音樂人如何因訓練AI而獲得報酬

生成式人工智慧（AI）的出現，讓音樂人對於自己作品被“使用”的認知變得複雜。過去，無論是黑膠/CD銷售、流媒體播放、電臺播放、翻唱版本還是卡拉OK等細分領域，音樂人的每一次創作使用都伴隨著明確的協議和報酬。其背後的經濟原理簡單明瞭：使用越多，收入越高。

然而，生成式AI改變了這一切。一方面，有人認為訓練資料僅在使用一次（即訓練階段）後就完成了其價值；另一方面，創作者則會抱怨，他們作品的創意精髓已嵌入模型結構，在模型每次生成輸出時都被呼叫。如今，Sureel和SoundVerse等公司正致力於重建這種激勵創造力核心經濟原理在AI時代的應用。這些舉措旨在將生成式AI行業從被指責為“歷史上最大的版權盜竊行為”轉變為與辛勤工作的藝術家和諧共處的模式。

AI時代的音樂版稅

華納音樂集團剛收購的初創公司Sureel已與瑞典版權機構STIM合作，探索音樂創作者在其作品被用於訓練生成式AI工具時獲得報酬的可能性。Sureel的軟體可以為線上媒體（如音樂檔案）新增由所有者決定的標籤，明確指示AI公司是否可以自由使用該媒體、限制其在訓練集中的權重，或完全避免使用。隨後，軟體會追蹤AI公司在訓練中如何使用該媒體，並據此設定許可費。

與此同時，AI音樂公司SoundVerse的創始人在2025年的一份白皮書中寫道，他們“拒絕一次性買斷版稅，認為這不充分，並主張藝術家在AI生命週期中持續參與”。他們認為，每當生成式AI系統產生輸出時，某些訓練資料的作用會比其他資料更大。如果系統輸出類似爵士樂的音樂，那麼訓練集中的爵士樂貢獻就大於民謠音樂。因此，可以根據每次輸出對不同訓練資料進行差異化獎勵。

Sureel聯合總裁Benji Rogers告訴我：“歸屬不是為了重建舊的經濟模式，而是首次衡量舊經濟模式只能近似估算的東西。”Sureel執行長Tamay Aykut表示，這種影響力歸屬需要做的不僅僅是表面衡量訓練資料與AI輸出的相似度，挑戰在於歸屬因果關係，即訓練資料與訓練後AI之間的關係。

然而，即使AI行業實現了這一目標，也可能鼓勵人們為了最大化訓練資料版稅而創作音樂。儘管所有創意市場都會催生新的激勵（例如音樂流媒體導致歌曲前奏變短），但行業可能不希望再出現一個容易被操縱的經濟結構，其中某人的逆向工程仿製品會從原創作品中分流版稅。

歸屬的技術挑戰

推斷某首特定音樂對生成音樂的影響——如果這算是一個定義明確的問題——可能涉及更高階的資訊理論原理，或者對個體作品的歷史角色和影響進行建模。Aykut提出，在精心設計的歸屬系統中，更不尋常、未經打磨的音樂作品可能比廣播標準曲目具有更高的內在價值。

STIM業務發展主管Simon Gozzi表示，公司正在研究如何將Sureel的歸屬報告作為音樂人與AI公司之間許可協議的基礎。AI歸屬策略能否不僅維持“流行即付費”的經濟邏輯，還能激勵音樂實驗和多樣性？這是一個引人入勝的概念，尤其是在公眾情緒正當地擔憂生成式AI威脅文化活力、將權力推向科技公司、使創意工作者去技能化、縮減創意領域收入、並用垃圾內容充斥網路之時。Rogers說：“歸屬是我們擁有的少數可信工具之一。”目前正是討論和建立為AI訓練資料付費方法的機會視窗，以服務於充滿活力且可持續的創意行業。

訓練資料歸屬的技術問題既複雜又不明確。正如基於相似性的簡單歸屬策略可能促使人們反向工程某一流派的經典作品以獲取版稅，基於某些原創性資訊理論的更復雜策略也可能容易被操縱或無法獎勵人類文化生產。對於創意工作者來說，有充分理由擔心即使出於最好的意圖，AI歸屬也只會加劇他們已經疲於應對的複雜且不透明的軍備競賽。音樂AI領域的一些聲音也表示懷疑。SourceAudio總裁Drew Silverstein表示：“歸屬似乎是顯而易見的答案，但在AI中它有缺陷，因此我們必須考慮其他模式。”他主張在訓練當時透過簡單協商達成協議，設定一次性或年度迴圈價格。

與此同時，主導生成式AI革命的版權訴訟正逐漸讓位於越來越多的私下協商協議，例如環球、華納與主要AI公司之間關於在版權同意下合作訓練模型的協議。雖然尚不確定，但這些協議可能對行業規範產生重大影響。現在是一個機會視窗，可以討論並建立既為AI訓練資料付費又維持創意行業活力的方法。複雜的工程解決方案將發揮作用，但需要考慮到挑戰的文化複雜性，並透過良好設計實現公平和透明。

讓AI訓練帶來收益

大型生成模型（如Suno）是否如最初吹捧的那樣可信，仍有待觀察。在許多AI創意應用中，人們重新關注為特定人類創意表達需求定製的小型模型，例如IRCAM的RAVE模型或Jen的風格濾鏡。同時，更主流的“終端使用者”創意應用可能正轉向關注粉絲互動。OpenAI突然放棄Sora（儘管正與迪士尼談判）以及Suno在與環球達成協議後強調建立直接利用藝術家作品的粉絲互動體驗，都表明創意AI領域存在成長陣痛。

轉向更小、更針對性強的模型和應用程式將為創作者聯盟提供更多空間。例如，音樂人團體可以聯合起來為小型定製模型提供訓練資料，其收入分配可以是平等的或基於其他公平原則。同樣的道理可能也適用於混合模型架構和結構化訓練方案（其中不同資料來源用於訓練過程的不同階段），以及檢索增強生成（將上下文特定資訊與訓練資料混合以改善結果）。儘管可能產生更差的結果，但能夠實現更公平或更透明歸屬路徑的方法，如果能為創作者帶來更豐厚的版稅流甚至明確的署名，可能會更成功。

此外，無論歸屬演算法多麼複雜，它始終基於人類決策——從明智公正到任意腐敗。向音樂行業內部人士詢問唱片與作曲版稅的比例是如何確定的，你會得到冗長的解釋。歸屬機制在最好情況下能夠促使就如何使創意和文化行業公平且充滿活力展開開放且知情的討論；在最壞情況下，它會在複雜的黑盒子中掩蓋已經不透明的私下協議。

這正是國家政策至關重要的地方。Rogers表示，歸屬必須是“多層次且可審計的，接受專家和監管機構的審查”。制定此類政策需要電腦科學、音樂學、法律和經濟學方面的專業知識。具有AI競爭力的政府可以透過支援履行此目的的機構來提升其文化和創意行業。即使是最新自由主義的經濟體也會超越市場來維持文化表達，無論是透過公共藝術資助還是諸如電臺本地音樂配額等措施。隨著生成式AI在創意行業的經濟影響逐漸顯現，稅收、再分配以及對文化基礎設施的積極支援可能仍然是支援積極社會結果的最有效方式。畢竟，對大型AI徵稅並將收入重新分配給為行業財富做出貢獻的創意工作者，也是一種“AI歸屬策略”。