Les auditeurs n’ont identifié l’émotion visée par un générateur de musique de jeu que dans 34% des cas, contre 25% par hasard, et les pièces composées par des humains dans le même test ont obtenu le même 34% (Ferreira, Lelis et Whitehead, AIIDE 2020). Ce résultat cadre le domaine : la cible est difficile même pour la musique humaine. Le système adaptatif de Hutchings et McCormack a obtenu un résultat d’immersion significatif au sein de chaque groupe, mais aucune de ses quatre comparaisons entre groupes ne passe sous p = 0,05 (IEEE Transactions on Games 2019). Sur Steam, les jeux déclarant de l’IA générative reçoivent un taux de recommandation de 68,4% contre 86,3% pour les jeux à contenu procédural, bien que ce chiffre porte sur des jeux entiers, pas sur la musique (Bazzaz et Cooper, prépublication arXiv 2026). Nous avons agrégé des données issues d’IEEE Transactions on Games, d’AIIDE, d’ISMIR, de l’IEEE Conference on Games et d’études auprès des joueurs évaluées par les pairs. Ce tour d’horizon se limite aux systèmes et à leurs évaluations ; lisez-le avec nos statistiques sur les bandes originales de jeux pour le versant commercial des partitions de jeu.
TL;DR
- 34% de réponses correctes sur valence et éveil combinés contre 25% par hasard, les pièces humaines étant aussi à 34% (Ferreira et al., AIIDE 2020, 116 participants).
- Immersion p = 0,121 pour Zelda et p = 0,053 pour StarCraft II, système adaptatif contre partition originale (Hutchings et McCormack, IEEE Transactions on Games 2019, 34 joueurs).
- La musique adaptative a accru la présence et l’impact émotionnel au tir à l’arc en réalité virtuelle (Wen et al., IEEE TVCG 2026, 22 participants).
- Qualité globale sur une échelle de 1 à 5 : humain 4,11, meilleur générateur 3,94 (Ferreira et al., AIIDE 2022, 199 réponses valides).
- Le taux de victoire d’un agent de jeu à audio seul est passé de 0,52 à 0,94 avec la musique adaptative (Khan et al., IEEE CoG 2023, 90 manches par condition).
- MusicGen a produit des extraits de 8 secondes en moins de 4 secondes sur une machine de test (Marrinan et al., prépublication arXiv 2024).
- 5 278 morceaux issus de 397 jeux dans la NES Music Database (Donahue et al., ISMIR 2018).
- 98 940 extraits de gameplay associés à de la musique, issus de 389 jeux (Cardoso et al., FDG 2024).
- 38,87% des codes d’entretien étaient des inquiétudes et 13,09% des avantages (Worrall et Collins, IEEE Transactions on Games 2023, 11 compositeurs).
- Taux de recommandation Steam de 86,3% pour les jeux à contenu procédural contre 68,4% pour les jeux à IA générative (Bazzaz et Cooper, prépublication arXiv 2026).
1. Études auprès des joueurs : la tension bouge, l’immersion est plus difficile à prouver
Aucune des quatre comparaisons entre groupes de l’étude de Hutchings et McCormack ne passe sous p = 0,05, même si le test intragroupe de l’article y parvient. Le titre « les joueurs se sont sentis plus immergés » est vrai du déplacement de chaque personne, pas d’une victoire nette sur la bande originale. Des échantillons aussi petits ne détectent que de grands effets ; un échec de justesse à p = 0,053 n’est donc la preuve ni d’un succès ni d’un échec.
La tension est le résultat le plus solide. Dans Galactic Escape, le jeu de test de la Simon Fraser University, une partition adaptative a accru la tension ressentie, même lorsqu’elle était associée à l’envers à la courbe de tension du jeu. Cela suggère qu’une musique qui réagit de façon audible compte peut-être plus qu’une musique qui réagit correctement, de quoi faire réfléchir quiconque passe des semaines sur des règles d’association. Wen et al. (2026) ajoutent une mise en garde issue de la réalité virtuelle : une tension musicale modérée a amélioré la visée et le temps de visée, une tension élevée a dégradé les deux, selon une courbe en U inversé.
| Métrique | Valeur | Source |
|---|---|---|
| Bande-son fixe contre bande-son générative adaptative au tir à l’arc en réalité virtuelle, plan intra-sujets | 22 participants, 4 phases de tension ; la présence et l’impact émotionnel ont augmenté | Wen et al., IEEE Transactions on Visualization and Computer Graphics 2026 |
| Immersion, système adaptatif contre partition originale du jeu Zelda: MoS | p = 0,121, η² = 0,042 (34 joueurs, 2 groupes de 17, sessions de 20 minutes) | Hutchings et McCormack, IEEE Transactions on Games 2019 |
| Immersion, système adaptatif contre partition originale de StarCraft II | p = 0,053, η² = 0,079 | Hutchings et McCormack, IEEE Transactions on Games 2019 |
| Effet déclaré de la musique sur l’immersion, au sein de chaque groupe, avec le système adaptatif | Hausse significative dans les deux groupes (p<0,05, test des rangs signés de Wilcoxon) | Hutchings et McCormack, IEEE Transactions on Games 2019 |
| Tension ressentie, moyenne par bande-son : associée à la tension 0,62, associée à l’envers 0,61, sans musique 0,55, neutre 0,49 | F(3, 87) = 3,662, p = 0,015, η² partiel = 0,112 (30 joueurs retenus sur 35 recrutés) | Plut, thèse de doctorat de la Simon Fraser University 2022 |
| Partition générative contre partition linéaire composée contre partition adaptative composée | 48 participants ; linéaire la mieux notée à toutes les questions, générative deuxième de justesse sur la congruence émotionnelle, l’immersion et la préférence | Plut, thèse de doctorat de la Simon Fraser University 2022 |
| Bande-son générative contre linéaire dans un jeu de type Tetris | 39 étudiants de premier cycle ; hypothèses non confirmées, les joueurs ne distinguaient pas les deux, le flow restait affecté | Sites et Potter, Game Studies 2018 |
| Jeu d’entraînement noté selon l’humeur d’un générateur de musique pour jeu web, puis tests A/B contre une musique statique | 80 pièces notées ; l’adaptativité n’améliorait pas nécessairement la musique composée | Adam, mémoire de master de Cal Poly 2014 |
Les deux lignes les plus anciennes apportent des nuances. Sites et Potter ont constaté un flow plus élevé (un état d’absorption concentrée et gratifiante) chez ceux qui ont joué d’abord la version générative (échantillon tiré du résumé du Playlab de la Tampere University), et le mémoire AUD.js n’a trouvé aucun gain automatique par rapport à une partition composée.
Données les plus récentes disponibles pour ce thème : Wen et al. 2026. Toutes les autres études présentées ici datent de 2014 à 2022.
2. Évaluations d’auditeurs : l’émotion visée survit-elle ?
Les pièces composées par des humains n’ont pas fait mieux que le générateur dans le test de Bardo Composer : les deux ont atteint 34%. C’est un rappel de réalité sur la tâche plus qu’un échec du modèle. Identifier à la fois la valence (le caractère plaisant ou déplaisant de la musique) et l’éveil (son caractère calme ou énergique) est tout simplement difficile, et il faut demander à tout fournisseur qui revendique un ciblage émotionnel quasi parfait quel score a obtenu la référence humaine.
Les notes de qualité racontent une histoire plus resserrée. L’étude AIIDE de 2022 a placé son meilleur générateur à 0,17 point de la musique humaine (4,11 moins 3,94), même si seules 199 réponses ont survécu au filtrage sur 1 600 recrues, un rappel que les données d’écoute issues de travailleurs en ligne sont bruitées avant d’être instructives. Un test plus petit de Yan (prépublication arXiv 2023) sur 16 arrangements pour piano de jeux de rythme a lui aussi montré que les auditeurs préféraient la musique humaine ; il ne donne pas le nombre de répondants.
| Métrique | Valeur | Source |
|---|---|---|
| Bardo Composer (un générateur pour des sessions de jeu de rôle sur table) : réponses correctes sur valence et éveil combinés | 34% contre 25% par hasard, p = 0,02 (116 participants, 2 groupes de 58) | Ferreira, Lelis et Whitehead, AIIDE 2020 |
| Bardo Composer : réponses correctes sur l’éveil visé, meilleure partie rapportée (épisode 4, partie 1) | 87% des participants | Ferreira, Lelis et Whitehead, AIIDE 2020 |
| Qualité globale, échelle de 1 à 5, moyenne ± écart type | Humain 4,11 ± 0,73, méthode de recherche arborescente (PUCT) 3,94 ± 0,76, CS 3,68 ± 0,96, SBBS 3,62 ± 1,01 (199 réponses valides sur 1 600 recrues, 80 pièces par générateur) | Ferreira et al., AIIDE 2022 |
| Extraits émotionnels composés, accord des auditeurs dans le plan à un seul rang | 58,5% au total : valence 59,2%, éveil 59,4%, tension 56,8% (180 participants, 90 extraits) | Plut, thèse de doctorat de la Simon Fraser University 2022 |
| Ensembles d’extraits où les auditeurs ont confirmé les étiquettes du compositeur | 19 sur 30 concordaient, 10 divergeaient, 1 sans accord net | Plut, thèse de doctorat de la Simon Fraser University 2022 |
Même des extraits écrits pour une émotion cible l’ont manquée : 10 ensembles sur 30 ont donné l’inverse. Les systèmes génératifs entraînés sur de telles étiquettes héritent de ce désaccord.
Données les plus récentes disponibles : Ferreira et al., AIIDE 2022. Nous n’avons trouvé aucune étude d’auditeurs de cette ampleur, datée de 2025 ou 2026, pour la musique de jeu.
3. Mesures des systèmes : vitesse, stabilité et comportement
Le taux de victoire d’un agent de jeu à audio seul est passé de 0,52 à 0,94 dès que la musique de fond a suivi la santé et la distance du joueur. Aucun humain n’a joué dans cette étude IEEE CoG, qui applique de simples règles de volume à des groupes d’instruments séparés. Elle démontre pourtant un point utile : la musique adaptative peut porter l’état du jeu, pas seulement l’ambiance. Les jeux de rythme poussent cette idée le plus loin, même si leurs morceaux sont sous licence et non générés, comme le montrent nos statistiques sur la licence musicale des jeux de rythme.
La vitesse est inégale. Un modèle d’extraits a battu le temps réel sur une machine de test, tandis qu’une chaîne de transformeurs lourde fonctionnait encore hors ligne. La stabilité aux prompts est une préoccupation plus récente : Wu et Si (IVA 2026) ont testé si de petites modifications de prompt provoquent des sauts musicaux brusques, ce qui casserait une partition dont les prompts changent pendant la partie.
| Métrique | Valeur | Source |
|---|---|---|
| Temps de génération d’un extrait MusicGen de 8 secondes (CPU Threadripper 2950X, GPU RTX 2080) | Moins de 4 secondes | Marrinan et al., prépublication arXiv 2024 |
| Cycle de mise à jour des messages d’état de jeu d’un système musical adaptatif | Toutes les 30 ms, les agents écrivant deux mesures (barres de musique) à la fois | Hutchings et McCormack, IEEE Transactions on Games 2019 |
| Arrangements uniques issus d’une seule partition générative adaptative | Près de 14 000 milliards, générés hors ligne car le modèle MMM est trop lourd pour le temps réel | Plut, thèse de doctorat de la Simon Fraser University 2022 |
| Similarité audio après une petite modification du prompt, MusicGen-large, similarité cosinus CLAP (1,0 = identique) | 0,7666 avec un mot remplacé, 0,8202 avec un changement d’intensité (75 groupes de prompts sur toutes les conditions, 6 graines) | Wu et Si, IVA 2026 |
| Taux de victoire, agent à audio seul avec encodeur audio FFT, musique originale contre adaptative | 0,52 contre 0,94 ; avance moyenne en points de vie 27,03 contre 136,14 (90 manches par condition) | Khan et al., IEEE CoG 2023 |
| Taux de victoire, agent à audio seul avec encodeur de mel-spectrogramme, musique originale contre adaptative | 0,56 contre 0,68 (90 manches par condition) | Khan et al., IEEE CoG 2023 |
| Distance audio de Fréchet (Frechet Audio Distance) à un jeu de référence cinématique de 32 heures, campagne de jeu de rôle sur table, plus bas = plus proche | Meilleur générateur 3,00 contre bande originale humaine 9,66 | Marra et Ferreira, atelier LAMIR (arXiv 2024) |
| Adéquation à l’histoire : divergence par rapport à la musique de fond originale (KLD), plus bas = plus proche | Version avec prompt d’émotion 3,34 ± 1,89 contre référence 4,84 ± 2,98 | Marra et Ferreira, atelier LAMIR (arXiv 2024) |
La ligne de Fréchet demande de la prudence. Une distance plus faible signifie un audio statistiquement plus proche d’un jeu de référence cinématique, pas une meilleure musique que la bande originale humaine. L’article Babel Bardo a employé des métriques automatiques sur 2 campagnes, sans test de préférence humaine, et traite les études d’auditeurs comme un travail futur.
4. Données d’entraînement : des corpus bâtis sur de vieilles puces sonores
La NES Music Database contient 5 278 morceaux issus de 397 jeux, soit environ 46,1 heures au total. Une console des années 1980 reste au cœur de la recherche sur la musique de jeu parce que ses morceaux sont compacts, multi-instrumentaux et symboliques, pas parce qu’elle ressemble à une partition orchestrale moderne. L’écart entre données d’entraînement et bandes originales commercialisées mérite d’être gardé à l’esprit : pour des alternatives sous licence, consultez nos statistiques sur les bibliothèques de musique de production.
L’habitude d’évaluation compte autant que la taille. Ni la NES Video-Music Database ni la référence YM2413-MDB n’ont employé de test d’écoute, s’appuyant sur des métriques objectives et des classifieurs. La génération conditionnée s’est rapprochée de la musique humaine sur les cinq métriques rapportées, et pourtant un classifieur de genre reconnaissait moins souvent les pièces générées que les pièces humaines.
| Métrique | Valeur | Source |
|---|---|---|
| Taille de la NES Music Database | 5 278 morceaux, 397 jeux, 296 compositeurs | Donahue et al., ISMIR 2018 |
| Volume de la NES Music Database | 2 325 636 notes, 46,1 heures | Donahue et al., ISMIR 2018 |
| Taille de la NES Video-Music Database | 98 940 extraits de 15 secondes issus de 389 jeux, 474 heures de vidéo | Cardoso et al., FDG 2024 |
| Pièces avec extraits de gameplay associés, NES Video-Music Database | 4 070 des 5 278 pièces | Cardoso et al., FDG 2024 |
| Similarité du motif rythmique (grooving) : modèle conditionné par la vidéo, modèle non conditionné, pièces humaines | 0,821, 0,694, 0,999 (140 pièces par ensemble) | Cardoso et al., FDG 2024 |
| Précision du classifieur de genre sur les pièces générées contre les pièces humaines | 22% contre 34% | Cardoso et al., FDG 2024 |
| YM2413-MDB, musique de jeu des années 1980 sur puce FM avec étiquettes d’émotion | 669 fichiers, 15,4 heures, 19 étiquettes d’émotion, 2 annotateurs plus 3 vérificateurs par morceau | Choi et al., ISMIR 2022 |
| Précision de reconnaissance d’émotion en quatre quadrants, YM2413-MDB | 0,65 au mieux sur l’audio (ResNet à segments courts), 0,48 au mieux sur la musique symbolique (régression logistique) | Choi et al., ISMIR 2022 |
Les étiquettes d’émotion restent la ressource la plus rare. VGMIDI est parti de 823 pièces dont 95 annotées, produisant 966 phrases étiquetées et un classifieur de sentiment à 89,83 ± 3,14% (Ferreira et Whitehead, ISMIR 2019). Son ensemble étiqueté a ensuite atteint 200 pièces (Ferreira, Lelis et Whitehead, AIIDE 2020). Les étiquettes de structure sont plus rares encore : une prépublication de 2026 de Luo et Reiss a constitué un jeu de données audio de jeu avec 309 annotations structurelles, soutenant que la faible maîtrise de la structure est l’une des raisons pour lesquelles l’industrie utilise rarement les générateurs neuronaux.
Données les plus récentes disponibles : Donahue et al. 2018, Ferreira et Whitehead 2019, Choi et al. 2022.
5. Compositeurs : la qualité et l’identité priment sur la peur de perdre son emploi
« L’IA ne génère pas de musique originale de qualité humaine » était le plus grand sous-thème d’une étude par entretiens auprès de compositeurs professionnels de jeux, avec 191 codes sur 1 199. La sécurité de l’emploi n’en a recueilli que 11. L’instinct de lire ce domaine comme une panique sociale ne correspond pas à ce que ces 11 compositeurs ont réellement abordé pendant leur entretien : la qualité, le contrôle créatif et la propriété. Cela redéfinit le cahier des charges des outils, et rejoint les questions juridiques suivies dans nos statistiques sur les litiges de droit d’auteur liés à la musique générée par IA.
Ce sont des décomptes de codes issus d’une analyse thématique réflexive menée par un seul chercheur ; ils mesurent donc l’ampleur avec laquelle le sujet est revenu, pas le nombre de personnes qui partagent un avis. Considérez-les comme une carte de la conversation, pas comme un sondage.
| Métrique | Valeur | Source |
|---|---|---|
| Échantillon de l’étude, compositeurs professionnels de jeux avec au moins un jeu publié | 11 personnes, environ 13 heures d’entretiens, 1 199 codes | Worrall et Collins, IEEE Transactions on Games 2023 |
| Part des codes portant sur les inquiétudes face à la technologie musicale d’IA | 38,87% | Worrall et Collins, IEEE Transactions on Games 2023 |
| Part des codes sur le conflit entre ego créatif et IA contre part sur les avantages de l’IA | 29,36% contre 13,09% | Worrall et Collins, IEEE Transactions on Games 2023 |
| Codes sur « l’IA musicale entre en conflit avec l’ego créatif » contre « l’IA peut profiter au flux de travail » | 133 contre 70 | Worrall et Collins, IEEE Transactions on Games 2023 |
| Codes sur les inquiétudes pour la sécurité de l’emploi contre les inquiétudes sur la représentation musicale et la propriété | 11 contre 83 | Worrall et Collins, IEEE Transactions on Games 2023 |
6. Contexte du domaine : peu de systèmes étudiés, des joueurs Steam méfiants
Le recensement académique le plus complet que nous avons pu lire, datant de 2022, ne couvre que 34 systèmes de musique générative issus de jeux, dont 19 de la décennie précédente. Une synthèse plus récente de Luo et Reiss (AES 2025) indique que prototypes académiques et usage commercial divergent encore, car les deux camps ne hiérarchisent pas de la même façon la nouveauté, la fiabilité et les ressources. Aucun jeu de données public que nous ayons trouvé ne recense les jeux commercialisés qui utilisent de la musique procédurale ; tout chiffre de ce type en ligne mérite donc la méfiance.
L’indicateur le plus proche du sentiment des joueurs vient de Steam, et il porte sur des jeux entiers, pas sur les bandes originales. Cette prépublication de 2026 a utilisé la génération de contenu procédural comme référence pour les jeux déclarant de l’IA générative. Les évaluateurs ont tendance à lire l’IA générative comme le signe d’un faible investissement des développeurs, ce qui est un avertissement pour tout outil musical commercialisé sous cette étiquette.
| Métrique | Valeur | Source |
|---|---|---|
| Systèmes de musique générative issus de jeux dans une enquête académique | 34 systèmes, dont 19 des 10 années précédant l’enquête | Plut, thèse de doctorat de la Simon Fraser University 2022 |
| Part des sorties Steam déclarant de l’IA générative | 5,6% en 2024, 10,3% en 2025 | Bazzaz et Cooper, prépublication arXiv 2026 |
| Taux de recommandation, jeux à contenu procédural contre jeux à IA générative | 86,3% contre 68,4% (5 186 contre 5 970 jeux, 508 192 avis en anglais) | Bazzaz et Cooper, prépublication arXiv 2026 |
| Résultat de régression logistique pour les jeux à IA générative contre les jeux à contenu procédural | Rapport de cotes 0,63 (IC à 95% [0,62 ; 0,64], p < 0,001) | Bazzaz et Cooper, prépublication arXiv 2026 |
| Taux de recommandation dans les jeux gratuits contre les jeux payants, procédural contre IA générative | Gratuits 83,1% contre 50,1% ; payants 86,9% contre 78,9% | Bazzaz et Cooper, prépublication arXiv 2026 |
| Taux de recommandation dans les avis qui montrent une conscience de l’IA générative | 49,5% (63,7% de sentiment négatif, n = 7 834) | Bazzaz et Cooper, prépublication arXiv 2026 |
Résumé : les systèmes de musique de jeu procédurale et générative en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Auditeurs de Bardo Composer corrects sur valence et éveil | 34% contre 25% par hasard (116 participants) | Ferreira, Lelis et Whitehead, AIIDE 2020 |
| Qualité globale, humain contre meilleur générateur, échelle de 1 à 5 | 4,11 contre 3,94 (199 réponses valides) | Ferreira et al., AIIDE 2022 |
| Immersion, système adaptatif contre partition originale de StarCraft II | p = 0,053 (34 joueurs) | Hutchings et McCormack, IEEE Transactions on Games 2019 |
| Tir à l’arc en réalité virtuelle, musique fixe contre générative adaptative | 22 participants, présence et impact émotionnel en hausse | Wen et al., IEEE Transactions on Visualization and Computer Graphics 2026 |
| Bande-son générative contre linéaire dans un jeu de type Tetris | 39 étudiants de premier cycle, hypothèses non confirmées | Sites et Potter, Game Studies 2018 |
| Arrangements uniques issus d’une seule partition générative adaptative | Près de 14 000 milliards, hors ligne uniquement | Plut, thèse de doctorat de la Simon Fraser University 2022 |
| Temps de génération d’un extrait MusicGen de 8 secondes | Moins de 4 secondes | Marrinan et al., prépublication arXiv 2024 |
| Similarité de MusicGen-large après un changement d’intensité dans le prompt | 0,8202 de similarité cosinus CLAP | Wu et Si, IVA 2026 |
| Taux de victoire d’un agent à audio seul, musique originale contre adaptative | 0,52 contre 0,94 | Khan et al., IEEE CoG 2023 |
| Distance audio de Fréchet, meilleur générateur contre bande originale humaine | 3,00 contre 9,66 | Marra et Ferreira, atelier LAMIR (arXiv 2024) |
| NES Music Database | 5 278 morceaux, 397 jeux, 46,1 heures | Donahue et al., ISMIR 2018 |
| NES Video-Music Database | 98 940 extraits, 389 jeux | Cardoso et al., FDG 2024 |
| YM2413-MDB | 669 fichiers, 15,4 heures | Choi et al., ISMIR 2022 |
| Codes de compositeurs sur « pas originale, de qualité humaine » contre sécurité de l’emploi | 191 contre 11 sur 1 199 codes | Worrall et Collins, IEEE Transactions on Games 2023 |
| Taux de recommandation Steam, jeux procéduraux contre jeux à IA générative | 86,3% contre 68,4% | Bazzaz et Cooper, prépublication arXiv 2026 |
Méthodologie et sources
Nous avons lu chaque étude ou sa page de dépôt et rapportons les échantillons tels qu’imprimés. Aucun chiffre ne provient d’un blog SEO ou d’un article de listes.
- Wen et al., Tuning Immersion and Performance with Adaptive Generative Music in VR, IEEE TVCG 2026
- Hutchings et McCormack, Adaptive Music Composition for Games, IEEE Transactions on Games 2019
- Plut, Application and evaluation of affective adaptive generative music for video games, Simon Fraser University 2022
- Ferreira, Lelis et Whitehead, Computer-Generated Music for Tabletop Role-Playing Games, AIIDE 2020
- Ferreira et al., Controlling Perceived Emotion in Symbolic Music Generation with Monte Carlo Tree Search, AIIDE 2022
- Ferreira et Whitehead, Learning to Generate Music With Sentiment, ISMIR 2019
- Worrall et Collins, Considerations and Concerns of Professional Game Composers Regarding Artificially Intelligent Music Technology, IEEE Transactions on Games 2023
- Donahue et al., The NES Music Database, ISMIR 2018
- Cardoso et al., The NES Video-Music Database, FDG 2024
- Choi et al., YM2413-MDB, ISMIR 2022
- Khan et al., Fighting Game Adaptive Background Music for Improved Gameplay, mis à jour à partir d’IEEE CoG 2023
- Wu et Si, Evaluating Prompt Robustness in Text-to-Audio Systems, IVA 2026
- Marrinan et al., AI audio for user-generated game content, prépublication arXiv 2024
- Marra et Ferreira, Long-Form Text-to-Music Generation with Adaptive Prompts, atelier LAMIR
- Bazzaz et Cooper, Player Perceptions of Generative AI in Games, prépublication arXiv 2026
- Luo et Reiss, Procedural Music Generation Systems in Games, AES 2025 et Supervised Learning for Game Music Segmentation, prépublication arXiv 2026
- Sites et Potter, Everything Merges with the Game, Game Studies 2018, avec l’échantillon tiré du résumé du Playlab de la Tampere University
- Adam, Procedural Music Generation and Adaptation Based on Game State, mémoire de master de Cal Poly 2014 et Yan, Generating Rhythm Game Music with Jukebox, prépublication arXiv 2023
- Note sur les données : la plupart des échantillons ici sont petits ; un résultat non significatif n’est donc pas la preuve d’une absence d’effet. Worrall et Collins indiquent 29 sous-thèmes à un endroit et 30 à un autre (leur tableau en liste 29), et leur décompte de compositeurs AAA ne concorde pas ; nous ne citons donc ni l’un ni l’autre. Le chapitre PreGLAM de Plut annonce 50 participants dans son introduction et 48 dans sa méthode ; nous retenons 48. Chez Wu et Si, le tableau du texte intégral que nous avons lu montre une similarité de Stable Audio plus faible sous reformulation que ne le laisse penser le classement du résumé ; nous ne citons donc que les chiffres de MusicGen-large, qui concordent avec le résumé. Khan et al. n’ont utilisé aucun joueur humain et ne rapportent aucun test de signification. La prépublication Steam porte sur des jeux entiers et n’est pas évaluée par les pairs, et son temps de jeu médian diffère entre un tableau et le texte ; nous omettons donc ce chiffre. Les entretiens de compositeurs datent de 2023 et le recensement des systèmes de 2022 ; tous deux méritent un successeur. Les enquêtes sur la musique adaptative menées par des éditeurs, qui circulent en ligne, n’ont pu être rattachées à un document primaire et ont été écartées. Les chiffres d’adoption commerciale n’étaient pas disponibles sous une forme que nous pouvions vérifier.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue à la publication des actes d’AIIDE 2026 et d’ISMIR 2026.