Salut,
À te lire, je pense que tu ne te rends pas bien compte de ce qu’est le MIDI.
Pour faire court, c’est à wav ou mp3 la même chose que ce que les images vectorielles sont à jpeg ou png. Le format MIDI décrit la musique au niveau "sémantique" ou "lexical", c’est-à-dire la production des notes (la force de l’attaque, la durée pendant laquelle la note est tenue, etc.) sur des instruments, dans le temps, mais pas le signal sonore produit par cet instrument. C’est pour ça qu’on peut facilement afficher un fichier MIDI sous la forme d’une partition, par exemple, mais pas le jouer sans un synthétiseur (c’est pas juste un codec). De la même manière, une image vectorielle va décrire l’image comme une collection de coups de pinceaux ou de formes et de couleurs dans l’espace, mais pas la luminosité de chaque pixel d’un canevas.
Le rendu sonore dépend du synthétiseur dans lequel tu vas le jouer. Autrement dit : MIDI, c’est pas "moche", beaucoup d’instruments que tu entends dans la musique de qualité professionnelle sont en fait des instruments virtuels qui prennent leur entrée en MIDI, sans même que tu puisses entendre la différence avec les "vrais". Si quand tu lis un fichier MIDI sur ton ordi, c’est moche, c’est parce que tu le joues dans le synthétiseur par défaut tout pourri de ton OS.
Tout cela pour dire que convertir un signal audio en MIDI, intelligence artificielle ou pas, je pense qu’il ne vaut mieux pas y compter : ça revient à relever automatiquement une partition à partir d’un signal sonore, ou encore convertir automatiquement une photographie naturelle en image vectorielle.
C’est probablement pas ce dont tu as besoin pour répondre à ton problème.
