theoretisch müsste das ja auf digitaler Ebene eigentlich klappen.
Nein, auch digital geht so etwas nicht wirklich gut. Zumindest nicht, wenn Du sagst "Lied", worunter ich mal einen kompletten Song mit mehreren Instrumenten verstehe. Der erste Schritt müsste nämlich sein, aus dem Song die einzelnen Instrumente rauszufiltern, also dass man getrennte Spuren für jedes Instrument hat. Das ist schon physikalisch quasi unmöglich, solche Fragen kommen hier aber auch oft (Karaokeversion etc.), und wir müssen immer wieder antworten, dass das nicht geht (ja, bei mittig gepanntem Gesang mit Tricks von wegen Phasen umdrhen, links/ rechts etc..) Eine Audiodatei sieht so aus wie im angehängten Bild. Das sieht der Computer - wie soll der daraus sehen, welches Instrument was gespielt hat?
Wenn man die Spur eines einzelnen Instrumentes hat sieht das schon besser aus, da gibt es durchaus solche Programme. Professionelle "Gesangsverbesserersoftware" wie Melodyne oder Autotune arbeiten auch auf so einer Grundlage. Also wohl grobgesagt die Datei in von Tonwechseln eingegrenzte Abhscnitte einzuteilen und in jedem Abschnitt die Frequenz zu messen. Wenn es wikrlich schlict monophon ist, kann ich mir vorstellen, dass das ganz gut funktioniert. Aber wenn mehrere Töne gleichzeitg gespielt werden (akkorde), und dann vielleicht sehr verändert udn fließend wie bei einer E-Gitarre - das wird das Ergebnis wohl schon nicht mehr so gut sein.
Such mal (hier oder bei Google) nach "WAV to MIDI" oder "Audio to MIDI", vielleicht findest Du ja sogar was, was für deinen Anwendungsfall ordentlcihe Ergebnisse liefert. Worum geht es denn genau? Vielleicht solltest du lieber direkt nach MIDIs bzw. Noten suchen; wenn es Rockmusik ist, dann findest du z.B: so einieg im GuitarPRo-Format (da haben sich halt andere MEnschen die Mühe gemacht,d as ganze rauszuhören und in MIDIs (und damit also Noten) zu schreiben.)