The Atlantic ouvre un moteur de recherche sur 21 millions de morceaux utilisés pour entraîner des IA

Alex Reisner, journaliste à The Atlantic, a publié les résultats d'une enquête : il a identifié quatre jeux de données musicales que des entreprises technologiques ont utilisés pour entraîner des modèles d'IA générative. Il a en outre rendu les quatre bases consultables publiquement. Chacun peut désormais vérifier si ses morceaux figurent dans les données d'entraînement.

Ce qu'a découvert Reisner

Les deux plus gros jeux de données impressionnent par leur ampleur : l'un contient 12 millions de morceaux, l'autre 9 millions. Cela représente 21 millions de fichiers musicaux dans seulement deux bases. Les deux autres jeux sont plus modestes, mais restent significatifs : chacun comprend plus de 100 000 enregistrements. L'ensemble forme un volume colossal de contenu, l'essentiel du patrimoine musical qu'il est possible de collecter automatiquement.

Les quatre jeux ont été téléchargés des milliers de fois. Il est impossible d'identifier précisément les utilisateurs, mais Google et Stability AI ont officiellement confirmé dans leurs publications scientifiques avoir travaillé avec ces données. C'est une preuve documentaire : des entreprises valorisées à plusieurs milliards se sont appuyées sur les mêmes sources, désormais publiques.

D'où vient cette musique

Les sources des jeux de données diffèrent par leur statut juridique, et c'est là que commence l'essentiel :

• Free Music Archive est gratuit pour l'écoute personnelle, mais l'usage commercial et la création d'œuvres dérivées sont restreints
• Une partie des morceaux est publiée sous licences Creative Commons, mais les conditions précises varient d'un morceau à l'autre
• Certains contenus sont protégés par le droit d'auteur classique, sans exception ni réserve
• Toutes les bases étaient techniquement accessibles au téléchargement sans aucune restriction
• Aucune entreprise d'IA n'a révélé publiquement la composition exacte de ses jeux d'entraînement musicaux

L'écart entre « techniquement téléchargeable » et « juridiquement utilisable pour l'entraînement commercial d'une IA » est précisément le terrain juridique sur lequel se jouent aujourd'hui des procès dans le monde entier.

Un outil pour les ayants droit

The Atlantic a lancé un moteur de recherche public sur les quatre bases. Tout musicien, producteur, label ou éditeur peut saisir son nom ou des titres de morceaux et savoir si ce contenu faisait partie du corpus d'entraînement.

C'est important sur le plan pratique. Des procès contre des entreprises d'IA, dont Suno, Udio, OpenAI, Stability AI et d'autres, sont déjà devant les tribunaux, mais les plaignants n'avaient jusqu'ici aucun moyen fiable de prouver l'utilisation d'œuvres précises. La base publique de The Atlantic peut servir de preuve dans ces affaires.

L'enquête de Reisner prolonge une série de révélations de ces dernières années. On a d'abord appris l'usage massif de livres sans autorisation (le jeu Books3), puis de textes issus du web ouvert (Common Crawl). Vient maintenant le tour de la musique. La logique est la même : les entreprises d'IA ont collecté tout ce qui était techniquement accessible, sans s'interroger sur son statut juridique.

Ce que cela signifie

La publication de The Atlantic fait passer le débat sur le droit d'auteur dans l'IA de l'abstrait au concret : voici les données, voici les entreprises, voici les morceaux. Pour les musiciens, c'est le premier outil public de vérification. Pour les entreprises d'IA, c'est le signe qu'il devient de plus en plus difficile de maintenir l'opacité sur les données d'entraînement.