Vazamento expõe como a Suno obtinha conteúdo para treinar sua IAs de música
Um hacker invadiu a plataforma de geração de músicas por inteligência artificial Suno e vazou parte do código-fonte para o site 404 Media. O material revela detalhes sobre as bibliotecas de treinamento utilizadas pela IA e indica que a plataforma coletou milhões de músicas e letras de serviços como YouTube Music, Deezer e Genius, além de outras bases de conteúdo disponíveis na internet, para treinar seus modelos.
As informações dão novo fôlego ao debate sobre direitos autorais e transparência no desenvolvimento de sistemas de IA voltados à criação de conteúdo.
O que o vazamento revelou
O código-fonte, datado de 2023 e 2024, contém instruções de raspagem de dados (scraping) e referências às bases utilizadas no treinamento da IA. Entre elas estão YouTube Music, Deezer, Genius, Pond5, Jamendo, Freesound, o International Music Score Library Project (IMSLP) e podcasts distribuídos por RSS.
Os arquivos também mostram que o sistema filtrava conteúdos que não fossem música antes de incorporá-los aos conjuntos de dados utilizados pela plataforma.
Milhões de músicas e milhares de horas de áudio
Os documentos analisados pelo 404 Media indicam que a Suno havia incorporado mais de 2 milhões de clipes musicais do YouTube Music.
O vazamento também detalha o tamanho de algumas bibliotecas utilizadas no treinamento, incluindo:
- 152.162 horas de conteúdo do YTM Tagged;
- 113.879 horas do YouTube Music;
- 62.117 horas da biblioteca Pond5;
- 19.514 horas do IMSLP;
- 17.615 horas do Genius;
- 12.287 horas do Deezer;
- 3.726 horas do Jamendo;
- 410 horas do Freesound;
- 103 horas de letras do MuseScore.
Disputa sobre direitos autorais
A Suno já enfrenta processos movidos por gravadoras, que acusam a empresa de utilizar milhões de músicas protegidas por direitos autorais para treinar seus modelos de inteligência artificial.
Durante o processo, a própria empresa reconheceu que utilizou "praticamente todos os arquivos de música de qualidade razoável acessíveis na internet aberta", abrangendo dezenas de milhões de gravações. Ao mesmo tempo, sustenta na Justiça que esse treinamento se enquadra no princípio de fair use (uso justo). Um dos processos já foi encerrado por acordo.
O material vazado também reforça uma das acusações feitas pela Recording Industry Association of America (RIAA), de que músicas foram obtidas diretamente do YouTube.
Dados de usuários também teriam sido acessados
Além do código-fonte, o hacker afirma ter obtido informações de centenas de milhares de usuários da Suno, incluindo dados relacionados a pagamentos processados pelo Stripe.
Até o momento, essas alegações não foram confirmadas de forma independente.
O impacto para o mercado
O vazamento oferece uma visão rara sobre como um dos principais modelos de geração de música por inteligência artificial foi desenvolvido. As informações podem fortalecer as ações judiciais movidas pela indústria fonográfica e ampliar a pressão por transparência sobre os conjuntos de dados utilizados no treinamento de modelos generativos. O caso também evidencia o crescente embate entre empresas de IA e detentores de direitos autorais em torno do uso de conteúdo disponível na internet.