音乐人如何因训练AI而获得报酬

生成式人工智能（AI）的出现，让音乐人对于自己作品被“使用”的认知变得复杂。过去，无论是黑胶/CD销售、流媒体播放、电台播放、翻唱版本还是卡拉OK等细分领域，音乐人的每一次创作使用都伴随着明确的协议和报酬。其背后的经济原理简单明了：使用越多，收入越高。

然而，生成式AI改变了这一切。一方面，有人认为训练数据仅在使用一次（即训练阶段）后就完成了其价值；另一方面，创作者则会抱怨，他们作品的创意精髓已嵌入模型结构，在模型每次生成输出时都被调用。如今，Sureel和SoundVerse等公司正致力于重建这种激励创造力核心经济原理在AI时代的应用。这些举措旨在将生成式AI行业从被指责为“历史上最大的版权盗窃行为”转变为与辛勤工作的艺术家和谐共处的模式。

AI时代的音乐版税

华纳音乐集团刚收购的初创公司Sureel已与瑞典版权机构STIM合作，探索音乐创作者在其作品被用于训练生成式AI工具时获得报酬的可能性。Sureel的软件可以为在线媒体（如音乐文件）添加由所有者决定的标签，明确指示AI公司是否可以自由使用该媒体、限制其在训练集中的权重，或完全避免使用。随后，软件会追踪AI公司在训练中如何使用该媒体，并据此设定许可费。

与此同时，AI音乐公司SoundVerse的创始人在2025年的一份白皮书中写道，他们“拒绝一次性买断版税，认为这不充分，并主张艺术家在AI生命周期中持续参与”。他们认为，每当生成式AI系统产生输出时，某些训练数据的作用会比其他数据更大。如果系统输出类似爵士乐的音乐，那么训练集中的爵士乐贡献就大于民谣音乐。因此，可以根据每次输出对不同训练数据进行差异化奖励。

Sureel联合总裁Benji Rogers告诉我：“归属不是为了重建旧的经济模式，而是首次衡量旧经济模式只能近似估算的东西。”Sureel首席执行官Tamay Aykut表示，这种影响力归属需要做的不仅仅是表面衡量训练数据与AI输出的相似度，挑战在于归属因果关系，即训练数据与训练后AI之间的关系。

然而，即使AI行业实现了这一目标，也可能鼓励人们为了最大化训练数据版税而创作音乐。尽管所有创意市场都会催生新的激励（例如音乐流媒体导致歌曲前奏变短），但行业可能不希望再出现一个容易被操纵的经济结构，其中某人的逆向工程仿制品会从原创作品中分流版税。

归属的技术挑战

推断某首特定音乐对生成音乐的影响——如果这算是一个定义明确的问题——可能涉及更高级的信息论原理，或者对个体作品的历史角色和影响进行建模。Aykut提出，在精心设计的归属系统中，更不寻常、未经打磨的音乐作品可能比广播标准曲目具有更高的内在价值。

STIM业务发展主管Simon Gozzi表示，公司正在研究如何将Sureel的归属报告作为音乐人与AI公司之间许可协议的基础。AI归属策略能否不仅维持“流行即付费”的经济逻辑，还能激励音乐实验和多样性？这是一个引人入胜的概念，尤其是在公众情绪正当地担忧生成式AI威胁文化活力、将权力推向科技公司、使创意工作者去技能化、缩减创意领域收入、并用垃圾内容充斥网络之时。Rogers说：“归属是我们拥有的少数可信工具之一。”目前正是讨论和建立为AI训练数据付费方法的机会窗口，以服务于充满活力且可持续的创意行业。

训练数据归属的技术问题既复杂又不明确。正如基于相似性的简单归属策略可能促使人们反向工程某一流派的经典作品以获取版税，基于某些原创性信息论的更复杂策略也可能容易被操纵或无法奖励人类文化生产。对于创意工作者来说，有充分理由担心即使出于最好的意图，AI归属也只会加剧他们已经疲于应对的复杂且不透明的军备竞赛。音乐AI领域的一些声音也表示怀疑。SourceAudio总裁Drew Silverstein表示：“归属似乎是显而易见的答案，但在AI中它有缺陷，因此我们必须考虑其他模式。”他主张在训练当时通过简单协商达成协议，设定一次性或年度循环价格。

与此同时，主导生成式AI革命的版权诉讼正逐渐让位于越来越多的私下协商协议，例如环球、华纳与主要AI公司之间关于在版权同意下合作训练模型的协议。虽然尚不确定，但这些协议可能对行业规范产生重大影响。现在是一个机会窗口，可以讨论并建立既为AI训练数据付费又维持创意行业活力的方法。复杂的工程解决方案将发挥作用，但需要考虑到挑战的文化复杂性，并通过良好设计实现公平和透明。

让AI训练带来收益

大型生成模型（如Suno）是否如最初吹捧的那样可信，仍有待观察。在许多AI创意应用中，人们重新关注为特定人类创意表达需求定制的小型模型，例如IRCAM的RAVE模型或Jen的风格滤镜。同时，更主流的“终端用户”创意应用可能正转向关注粉丝互动。OpenAI突然放弃Sora（尽管正与迪士尼谈判）以及Suno在与环球达成协议后强调建立直接利用艺术家作品的粉丝互动体验，都表明创意AI领域存在成长阵痛。

转向更小、更针对性强的模型和应用程序将为创作者联盟提供更多空间。例如，音乐人团体可以联合起来为小型定制模型提供训练数据，其收入分配可以是平等的或基于其他公平原则。同样的道理可能也适用于混合模型架构和结构化训练方案（其中不同数据来源用于训练过程的不同阶段），以及检索增强生成（将上下文特定信息与训练数据混合以改善结果）。尽管可能产生更差的结果，但能够实现更公平或更透明归属路径的方法，如果能为创作者带来更丰厚的版税流甚至明确的署名，可能会更成功。

此外，无论归属算法多么复杂，它始终基于人类决策——从明智公正到任意腐败。向音乐行业内部人士询问唱片与作曲版税的比例是如何确定的，你会得到冗长的解释。归属机制在最好情况下能够促使就如何使创意和文化行业公平且充满活力展开开放且知情的讨论；在最坏情况下，它会在复杂的黑盒子中掩盖已经不透明的私下协议。

这正是国家政策至关重要的地方。Rogers表示，归属必须是“多层次且可审计的，接受专家和监管机构的审查”。制定此类政策需要计算机科学、音乐学、法律和经济学方面的专业知识。具有AI竞争力的政府可以通过支持履行此目的的机构来提升其文化和创意行业。即使是最新自由主义的经济体也会超越市场来维持文化表达，无论是通过公共艺术资助还是诸如电台本地音乐配额等措施。随着生成式AI在创意行业的经济影响逐渐显现，税收、再分配以及对文化基础设施的积极支持可能仍然是支持积极社会结果的最有效方式。毕竟，对大型AI征税并将收入重新分配给为行业财富做出贡献的创意工作者，也是一种“AI归属策略”。