AI 音乐的训练数据问题：用了谁的歌来训练——音乐 AI 的版权困境

2024年6月，美国唱片业协会（RIAA）把两家AI音乐公司Suno和Udio告上法庭。起诉书里最扎眼的一句话，跟“AI生成的歌像谁”完全无关——它指控Suno的训练数据，基本就是唱片公司整个曲库的录音。

这句话一瞬间把争论的战场从“输出端”拽回了“输入端”。过去我们问“AI写的东西是不是抄袭？”，现在的问题变成了一个更粗砺的事实：AI把整个音乐史复制进了自己的硬盘，然后反过来跟音乐人竞争。

为什么这件事值得每一个用AI做音乐、或者关心AI法律的人搞清楚？因为训练数据是模型的起点，也是版权问题的全部起点。

训练的本质是复制，不是“学习”

Suno、Udio到Google的MusicLM，这些音乐模型的技术路线大同小异：收集海量录音，切成片段，喂给神经网络，让统计模型去琢磨旋律、节奏、音色、编曲之间的关联。

这一步表面上叫“训练”，但在计算机层面发生的第一件事，是把输入数据复制进训练集。没有这层复制，模型什么都学不会。而版权法最敏感的，恰恰就是“复制”这个动作。

这意味着唱片公司不需要证明AI生成的曲子跟哪首歌“像”。他们只需要一件事：证明你的训练数据里有我的录音，而你是在没有授权的情况下拿走的。

版权法真正盯着的，是你复制的那一下

我最早关注AI音乐时，注意力和大多数网友一样，全放在“生成结果像不像某某某”上。我当时觉得：只要AI的旋律跟原曲完全不重合，版权上总该安全了吧？毕竟又没有抄。

这个理解让我在读到Suno案起诉书时差点从椅子上滑下来。唱片公司从头到尾都没把“像不像”当成主张的核心。他们的主张是：训练过程中把曲库完整复制进训练集，本身就是侵权行为。至于生成结果像不像，只影响赔偿金额的大小，不影响侵权成立。

换句话说，我一直盯着输出端看，而法律盯着输入端。你生成了一首跟原曲完全不像的歌，也可能侵权——因为输入端的那一次复制已经发生了。

围绕这个“输入端复制”，真正会被法庭反复拉扯的其实是下面几个词：

复制权: 版权法赋予权利人控制作品被复制的权利。训练管线的第一步就是复制。
合理使用: 美国《版权法》第107条里的抗辩机制。AI公司最想押注的救命稻草。
转换性使用: 合理使用的第一项测试：你有没有把作品换一种全新的用途？AI公司说“我从音乐里提取的是规律，不是旋律”，唱片公司说“你把规律学到手，然后替代我的市场”。
文本与数据挖掘例外（TDM）: 欧盟等国为科研场景开的窄门，商业化训练很难挤进去。

合理使用这套四要素测试，在AI音乐案里会变成一场非常惨烈的拉锯：AI公司押注第一要素“转换性”，唱片公司反手押注第三和第四要素——“你的训练集几乎是我全部曲库的复制品，而且AI生成的音乐正在实际抢占我的播放份额”。

同一首歌，在不同司法辖区是不同的剧本

版权法的地域性，让AI音乐训练数据问题变得更像一场多线战争。同一个“未经授权复制音乐训练模型”行为，在欧盟和美国得到的回答完全不同。

	欧盟（2019年CDSM版权指令）	美国（合理使用）
TDM例外	仅限科研目的，商业性训练不适用	没有专门的TDM规则，全靠个案判断
商业化的AI音乐公司	原则上需要逐一授权	可以主张合理使用，但胜算存疑
举证责任	数据使用方证明合法来源	版权方证明侵权成立

这意味着同一家AI公司，如果训练数据来自欧盟、服务器在美国，它会同时面对“你违法了”和“你可能合法”两种矛盾裁决。这就是为什么目前大多数训练数据诉讼都挤在美国——因为在美国还有合理使用这扇门可以赌，在欧洲这门从一开始就是锁着的。

欧盟这扇门怎么锁的？来看2019年的版权指令原文：TDM例外只对科研目的的复制开放，商业性使用必须取得权利人授权。从流媒体平台扒音频来训练商业模型，基本没有申请例外的可能。

唱片公司、艺术家和AI公司，三张桌子上的真话

先把三方的说法摆开，你会发现真正的问题比“谁对谁错”更深。

谁	公开说法	背后的逻辑
唱片公司	AI公司擅自把曲库装进模型，是无授权的规模化复制	复制权是唱片业最核心的资产，一旦训练豁免成立，整个行业的定价权就崩了
AI公司	模型输出不复制原曲，只是“学习”音乐规律，属于转换性使用	如果每学会一个风格都要授权，模型根本做不出来，技术路线会整体失效
艺术家	不只是钱的问题：我的作品和声音被当成原材料，却没人问过我	训练数据获取过程完全隐秘，音乐人连“被使用”的事实都无法确认

艺术家的愤怒，我越研究越觉得它不是纯粹的维权情绪。很多音乐人在流媒体时代收入本来就微薄，作品被反复压价，现在突然冒出一个模型，把他们的全部作品当免费原料，还声称输出的音乐“不是复制”。你觉得你没在用我的歌，可我的歌已经被你的模型消化掉了。

2024年10月，环球音乐集团又把歌词出版商们联合起来的案子推向了Anthropic——这次连AI音乐公司都不是了，是Claude。版权方的策略已经非常清晰：不跟你讨论“像不像”，只跟你讨论“你的训练数据里有没有我授权的东西”。

授权模式看着像出路，但它有一个硬伤

你可以说：既然复制权这么硬，那AI公司老老实实去授权不就行了？环球音乐等唱片公司已经在尝试跟AI阵营签授权协议，YouTube也在探索跟唱片公司谈分账，路似乎存在。

但授权模式有一个几乎无人能解的死结：一个成熟音乐模型的训练集很容易达到几十万甚至几百万首录音。逐首取得授权，在流程、成本和谈判周期上是不可能的。哪怕按每首歌几美分算，几百万首歌的总价也是天文数字，而训练集规模恰恰又是模型质量的命根子。

于是整个行业正在分裂成两条路线。一条是“白名单路线”：只训练公共领域和明确开放授权的数据，合规但音乐风格覆盖面有限；另一条是“黑箱路线”：训练数据清单当成最高商业机密，赌法律来不及查封。Suno、Udio目前都在黑箱路线的射程内，而它们的赌注是合理使用抗辩能活下来。

训练数据透明，是解开死结的唯一钥匙

这里出现了一个很荒诞的局面：版权法要求“你使用别人的作品必须获得授权”，但AI公司普遍不公开训练数据清单，版权方和公众根本无法核实“模型到底学过什么”。数据清单成了商业机密，合理使用成了信仰之争。

技术上也同样没办法自证清白。研究者已经反复证明，生成模型在特定条件下可以把训练数据近乎原样“背”出来——语言模型领域有大量这样的提取攻击实验，音乐模型大概率面临同样的风险。这意味着，“我的模型里没有你的歌”这句话，在技术上永远无法被彻底证明。

所以我把目前的困境概括成这样：AI音乐公司的技术能力越长越强，它们的法律身份却一直暧昧不明。这种暧昧不是少数公司的任性，而是整个训练数据体系缺乏透明度的必然结果。美国版权局的AI报告已经开始讨论训练数据披露问题，但距离变成法律还有漫长距离。在报告页面上你可以看到，连“训练数据是否必须披露”这种基本问题，各方意见都还是吵架状态。