The development and commercial exploitation of AI systems for generating music is impacting how music is created, distributed, and used. This thesis addresses three pressing technical challenges posed by these impacts: (1) how to develop systematic methods for evaluating and representing AI-generated music, including statistical tests and melodic analysis; (2) how to define and build music AI detection systems, revealing vulnerabilities to platform bias and audio manipulation; and (3) how to reframe Explainable AI (XAI) as a communication problem, identifying misalignment risks between AI explanations and human interpretation. The results contribute practical methods for music analysis and detection using AI, and highlight key limitations in current approaches. Overall, this thesis lays a foundation for future work on robust evaluation frameworks and improved explanation methods tailored for music AI systems.

Utvecklingen och det kommersiella utnyttjandet av AI-system för att generera musik påverkar hur musik skapas, distribueras och används. Denna avhandling tar upp tre angelägna tekniska utmaningar som dessa effekter medför: (1) hur man utvecklar systematiska metoder för att utvärdera och representera AI-genererad musik, inklusive statistiska tester och melodisk analys; (2) hur man definierar och bygger AI-detekteringssystem för musik, vilket avslöjar sårbarheter för plattformsbias och ljudmanipulation; och (3) hur man omformulerar Förklarbar AI (XAI) som ett kommunikationsproblem, vilket identifierar risker för feljusteringar mellan AI-förklaringar och mänsklig tolkning. Resultaten bidrar med praktiska metoder för musikanalys och detektering med hjälp av AI, och belyser viktiga begränsningar i nuvarande tillvägagångssätt. Sammantaget lägger denna avhandling en grund för framtida arbete med robusta utvärderingsramverk och förbättrade förklaringsmetoder skräddarsydda för AI-system för musik.