Получай на почту главные истории недели об ИИ и ИИ-арте — отобранные, краткие, бесплатно.
Бесплатно. Отписаться можно в любой момент.
Инцидент со взломом вскрыл один из главных секретов ИИ-музыки: Suno обучала свою модель, собирая миллионы песен и текстов с YouTube Music, Deezer и Genius — источников, которые компания никогда публично не раскрывала.
По данным TechCrunch, злоумышленник получил доступ с помощью учётных данных сотрудника Suno, после чего извлёк исходный код, подробно документирующий пайплайн сбора данных. Код показал, что Suno собирала десятилетия аудио — не просто метаданные или фрагменты, а полные треки и тексты — с платформ, которые явно запрещают автоматический сбор данных в своих условиях использования. Первичные данные впервые опубликовало издание 404 Media.
Значимость этого события выходит за рамки самого взлома: он подтверждает сложившуюся отраслевую практику. Suno была одной из самых закрытых ИИ-музыкальных компаний в вопросах обучающего стека. Тогда как компании в сфере генерации изображений — Stability AI и Midjourney — подвергались публичной критике и судебным искам за использование собранного визуального контента, аудио-ИИ в значительной мере избегал столь же детального документирования. Теперь это меняется.
YouTube Music, Deezer и Genius — не малоизвестные источники. Только YouTube Music хранит сотни миллионов треков; Genius является главным репозиторием текстов песен в интернете. Сбор данных в таком масштабе без лицензионных соглашений ставит Suno в прямое противоречие с условиями платформ и с правообладателями, чьи произведения на них размещены, — лейблами, издателями и независимыми артистами.
Ранее Suno уже столкнулась с иском об авторских правах со стороны крупных звукозаписывающих лейблов, включая Universal Music Group, Sony Music и Warner Music Group, поданным в 2024 году. В иске утверждалось, что Suno копировала записи без разрешения. Вновь обнародованный исходный код даёт адвокатам истцов то, что в делах об авторских правах в сфере ИИ встречается крайне редко: внутреннюю документацию о том, откуда именно взялись обучающие данные и как они были собраны.
Эта схема знакома всем, кто следит за рынком генерации изображений. Продолжающееся дело NYT против OpenAI также сосредоточено на том, какие внутренние свидетельства компания скрывала о своём обучающем корпусе. В случае Suno раскрытие произошло не в ходе судебного расследования, а вследствие сбоя в системе безопасности.
Для авторов, использующих ИИ-сгенерированную музыку в видеопроектах, контенте для социальных сетей или в качестве фоновых треков для демонстрации ИИ-арта, юридическая картина стала ещё более туманной. Если будет установлено, что результаты работы Suno производны от нелицензированных записей, любое коммерческое использование этих результатов несёт производный риск — тот же аргумент, который заставил ряд брендов с осторожностью относиться к ИИ-сгенерированным изображениям из инструментов с непрозрачной историей обучения.
На практике это веский повод внимательно следить за тем, какие ИИ-аудиоплатформы публикуют чёткие сведения о лицензированных обучающих данных. Некоторые конкуренты — в том числе те, кто заключил лицензионные соглашения с лейблами, — теперь могут позиционировать прозрачность как конкурентное преимущество. Молчание Suno о своём датасете, выглядевшее до этой недели стандартной отраслевой позицией, теперь выглядит как уязвимость.
Для создателей ИИ-изображений взлом Suno служит полезным напоминанием: непрозрачность обучающих данных не является особенностью какой-либо одной модальности. Те же вопросы, которые стоит задавать о модели для генерации изображений — на чём она обучена и было ли это лицензировано, — в равной мере применимы к аудиоинструментам, встраиваемым в творческие рабочие процессы. Платформы, способные чётко ответить на эти вопросы, всё чаще оказываются более надёжным творческим выбором.
