@Gvardia, могу ошибаться, но видится мне так:
Как делает музыкант - он берёт инструменты и из них делает аранжировку, микс.
Как делает нейросеть - берёт "глыбу" в зависимости от жанра (розовый шум, как вариант) и из неё вырезает микс. С кучей (тысячями) модуляций и прочих эффектов, основанных на логике успешных произведений. Поэтому всё звучит так "ярко" и "круто". Потом, при необходимости, он из этой "глыбы" (микса) пытается вырезать отдельные инструменты. Получается не всегда удачно, поэтому часто встречается проникновение других каналов.
Проблемы:
1. Работает это идеально только в его балансе инструментов.
2. Тысячи музыкантов имеют характерный стиль звучания суно.