Jak muzycy walczą z kradzieżą muzyki przez AI

Gdy Suno i Udio udostępniły publicznie swoje generatory muzyki AI w 2024 roku, wprowadziły na rynek produkt konsumencki zbudowany na fundamencie, który branża muzyczna niemal natychmiast uznała za głęboko problematyczny: dane treningowe niemal na pewno obejmowały nagrania chronione prawem autorskim, pozyskane bez licencji, zgody czy wynagrodzenia. Dwa lata później batalie prawne trwają w najlepsze, artyści wdrażają nowe narzędzia techniczne chroniące ich twórczość, a szersza dyskusja o tym, kto właściwie korzysta na AI wytrenowanej na ludzkiej kreatywności, na nowo kształtuje przemysł muzyczny. Oto, jak wygląda obecna sytuacja.

Problem danych treningowych

Generatory muzyki AI są trenowane na ogromnych zbiorach danych audio. Jakość wyników generatora w dużej mierze zależy od jakości i ilości danych treningowych — co oznacza, że najlepsze rezultaty osiągają modele wytrenowane na najlepszych profesjonalnych nagraniach. Te nagrania są chronione prawem autorskim. Główny argument prawny artystów i wytwórni jest prosty: wykorzystywanie chronionej muzyki do trenowania komercyjnego produktu AI bez licencji czy zgody stanowi naruszenie praw autorskich, niezależnie od tego, czy wyniki działania modelu bezpośrednio odtwarzają te nagrania.

Kontrargument firm AI opiera się na koncepcji „użycia transformacyjnego” — twierdzą one, że trening jest analogiczny do sytuacji, gdy człowiek-muzyk słucha muzyki i uczy się na jej podstawie, a wyniki działania AI stanowią dzieła transformacyjne, a nie reprodukcje danych treningowych. Sądy analizują ten argument już teraz, a wynik tych sporów wyznaczy kierunek prawa dotyczącego muzyki AI na najbliższe lata.

Pozwy sądowe

Recording Industry Association of America (RIAA) złożyło pozew przeciwko Suno i Udio w czerwcu 2024 roku, reprezentując Universal Music Group, Sony Music i Warner Music Group — koalicję obejmującą zdecydowaną większość komercyjnie istotnej muzyki nagranej. Pozwy zarzucają naruszenie praw autorskich poprzez wykorzystanie chronionych nagrań w danych treningowych i domagają się odszkodowań ustawowych, które — jeśli zastosować je do pełnej skali rzekomego naruszenia — mogłyby sięgnąć miliardów dolarów.

Równolegle indywidualni artyści złożyli lub dołączyli do pozwów zbiorowych. Wśród nich są znani wykonawcy, którzy zarzucają nie tylko naruszenie praw autorskich podczas treningu, lecz także dodatkowe roszczenia: naruszenie prawa do wizerunku (komercyjne wykorzystanie ich głosu i stylu bez zgody), naruszenie tzw. trade dress (muzyka generowana przez AI naśladująca ich rozpoznawalne brzmienie) oraz nieuczciwą konkurencję. Pozwy zbiorowe łączą roszczenia wielu artystów, których twórczość została wykorzystana w danych treningowych, zwiększając potencjalne odszkodowania i zakres wyzwania prawnego.

Poza Stanami Zjednoczonymi unijny AI Act wprowadza wyraźne wymogi dotyczące przejrzystości danych treningowych oraz ustanawia prawo posiadaczy praw do wycofania zgody na wykorzystanie ich twórczości w treningu AI. Kilku europejskich artystów oraz organizacji zbiorowego zarządzania wszczęło działania prawne na podstawie tych przepisów.

Co artyści robią w praktyce

Poza salami sądowymi artyści stosują kilka praktycznych strategii.

Rezygnacja ze zbiorów treningowych (opt-out). Kilka firm AI wprowadziło mechanizmy opt-out, pozwalające posiadaczom praw zażądać, by ich twórczość nie była wykorzystywana w przyszłych treningach. Ograniczenia praktyczne są jednak istotne: rezygnacja działa na przyszłość, a nie wstecz (nie wpływa na modele już wytrenowane na danym utworze), wymaga od posiadacza praw samodzielnego zidentyfikowania swojej twórczości, a przestrzeganie zasad jest dobrowolne i niemożliwe do zweryfikowania. Wielu artystów uważa opt-out za rozwiązanie niewystarczające, skoro pierwotny trening odbył się bez ich zgody.

Stosowanie narzędzi „zatruwających” dane. Naukowcy z University of Chicago opracowali narzędzie o nazwie Nightshade, które w subtelny, niewidoczny dla ludzkiego oka sposób modyfikuje obrazy, zakłócając trening AI — modele wytrenowane na „zatrutych” obrazach generują zdegradowane, błędne wyniki. Podobne narzędzia powstają dla dźwięku. AudioShield i podobne projekty mają na celu modyfikację właściwości spektralnych wydawanych nagrań w sposób niewpływający na odbieraną jakość, lecz utrudniający modelom AI naukę na ich podstawie. Praktyczna skuteczność takich narzędzi na dużą skalę wciąż budzi kontrowersje, ale stanowią one nowatorski technologiczny środek zaradczy.

Domaganie się przejrzystości. Kilka organizacji broniących praw artystów — w tym Artist Rights Alliance i Future of Music Coalition — naciska na wprowadzenie obowiązkowego ujawniania danych treningowych. Zgodnie z ich propozycjami każdy komercyjnie sprzedawany generator muzyki AI byłby zobowiązany do prowadzenia i publikowania szczegółowego rejestru wszystkich utworów wykorzystanych w treningu, umożliwiając posiadaczom praw sprawdzenie, czy ich twórczość została w nim uwzględniona, i dochodzenie odpowiednich roszczeń.

Negocjacje w sprawie zbiorowego licencjonowania. Niektóre organizacje zbiorowego zarządzania i grupy broniące praw artystów negocjują ramy licencjonowania obejmujące całą branżę, zamiast dochodzić roszczeń indywidualnie. Logika jest pragmatyczna: nawet jeśli firmy AI zostaną prawnie zobowiązane do licencjonowania danych treningowych, poszczególni artyści nie mają zasobów ani siły przetargowej, by wynegocjować sensowne warunki. Rozwiązania zbiorowe — podobne do sposobu działania organizacji zajmujących się prawami do wykonań, takich jak ASCAP czy BMI — mogłyby zapewnić szerszy zasięg ochrony i podział przychodów.

Rola platform streamingowych

Platformy streamingowe mają skomplikowaną relację z muzyką AI. Z jednej strony muzyka generowana przez AI, zalewająca katalogi streamingowe, rozmywa przychody z tantiem przypadające na strumień odtwarzanych utworów ludzkich artystów (ponieważ całkowita pula tantiem jest dzielona pomiędzy wszystkie odtworzenia). Spotify, Apple Music i inne serwisy wprowadziły zasady wymagające ujawniania treści generowanych przez AI, a w niektórych przypadkach ograniczają obecność takiej muzyki w newralgicznych, wysoko eksponowanych miejscach. Z drugiej strony platformy zyskują na zwiększonej objętości katalogu.

Problem rozmycia tantiem jest szczególnie dotkliwy. Generator AI zdolny do tworzenia nieograniczonej ilości treści, rozproszonych na miliony utworów publikowanych pod fałszywymi nazwiskami artystów, może teoretycznie przechwycić znaczną część przychodów ze streamingu przy niemal zerowym koszcie krańcowym. Kilka platform streamingowych zidentyfikowało i usunęło skoordynowane operacje manipulacji muzyką AI — jednak wykrywanie i usuwanie takich działań ma charakter reaktywny, a skala zjawiska jest trudna do opanowania.

AI a tożsamość artysty

Osobną i dla wielu artystów bardziej osobistą kwestią jest klonowanie głosu i naśladowanie stylu przy pomocy AI — wykorzystywanie sztucznej inteligencji do tworzenia muzyki „w stylu” konkretnego artysty lub bezpośrednio naśladującej jego głos. Gdy narzędzie AI potrafi wygenerować utwór brzmiący tak, jakby mógł powstać dzięki konkretnemu artyście, wpływa to na jego markę, reputację i wartość komercyjną — nawet jeśli żadne konkretne nagranie nie zostało bezpośrednio odtworzone.

Kilka głośnych przypadków przyciągnęło uwagę opinii publicznej: generowane przez AI „nowe utwory” zmarłych artystów, covery z klonowanym głosem krążące jako autentyczne nagrania oraz utwory generowane przez AI publikowane pod fałszywymi nazwiskami, na tyle wiernie naśladujące tożsamość prawdziwych artystów, że wprowadzały fanów w błąd. Prawo do wizerunku zapewnia pewną ochronę przed komercyjnym wykorzystaniem głosu i podobieństwa artysty bez zgody, jednak egzekwowanie tego prawa wobec anonimowych treści generowanych przez AI na skalę internetową jest w praktyce bardzo trudne.

Ramy zgody i wynagrodzenia

Model, do którego dążą rzecznicy praw artystów, opiera się na trzech filarach: zgodzie (artyści muszą wyraźnie zgodzić się na wykorzystanie ich muzyki w treningu AI), przejrzystości (dane treningowe muszą być udokumentowane i ujawnione) oraz wynagrodzeniu (artyści muszą otrzymywać uczciwą zapłatę za wykorzystanie ich twórczości w treningu). Model ten częściowo odzwierciedla już unijny AI Act i stanowi podstawę aktywnych propozycji legislacyjnych w Stanach Zjednoczonych, Wielkiej Brytanii, Kanadzie i Australii.

Nie wiadomo, czy ten model zostanie ostatecznie wprowadzony na drodze sądowej, legislacyjnej, czy poprzez wynegocjowane standardy branżowe — ani w jakim horyzoncie czasowym. Sprawy sądowe nie zostaną rozstrzygnięte szybko; poważne spory o prawa autorskie zwykle trwają latami. Prace legislacyjne w Stanach Zjednoczonych postępują powoli. W międzyczasie branża muzyki AI działa dalej, artyści nadal stawiają opór wszelkimi dostępnymi środkami, a stawka komercyjna rośnie z każdą nową iteracją modeli.

Co mogą zrobić słuchacze

Konsumenci muzyki mają w tej debacie większy wpływ, niż mogłoby się wydawać. Wybieranie słuchania i wspierania ludzkich artystów — poprzez odtwarzanie ich zweryfikowanej muzyki na streamingu, uczestnictwo w koncertach na żywo oraz kupowanie bezpośrednio od twórców — sprawia, że tantiemy trafiają do ludzkich twórców. Nauka rozpoznawania muzyki generowanej przez AI (przy pomocy narzędzi takich jak SUS IT lub rozwijanie słuchu wyczulonego na sygnały opisane w naszym przewodniku po wykrywaniu) oraz unikanie muzyki AI podszywającej się pod twórczość ludzką to forma aktywnego udziału w debacie o tym, co naprawdę cenimy w muzyce. Przyszłość przemysłu muzycznego zostanie częściowo ukształtowana przez to, co słuchacze zdecydują się nagradzać swoją uwagą.