Otrzymuj na maila najważniejsze historie tygodnia o AI i sztuce AI — wyselekcjonowane, zwięzłe, za darmo.
Za darmo. Wypisz się w każdej chwili.
Incydent hakerski odsłonił jedną z największych tajemnic świata muzyki AI: Suno zbudowało swój model, zeskrobując miliony piosenek i tekstów z YouTube Music, Deezer i Genius — źródeł, których firma nigdy publicznie nie ujawniła.
Zgodnie z informacjami TechCrunch, atakujący uzyskał dostęp przy użyciu danych uwierzytelniających pracownika Suno, a następnie wydobył kod źródłowy szczegółowo dokumentujący pipeline scrapingu. Kod pokazał, że Suno pobierało dekady audio — nie tylko metadane czy fragmenty, lecz pełne utwory i teksty — z platform, które w swoich warunkach korzystania wyraźnie zabraniają automatycznego zbierania danych. Jako pierwsze o podstawowych danych poinformowało 404 Media.
To, co sprawia, że sprawa jest istotna poza samym naruszeniem, to fakt, że potwierdza ona praktyki branżowe. Suno należało do najbardziej powściągliwych firm muzycznych AI, jeśli chodzi o ujawnianie swojego stosu treningowego. Podczas gdy firmy zajmujące się generowaniem obrazów, takie jak Stability AI i Midjourney, spotkały się z publiczną krytyką — i pozwami sądowymi — za korzystanie ze zeskrobanych treści wizualnych, audio AI w dużej mierze unikało podobnego poziomu dokumentacji. To się teraz zmienia.
YouTube Music, Deezer i Genius to nie są niszowe źródła. Sam YouTube Music hostuje setki milionów utworów; Genius jest dominującym repozytorium tekstów piosenek w sieci. Scraping na taką skalę, bez umów licencyjnych, stawia Suno w bezpośrednim konflikcie z regulaminami platform oraz z posiadaczami praw do utworów tam zamieszczonych — wytwórniami, wydawcami i niezależnymi artystami.
Suno wcześniej stanęło przed pozwem o naruszenie praw autorskich ze strony głównych wytwórni płytowych, w tym Universal Music Group, Sony Music i Warner Music Group, złożonym w 2024 roku. Pozew zarzucał Suno kopiowanie nagrań bez zezwolenia. Nowo ujawniony kod źródłowy daje prawnikom powodów coś, co rzadko zdarza się w sprawach o prawa autorskie dotyczących AI: wewnętrzną dokumentację dokładnie wskazującą, skąd pochodziły dane treningowe i jak zostały zebrane.
Wzorzec jest znajomy każdemu, kto śledzi przestrzeń generowania obrazów. Trwająca sprawa NYT przeciwko OpenAI podobnie koncentrowała się na tym, jakie wewnętrzne dowody firma ukrywała na temat swojego korpusu treningowego. W przypadku Suno ujawnienie nastąpiło nie w wyniku odkrycia w toku postępowania sądowego, lecz z powodu błędu w zabezpieczeniach.
Dla twórców, którzy używają muzyki generowanej przez AI w projektach wideo, treściach do mediów społecznościowych lub jako podkładów muzycznych do prezentacji dzieł AI-art, obraz prawny właśnie stał się bardziej mętny. Jeśli okaże się, że wyniki Suno wywodzą się z nielicencjonowanych nagrań, każde komercyjne wykorzystanie tych wyników niesie ryzyko wtórne — ten sam argument, który sprawił, że niektóre marki ostrożnie podchodzą do obrazów generowanych przez AI z narzędzi o nieprzejrzystej historii treningowej.
W praktyce jest to powód, by uważnie przyglądać się temu, które platformy audio AI publikują jasne informacje o licencjonowanych danych treningowych. Niektórzy konkurenci — w tym ci, którzy zawarli umowy licencyjne z wytwórniami — są teraz w pozycji, by promować przejrzystość jako atut. Milczenie Suno w kwestii zbioru danych, które przed tym tygodniem wyglądało jak standardowa postawa branżowa, teraz wygląda jak zobowiązanie.
Dla twórców obrazów AI naruszenie bezpieczeństwa Suno jest użytecznym przypomnieniem, że nieprzejrzystość danych treningowych nie jest unikalna dla żadnej jednej modalności. Te same pytania, które warto zadać o model obrazów — na czym był trenowany i czy był licencjonowany — dotyczą w równym stopniu narzędzi audio wplatanych w kreatywne przepływy pracy. Platformy, które potrafią jasno odpowiedzieć na te pytania, są coraz bezpieczniejszym wyborem dla twórców.
