OpenAI 遭 YouTube 创作者集体诉讼：私抓视频字幕练模型，索赔超 500 万美元

网上能抓到的文本快被吃光了，AI 巨头们把目光投向了视频里的声音。

但这口饭吃得并不安心。8 月 5 日消息，来自美国马萨诸塞州的 YouTube 创作者 David Millette 正式在加利福尼亚北区联邦地方法院对 OpenAI 发起集体诉讼。他指控 OpenAI 在没有告知创作者、也没有支付报酬的情况下，偷偷把数百万个 YouTube 视频转录成文本，喂给了驱动 ChatGPT 的底层模型。

负责代理此案的律所是 Bursor & Fisher。诉状指出，OpenAI 的行为不仅违反了版权法，还践踏了 YouTube 禁止第三方应用私自提取视频内容的服务条款。原告方要求由陪审团进行审判，并代表所有被卷入训练池的 YouTube 创作者索赔超过 500 万美元。

总裁带队转录百万小时视频

起诉书直言不讳：OpenAI 靠着庞大的训练数据把模型做得越来越聪明，吸引了大量付费订阅用户，大把大把地赚钱。然而，这些模型学到的很多东西，全来自未经授权、未署名且未获补偿的创作者成果。

事实上，AI 巨头用 YouTube 视频补齐语料早就不是秘密。

《纽约时报》4 月就曾曝光过一段内幕：OpenAI 最初打造 Whisper 语音识别模型，核心目的之一就是从视频音频里刮出新的训练数据。当时 OpenAI 总裁 Greg Brockman 甚至亲自参与了一个小团队，用 Whisper 转录了超过 100 万小时的 YouTube 视频，用来训练 GPT-4。甚至在内部讨论时，部分员工就意识到这一操作可能违反了 YouTube 的规则。

不仅是 OpenAI，其他科技巨头也在干同样的事。Proof News 7 月的一份调查显示，Anthropic、Apple、Salesforce 和 Nvidia 都曾用过一个叫 The Pile 的开源数据集，里面包含了数十万条未经授权的 YouTube 视频字幕。苹果随后回应称，并不打算在自家产品的 AI 功能里使用这些模型。

至于 YouTube 的母公司 Google，去年甚至直接修改了自己的服务条款，名正言顺地放宽了使用用户数据训练 AI 模型的权限。

水库见底后的铤而走险

巨头们之所以盯上视频字幕，归根结底是因为网络公开文本快被挖空了。

Originality.AI 的数据显示，全球访问量排名前 1000 的网站里，已经有超过 35% 屏蔽了 OpenAI 的网络爬虫。麻省理工学院的数据溯源项目（Data Provenance Initiative）也发现，主流训练数据集中约 25% 的高质量数据源已被限制抓取。研究机构 Epoch AI 更是预测，照目前这个速度，AI 开发者在 2026 到 2032 年之间就会彻底面临无数据可训的绝境。

而对 OpenAI 来说，这个 8 月开局相当艰难。就在同周一，Elon Musk 也向法院递交了针对 OpenAI 和 CEO Sam Altman 的新诉状，不仅重申其背弃了成立之初的非营利承诺，甚至指控其涉嫌敲诈勒索。

为什么重要

对于广大内容创作者来说，这起诉讼捅破了最后层窗户纸：你花几十个小时拍摄剪辑的视频、整理的逐字稿，转眼就成了科技巨头训练商业模型的免费养料。如果这场官司能打赢，即便 500 万美元均摊到每个创作者手里只是杯水车薪，它也将确立一个关键先例，迫使 AI 公司像向好莱坞和媒体集团买版权一样，向散户创作者支付授权费。

从行业竞争来看，AI 训练已经进入「数据贫血期」。过去科技公司总把「合理使用」当作免死金牌，认为网上的公开内容谁都能看、谁都能学。但当网络文本筑起高墙、音频转录也被诉讼封堵时，单纯靠堆参数和盲目爬取数据的路线就彻底撞墙了。

我们认为，OpenAI 当初让高管带队突击转录百万小时视频，技术上确实聪明高效地解决了 GPT-4 训练的燃眉之急，但在商业合规上留下了巨大的定时炸弹。版权红线收紧之后，未来的 AI 竞争不再只是算力的比拼，谁能通过合法分成机制稳定获取高价值数据，谁才能真正走得长远。