AI音乐生成工具Suno的训练数据来源，如今终于有了一个相当具体的答案——而且是从黑客手中泄露出来的。据一名入侵Suno公司系统并将训练库数据分享给404 Media的黑客透露，Suno从YouTube Music、Deezer、Genius，以及多个库存音乐库（如Pond5、Jamendo、Freesound）、国际乐谱库项目和RSS播客中，抓取了数百万首歌曲和歌词。更令人不安的是，这名黑客还声称能够访问Suno数十万客户的用户信息以及Stripe支付数据。
这批被黑客劫持的数据，为外界提供了一个罕见的窗口，得以窥探当今AI模型与工具究竟是如何构建的。Suno作为互联网上最大的AI音乐生成工具之一，也因此成为唱片行业多起重大诉讼的靶子——这些诉讼指控Suno使用数百万首受版权保护的歌曲进行模型训练。在诉讼程序推进过程中，Suno此前已承认，其训练数据包含“基本上所有在开放互联网上能找到的、质量合理的音乐文件”，总数涵盖“数千万张录音”。Suno的立场一直是：这属于合理使用范畴。其中一起案件已达成和解，但诉讼本身已将问题摆上了台面。
诉讼明确指向了一个事实：Suno确实使用了大量受版权保护的作品。而黑客泄露的数据进一步揭开了幕布，让我们更清晰地看到Suno究竟如何从网上抓取歌曲，以及这些歌曲的具体来源。美国唱片工业协会此前指责Suno直接从YouTube上“偷”歌，而404 Media看到的黑客数据，恰好印证了这一说法。
泄露的材料中包含看起来是2023年和2024年的源代码，其中有抓取指令，以及至少部分抓取范围的详细信息。例如，一个文件里的注释写明，需从“genius_hq、youtube_music、freesound、jamendo、imp、deezer、ytm_tagged”这些来源提取数据，并注明“非音乐内容将被过滤掉”。另一个名为“youtube_music”的文件显示，在文件上次更新时，已摄取了“2,013,545个音乐片段”。此外，还有一份文件详细列出了Suno创建的不同数据集，包括“113,879小时的youtube_music”、“17,615小时的Genius_hq”、“410小时的freesound”、“19,514小时的imslp”、“3,726小时的jamendo”、“62,117小时的pond5_music”、“12,287小时的deezer”、“152,162小时的ytm_tagged”以及“103小时的musescore_lyrics”。将这些数据相加，相当于至少几十年的音乐总量。
