Within the creative industries, such as visual arts and music, there has been a rise of AI implementations to solve various tasks, in each respective creative field. Implementations within the field of AI music creation have gained a lot of attention in recent years, due to the fact that many tools have become proficient in making music. Previously, there has been a lot of research dedicated to the algorithms behind these tools, but not as much to other software qualities that may be useful to both users of these tools, and developers of such tools to know. Hence, the focus of this thesis will be on completing a mapping of 6 established AI music creation tools, after a set of technical evaluation components. The mapping was carried out by a functional taxonomy. The results showcase that a majority of the tools implement DL algorithms, all data-sets are constructed differently, the majority apply user-friendly cloud-based environments for their tools, and that there was an equal divide between open-and closed source tools. The discussion chapter analyzes why developers have created the tools in a certain way, why potential developers should consider to implement a music creation tool with a DL algorithm, and why they should consider studying existing open-source tools, due to the knowledge and resources developers stand to gain from such a platform. Closed-source tools are more suitable for users who only want to create music with AI music creation tools, considering the uncomplicated usage, and access of such a tool.

Inom de kreativa branscherna, till exempel bildkonst och musik, har det skett en ökning av AI-implementeringar för att lösa olika uppgifter, inom respektive kreativt område. Implementeringar inom området AI-musikskapande har fått stor uppmärksamhet de senaste åren, på grund av att många verktyg har blivit skickliga i att skapa musik. Tidigare har det gjorts mycket forskning tillägnad till algoritmerna bakom dessa verktyg, men inte lika mycket andra mjukvaru-kvaliteter som kan vara användbara för både användare av dessa verktyg och utvecklare av sådana verktyg att känna till. Denna avhandling kommer därmed fokusera på att slutföra en kartläggning av 6 etablerade AI-musikskapande verktyg, med hjälp av en uppsättning tekniska utvärderingskomponenter. Kartläggningen utfördes med en funktionell taxonomi. Resultaten visar att en majoritet av verktygen implementerar DL-algoritmer, alla datamängder är konstruerade på olika sätt, majoriteten tillämpar användarvänliga molnbaserade miljöer för sina verktyg, och att det fanns en lika uppdelning mellan verktyg med öppen,-och sluten källkod. Diskussionskapitlet analyserar varför utvecklare har skapat verktygen på ett visst sätt, varför potentiella utvecklare bör överväga att implementera ett musikskapande verktyg med en DL-algoritm och varför de bör överväga att studera befintliga verktyg med öppen källkod, på grund av den kunskap och resurser som utvecklare har att vinna på från en sådan plattform. Verktyg med sluten källkod är mer lämpade för användare som endast vill skapa musik med AI-musikskapande verktyg, med tanke på den okomplicerade användningen och tillgången till dessa verktyg.