2000 万首歌曲喂给 AI：训练数据透明化与版权争议
《大西洋月刊》披露了超过 2000 万首用于 AI 音乐模型训练的歌曲数据，揭示了 AI 音乐训练集的规模和来源。文章分析了这些数据集的构成、其对版权争议的影响，以及即将到来的关键法律节点。对于 AI 音乐创作者而言，训练数据透明化将促使行业走向更规范的授权模式，强调使用授权数据训练模型的重要性。
AI 音乐行业长期以来面临一个核心问题：AI 模型究竟使用了哪些歌曲进行训练？公司通常以“从互联网上学习音乐”一言带过，具体歌曲数量和来源始终模糊不清。
6 月，《大西洋月刊》记者 Alex Reisner 首次公开了一项可搜索的调查，将喂给 AI 音乐模型的训练数据摆上台面，合计超过 2000 万首。本文将深入探讨这些数据背后的信息，并分析为何 7 月将成为一个关键节点。
调查揭示了什么
该调查锁定了四个主要数据集，总计超过 2000 万首曲目：
| 数据集 | 规模 | 来源 |
|---|---|---|
| LAION-DISCO-12M | 1230 万首（约 91 年时长） | 德国非营利组织 LAION |
| SLEEPING-DISCO-9M | 约 900 万首 | — |
| 两个较小数据集 | 各约 10 万首 | 其一基于 Free Music Archive |
其中最大的 LAION-DISCO-12M 于 2024 年 11 月发布，包含 1230 万首歌曲，总时长达 91 年。这些歌曲涵盖了从 Taylor Swift、Bad Bunny 等顶级艺人到默默无闻的独立电子制作人的作品。这意味着，只要你的歌曲曾上传至互联网，就可能被收录其中。
关键细节解读
为避免误读，有两点需要澄清：
第一，这些数据集大多是“链接 + 元数据”，而非音频文件本身。 它们更像一份“歌曲目录”，记录了歌曲的存储位置和元信息，而非直接打包音频。LAION 明确声明，这批数据仅供研究使用，并警告不得用于商业目的。
第二，该调查并未直接证明“某家公司一定使用了某个数据集”。 它证实的是这些数据集的真实存在、庞大规模以及在 AI 开发者之间的流通。报告中点名指出 Google 和 Stability AI 曾使用 Free Music Archive 的曲目。
这份调查的真正意义在于，它将过去含糊不清的“从互联网学习音乐”具体化为一份可供任何人搜索和核对的清单，首次照亮了这一模糊地带。
为什么现在爆出正当时
这一披露恰逢一场关键官司即将进入节点。
美国唱片业协会 RIAA（代表环球、索尼、华纳三大唱片公司）自 2024 年 6 月起诉 Suno 和 Udio，目前已累积至少十几起相关诉讼。今年 7 月，马萨诸塞州联邦法院的 Denise Casper 法官将主持一场简易判决庭审，这场庭审的结果可能直接确立整个行业的法律标准。
Suno 的抗辩理由是“合理使用”（fair use），认为使用受版权保护的录音训练生成式模型属于“转化性使用”，应受法律豁免。双方在此问题上僵持不下。
结果无非两种：
- Suno 胜诉：这将意味着“未经授权训练”是可行的，此前唱片公司辛苦达成的授权协议将失去筹码，行业秩序可能被打乱。
- Suno 败诉：那么“环球 × Udio”那种先授权、再合作的模式将成为行业标准。
《大西洋月刊》的这份数据公开调查，恰好在庭审前为各方提供了一把衡量标准。
对 AI 音乐创作者的意义
对于 AI 音乐创作者而言，此事并非遥远：
第一，你的作品可能已在训练集中。 你上传到 YouTube 的歌曲，理论上都可能被收录到这类“目录”中。无论接受与否，这是每位创作者现在必须面对的现实。
第二，训练数据透明化，长期来看是好事。 来源首次公开，意味着未来无论是授权还是维权，都有了具体的依据，不再是一笔糊涂账。
第三，选择工具时，“使用授权数据训练”将越来越有价值。 随着官司和监管的收紧，那些能明确声明“我的模型只使用授权音乐训练”的平台，将更安全、更实用；反之，来源不明的模型，其商业使用风险将显著增加。
简而言之，AI 音乐野蛮生长的时代即将过去，未来竞争的关键在于“合规性”。对于认真创作音乐的人来说，这并非坏消息。
我们将持续关注 7 月的庭审结果，并第一时间向您汇报。