Інцидент із зламом розкрив одну з найбільших таємниць ШІ-музики: Suno побудувала свою модель, зібравши мільйони пісень і текстів з YouTube Music, Deezer та Genius — джерел, які компанія ніколи публічно не розкривала.
Ключові висновки
- Хакер скористався викраденими обліковими даними співробітника Suno, щоб отримати доступ до вихідного коду компанії, який розкрив, як ШІ-генератор музики збирав аудіо з YouTube Music, Deezer та Genius.
- Раніше Suno відмовлялася розкривати, що входить до її навчальних даних і як вони були отримані — що робить це одним із перших конкретних поглядів усередину її датасет-пайплайну.
- Витік ставить Suno під той самий юридичний удар, що й інші ШІ-компанії, які стикаються з судовими позовами щодо авторських прав на навчальні дані, — правовласники на кількох платформах тепер мають задокументовані докази.
- Для творців ШІ-арту та ШІ-аудіо це порушує те саме фундаментальне питання, яке переслідує генератори зображень: чи несуть результати цих моделей юридичний ризик для комерційного використання.
Як стався злам
За даними TechCrunch, зловмисник отримав доступ за допомогою облікових даних співробітника Suno, після чого витягнув вихідний код, який детально документував пайплайн збору даних. Код показав, що Suno збирала десятиліття аудіо — не лише метадані чи фрагменти, а повні треки й тексти — з платформ, які прямо забороняють автоматизований збір даних у своїх умовах використання. Первинні дані першою повідомила 404 Media.
Те, що робить це значущим поза самим зламом, — це те, що він підтверджує щодо галузевої практики. Suno була однією з найбільш мовчазних ШІ-музичних компаній стосовно свого навчального стеку. Тоді як компанії з генерації зображень на кшталт Stability AI та Midjourney зіткнулися з публічною критикою — і судовими позовами — через використання зібраного візуального контенту, аудіо-ШІ здебільшого уникав такого рівня документування. Тепер це змінюється.
Навчальні дані, які Suno не називала
YouTube Music, Deezer та Genius — це не маловідомі джерела. Лише YouTube Music містить сотні мільйонів треків; Genius є домінуючим репозиторієм текстів пісень в інтернеті. Збір даних у такому масштабі без ліцензійних угод ставить Suno у пряме протиріччя з умовами платформ і з правовласниками, чиї роботи розміщені на цих платформах, — лейблами, видавцями та незалежними артистами.
Раніше Suno вже стикалася з позовом про порушення авторських прав від великих звукозаписних лейблів, зокрема Universal Music Group, Sony Music та Warner Music Group, поданим у 2024 році. Той позов стверджував, що Suno копіювала записи без дозволу. Щойно розкритий вихідний код дає адвокатам позивачів те, що вони рідко отримують у справах про авторські права у сфері ШІ: внутрішню документацію про те, звідки саме надходили навчальні дані і як вони збиралися.
Ця закономірність знайома всім, хто стежить за простором генерації зображень. Поточна справа NYT проти OpenAI так само зосереджена на тому, які внутрішні докази компанія приховувала щодо свого навчального корпусу. У випадку Suno розкриття відбулося не в ході судового розслідування, а внаслідок збою в безпеці.
Що це означає для творців, які використовують ШІ-аудіоінструменти
Для творців, які використовують ШІ-генеровану музику у відеопроєктах, контенті для соціальних мереж або як фонові треки для демонстрацій ШІ-арту, юридична картина щойно стала ще більш туманною. Якщо буде встановлено, що результати Suno походять із нелiцензованих записів, будь-яке комерційне використання цих результатів несе похідний ризик — той самий аргумент, який змусив деякі бренди обережно ставитися до ШІ-генерованих зображень із інструментів із непрозорою історією навчання.
Практично це є підставою уважно стежити за тим, які ШІ-аудіоплатформи публікують чіткі розкриття про ліцензовані навчальні дані. Деякі конкуренти — зокрема ті, що уклали ліцензійні угоди з лейблами, — тепер мають можливість позиціонувати прозорість як конкурентну перевагу. Мовчання Suno щодо свого датасету, яке до цього тижня виглядало як стандартна галузева позиція, тепер виглядає як зобов'язання.
Для творців ШІ-зображень злам Suno є корисним нагадуванням про те, що непрозорість навчальних даних не є унікальною для жодної окремої модальності. Ті самі питання, які варто ставити про модель зображень — на чому вона навчалася і чи було це ліцензовано — однаково стосуються аудіоінструментів, що інтегруються у творчі робочі процеси. Платформи, які можуть чітко відповісти на ці питання, дедалі більше є безпечнішим творчим вибором.
