《大西洋月刊》上线 AI 音乐训练库检索工具：含千万级曲目

很多音乐人一直怀疑自己的作品早被喂进了大模型，但苦于没有真凭实据。现在，有人把底牌直接掀开了。

《The Atlantic》记者 Alex Reisner 最近挖出了四个常被用来训练 AI 模型的音乐数据集，并顺手做成了一个公开数据库，放在他们的 AI Watchdog 网站上。任何人只要输入名字，就能查查自己的歌有没有中招。

两千多万首歌，都有谁被抓去练模型了？

这四个数据集的体量相当惊人。其中最大的两个，曲目数量分别达到了 1200 万首和 900 万首。另外两个虽然小一些，但也各有超过 10 万首歌。

根据 Reisner 的调查，这些数据集已经被下载了数千次。外人很难摸清究竟有多少团队暗中使用过，但 Google 和 Stability 已经在各自的研究论文中白纸黑字地承认，他们确实用了这些数据。

数据集里的艺人名单跨度极大。既有 Lady Gaga、Bruce Springsteen 这样的流行巨星，也有 Fred Again..、Aphex Twin、Wu-Tang Clan，甚至连摇滚老炮 Radiohead 和实验音乐人 Hainbach 也赫然在列。

数据来源也很有意思。比如其中包含来自 Free Music Archive 的音频，平台原本只允许个人免费收听，拿去做商业用途必须单独获得授权，但显然没人在意这条规则。

链接发给你，怎么偷由你自己搞定

很多人以为做 AI 训练就是下个几百 GB 的压缩包，但现实里这帮人的操作手法要隐蔽得多。

Reisner 发现，其中有三个数据集压根不直接提供音频文件，而是一长串指向 YouTube 或 Spotify 的歌曲链接。

数据集的制作者把脏活甩给了开发者。AI 团队拿到链接后，会用自动化脚本批量抓取实际音频。

这些抓取工具专门设计了绕过登录界面的机制，还能顺便屏蔽掉广告。这样一来，平台无法统计流量，原本该给音乐人的分成和订阅转化自然全被蒸发了。

说白了，这种自动化工具从诞生那一刻起，就赤裸裸地违反了 YouTube 和 Spotify 的服务条款。

为什么重要

对音乐人和版权方来说，这个可搜索数据库是个极为实用的维权武器。以前音乐行业抗议 AI 侵权，大多停留在口头抗议或者宏观指责；现在创作者只要上去一搜，就能拿到自己的歌在何时、被哪些开源或商业模型用过的直接线索，维权成本大幅降低。

对 AI 行业而言，这狠狠揭穿了某些团队试图自保的掩耳盗铃手法。很多开发者以为只要数据集只提供链接、不直接存盗版 MP3 就能规避版权责任，但现在被摆到阳光下，这种推脱显然站不住脚。

我们认为，Google 和 Stability 在论文里明确引用这些数据集，给整个行业留下了巨大的法律隐患。既然连行业头部都在用违反平台规则抓来的数据做研究，接下来唱片巨头和流媒体平台的法务团队，恐怕很快就会带着传票找上门来。