hiller, L. A. (1959). Computer Music. Scientific American 201(6), 109-120. DOI:10.1038/scientificamerican1259-109 [Primera formulación pública de la composición por ordenador]

• Xenakis, I. (1992). Formalized Music: Thought and Mathematics in Composition (ed. rev.). Pendragon Press [Música estocástica, organización de la obra mediante distribuciones de probabilidad]

• Eno, B. (1996). Generative Music. Charla, Imagination Conference, San Francisco. inmotionmagazine.com/eno1.html [Definición de música generativa como especificar reglas y dejar que produzcan la obra]

• Cope, D., Carroll, B. T. (1999). Facing the Music: Perspectives on Machine-Composed Music. Leonardo Music Journal 9, 79-87 [EMI simula estilos por recombinación de patrones; distinción entre autonomía fuerte (EMI) y asistencia (CUE)]