Müzisyenlerin yapay zekâ kullanım durumlarının ve yapay zekâya yönelik görüşlerinin incelenmesi

Yiğit Karabulut

doi:10.46372/arts.1740876

TR EN

Müzisyenlerin yapay zekâ kullanım durumlarının ve yapay zekâya yönelik görüşlerinin incelenmesi

Öz

Bu araştırmanın amacı müzisyenlerin sahne performanslarında (çalgı aleti çalma veya şarkı söyleme) veya yaratıcı faaliyetlerinde (beste yapma, düzenleme vb.) yapay zekâ (YZ) kullanım durumlarının ve YZ ilişkin görüşlerinin incelenmesidir. Araştırmada durum tespitine yönelik bir model esas alınmıştır. Çalışma betimsel türde, model olarak genel tarama modelindedir. Çalışma grubunu 2025 yılında amatör veya profesyonel çalgı çalan veya korolarda şarkı söyleyen ve araştırmacı tarafından ulaşılabilen, araştırmaya katılmayı kabul eden 79 müzisyen oluşturmaktadır. Araştırmada veri toplama aracı olarak, bir ölçme değerlendirme uzmanı ve bir müzikoloji uzmanından görüş alınarak hazırlanan anket uygulanmıştır. Müzisyenlerde YZ kullanımının düşük seviyede olduğu tespit edilmiştir. En düşük YZ kullanım düzeyinin icracılıkta olduğu tespit edilmiştir. En yüksek YZ kullanım oranı ise stüdyo pratiklerinde yer almaktadır. Bu durum, yapay zekânın stüdyo ve müzik teknolojileri alanında görece daha fazla entegre olmaya başladığını göstermektedir. Müzisyenlerde YZ uygulamalarının faydasına yönelik sınırlı düzeyde olumlu tutumlar olduğu, ancak bu tutumların uygulamaya dönüşme oranının oldukça düşük kaldığı görülmektedir.

Anahtar Kelimeler

Examining musicians artificial intelligence usage cases and their views on artificial intelligence

Abstract

The aim of this study is to examine the use of Artificial Intelligence (AI) in musicians' stage performances or creative activities and their views on AI. The research is based on a model for situation determination. It is in descriptive type and general survey model as a model. The study group consists of 79 musicians who played amateur or professional instruments or sang in choirs in 2025. It was determined that the level of AI use among musicians was low. The lowest level of AI use was found to be in performance. The highest rate of AI use is found in studio practices. This shows that artificial intelligence is becoming relatively more integrated in the field of studio and music technologies. It is seen that musicians have limited positive attitudes towards the benefits of AI, but the rate of turning these attitudes into practice remains quite low.

Keywords

References

Turing, A.M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/Mind/LIX.236.433
Ben-Tal, O. (2023). The odd couple. Zenodo (CERN European organization for nuclear research). https://doi.org/10.5281/ZENODO.8331056
Bevilacqua, F., Schnell, N., ve Fdili Alaoui, S. (2016). Towards a gesture-sound cross-modal analysis. Proceedings of the international conference on new interfaces for musical expression.
Briot, J. P., Hadjeres, G., Pachet, F. D. (2020). Deep learning techniques for music generation. Springer.
Buchanan, B. G. (2005). A (very) brief history of artificial intelligence. AI magazine, 26(4). 53-60.
Briot, J.-P., ve Pachet, F. (2017). Music generation by deep learning – A survey. https://doi.org/10.48550/arXiv.1709.01620
Chen, Y., Huang, L., Gou, T. (2024). Applications and advances of artificial intelligence in music generation: A review https://doi.org/10.48550/arXiv.2409.03715
Chuan, C. H., Agres, K., Herremans, D. (2020). From context to concept: Exploring semantic relationships in music with word2vec. Neural computing and applications, 32, 11261–11273. https://doi.org/10.48550/arXiv.1811.12408

Crevier, D. (1993). AI: The tumultuous search for artificial intelligence. Basicbooks.
Dong, H. W., Hsiao, W. Y., Yang, L. C., Yang, Y. H. (2018). MuseGAN: Multi-track sequential generative adversarial networks for symbolic music generation and accompaniment. In AAAI conference on artificial intelligence, 34–41.
Drott, E. A. (2021). Music as a technology of surveillance. Journal of the society for american music, 15(4), 595–615. https://doi.org/10.1017/S1752196318000196
Felten, E. W., Raj, M., ve Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: a novel dataset and its potential uses. Strategic management journal, 42(12), 2195–2217. https://onlinelibrary.wiley.com/doi/pdf/10.1002/smj.3286.
Felten, E. W., Raj, M., Seamans, R. (2023). Occupational heterogeneity in exposure to generative ai. http://dx.doi.org/10.2139/ssrn.4414065
Fiebrink, R. (2020). Machine learning education for artists, musicians, and other creative practitioners. ACM Transactions on computing education (TOCE), 20(1), 1–32. https://doi.org/10.1145/3294008
Frid, E., Gomes, C., ve Jin, Z. (2020). Music creation by example. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1–13. https://doi.org/10.1145/3313831.3376739
Herremans, D., Chew, E. (2016). Music generation with structural constraints: An operations research approach, Presented at the 30th Annual Conference of the Belgian Operational Research (OR) Societyn(ORBEL30), Louvain-La-Neuve.
Huang, C. A., Vaswani, A., Uszkoreit, J., Shazeer, N., Simon, I., Hawthorne, C., Eck, D. (2019). Music transformer: Generating music with long-term structure. Proceedings of the international conference on learning representations.
Kaplan, A., ve Haenlein, M. Siri, (2019) Siri in my hand: Who’s the fairest in the land on the interpretations, illustrations, and implications of artificial intelligence. Bus Horiz, 62(1), 15-25. https://doi.org/10.1016/j.bushor.2018.08.004
Karasar, N. (2019). Bilimsel araştırma yöntemi: Kavramlar ilkeler teknikler (34.baskı). Nobel.
Maes, P. J., Leman, M., Palmer, C., Wanderley, M. M. (2011). Action-based effects on music perception. Frontiers in psychology, 2, 1–14. https://doi.org/10.3389/fpsyg.2013.01008
Mccorduck, P. (2004). Machines who think: A personal inquiry into the history and prospects of artificial intelligence. Peters publishing.
Newquist, H.P. (1994). The brain makers: Genius, ego, and greed in the quest for machines that think. Macmillan.
Pasquier, P., Eigenfeldt, A., Bown, O., ve Dubnov, S. (2017). An introduction to musical metacreation. In E. R. Miranda (Ed.), Handbook of artificial intelligence for music: Foundations, advanced approaches, and developments (pp. 291–328). Springer.
Roberts, A., Engel, J., Mann, Y., Gillick, J., Kayacik, C., Nørly, S., Eck, D. (2019). Magenta studio: Augmenting creativity with deep learning in ableton live. In proceedings of the international workshop on musical metacreation.
Solmaz, B. (2021). Teknolojik gelişmelerin müzik alanında oluşturduğu yeniliklerle ilgili bir değerlendirme. Motif akademi halkbilimi dergisi, 14(34), 666-678. https://doi.org/10.12981/mahder.870604
Sturm, B. L., Ben-Tal, O., Monaghan, Ú., Collins, N., Herremans, D., Chew, E., Pachet, F. (2018). Machine learning research that matters for music creation: A case study. Journal of New Music Research, 48(1), 36–55. https://doi.org/10.1080/09298215.2018.1515233

Details

Primary Language

Turkish

Subjects

Arts and Cultural Policy

Journal Section

Research Article

Authors

Yiğit Karabulut ^*
0000-0001-8326-7760
Türkiye

Publication Date

October 22, 2025

Submission Date

July 12, 2025

Acceptance Date

October 8, 2025

Published in Issue

Year 2025 Number: Yapay zekâ ve sanat özel sayısı

DOI

https://doi.org/10.46372/arts.1740876

IZ

https://izlik.org/JA75EE86EJ

Cite

RIS / Bibtex

APA

Karabulut, Y. (2025). Müzisyenlerin yapay zekâ kullanım durumlarının ve yapay zekâya yönelik görüşlerinin incelenmesi. ARTS: Artuklu Sanat Ve Beşeri Bilimler Dergisi, Yapay zekâ ve sanat özel sayısı, 123-146. https://doi.org/10.46372/arts.1740876