Ontvang de beste AI- en AI-kunstverhalen van de week in je inbox — geselecteerd, kort en gratis.
Gratis. Je kunt je altijd afmelden.
Een hackincident heeft een van de grootste geheimen in de AI-muziekwereld opengebroken: Suno bouwde zijn model door miljoenen nummers en songteksten te scrapen van YouTube Music, Deezer en Genius — bronnen die het bedrijf nooit publiekelijk had bekendgemaakt.
Volgens TechCrunch verkreeg de aanvaller toegang via de inloggegevens van een Suno-medewerker en extraheerde vervolgens broncode die de scrapingpipeline in detail documenteerde. De code toonde aan dat Suno decennia aan audio binnenhaalde — niet alleen metadata of fragmenten, maar volledige tracks en songteksten — van platforms die geautomatiseerde harvesting expliciet verbieden in hun gebruiksvoorwaarden. 404 Media berichtte als eerste over de onderliggende data.
Wat dit incident extra betekenisvol maakt, is wat het bevestigt over de gangbare praktijk in de sector. Suno behoorde tot de meest zwijgzame AI-muziekbedrijven als het ging om zijn trainingsstack. Terwijl beeldgeneratiebedrijven zoals Stability AI en Midjourney publieke kritiek — en rechtszaken — hebben gekregen over hun gebruik van gescrapete visuele content, is audio-AI grotendeels aan hetzelfde niveau van documentatie ontsnapt. Dat verandert nu.
YouTube Music, Deezer en Genius zijn geen obscure bronnen. YouTube Music alleen al herbergt honderden miljoenen tracks; Genius is de dominante opslagplaats van songteksten op het web. Scrapen op die schaal, zonder licentieovereenkomsten, plaatst Suno in direct conflict met de gebruiksvoorwaarden van de platforms en met de rechthebbenden wier werk op die platforms staat — labels, uitgevers en onafhankelijke artiesten.
Suno werd eerder al geconfronteerd met een auteursrechtszaak van grote platenmaatschappijen, waaronder Universal Music Group, Sony Music en Warner Music Group, ingediend in 2024. Die zaak stelde dat Suno opnames zonder toestemming had gekopieerd. De nieuw blootgelegde broncode geeft de advocaten van eisers iets wat ze zelden krijgen in AI-auteursrechtzaken: interne documentatie van precies waar de trainingsdata vandaan kwamen en hoe ze werden verzameld.
Het patroon is herkenbaar voor iedereen die de beeldgeneratieruimte volgt. De lopende zaak van de NYT tegen OpenAI draait eveneens om welk intern bewijs het bedrijf heeft achtergehouden over zijn trainingscorpus. In het geval van Suno kwam de onthulling niet via juridische ontdekking, maar door een beveiligingsfout.
Voor creators die AI-gegenereerde muziek gebruiken in videoprojecten, social content of als achtergrondmuziek bij AI-kunstpresentaties, is het juridische beeld er een stuk onduidelijker op geworden. Als Suno's outputs worden bevonden af te stammen van niet-gelicentieerde opnames, brengt elk commercieel gebruik van die outputs een afgeleid risico met zich mee — hetzelfde argument dat sommige merken voorzichtig heeft gemaakt met AI-gegenereerde beelden van tools met ondoorzichtige trainingsgeschiedenissen.
Praktisch gezien is dit een reden om goed op te letten welke AI-audioplatforms duidelijke, gelicentieerde trainingsdata-onthullingen publiceren. Sommige concurrenten — waaronder die licentieovereenkomsten hebben gesloten met labels — zijn nu gepositioneerd om transparantie als een kenmerk te vermarkten. Suno's stilzwijgen over zijn dataset, dat voor deze week leek op een standaard sectorhouding, ziet er nu uit als een aansprakelijkheid.
Voor AI-beeldcreators is het Suno-lek een nuttige herinnering dat ondoorzichtigheid over trainingsdata niet uniek is voor één modaliteit. Dezelfde vragen die het waard zijn te stellen over een beeldmodel — waarop werd het getraind, en was dat gelicentieerd — gelden evenzeer voor de audiotools die worden geïntegreerd in creatieve workflows. Platforms die die vragen duidelijk kunnen beantwoorden, zijn steeds vaker de veiligere creatieve keuze.
