The Atlantic abre busca em 21 milhões de faixas usadas para treinar IA

Alex Reisner, jornalista da The Atlantic, publicou os resultados de uma investigação: ele identificou quatro conjuntos de dados de música que empresas de tecnologia usaram para treinar modelos de IA generativa. Além disso, tornou as quatro bases pesquisáveis publicamente. Agora qualquer pessoa pode verificar se suas faixas entraram nos dados de treinamento.

O que Reisner encontrou

Os dois maiores conjuntos impressionam pela escala: um tem 12 milhões de faixas e o outro, 9 milhões. Ao todo, são 21 milhões de arquivos de música só em duas bases. Os outros dois conjuntos são mais modestos, mas ainda significativos: cada um inclui mais de 100 000 gravações. Juntos, representam um volume colossal de conteúdo, boa parte do patrimônio musical que pode ser coletado automaticamente.

Os quatro conjuntos foram baixados milhares de vezes. Não é possível identificar exatamente quem os baixou, mas Google e Stability AI confirmaram oficialmente, em suas publicações científicas, que trabalharam com esses dados. É uma prova documental: empresas com valor de mercado de bilhões de dólares se apoiaram nas mesmas fontes que agora se tornaram públicas.

De onde vem essa música

As fontes dos conjuntos diferem em status jurídico, e é aqui que começa a parte mais importante:

• Free Music Archive é gratuito para audição pessoal, mas o uso comercial e a criação de obras derivadas são restritos
• Parte das faixas foi publicada sob licenças Creative Commons, mas as condições específicas variam de faixa para faixa
• Alguns materiais são protegidos por direitos autorais padrão, sem exceções nem ressalvas
• Todas as bases estavam tecnicamente disponíveis para download sem qualquer restrição
• Nenhuma empresa de IA revelou publicamente a composição exata de seus conjuntos de treinamento musical

A distância entre "tecnicamente disponível para download" e "legalmente utilizável para treinamento comercial de IA" é exatamente o território jurídico em que processos se desenrolam hoje no mundo todo.

Uma ferramenta para titulares de direitos

A The Atlantic lançou um buscador público nas quatro bases. Qualquer músico, produtor, gravadora ou editora pode consultar seu nome ou os títulos das faixas e saber se aquele conteúdo fez parte do conjunto de treinamento.

Isso importa na prática. Processos contra empresas de IA, entre elas Suno, Udio, OpenAI, Stability AI e outras, já tramitam na Justiça, mas os autores ainda não tinham uma forma confiável de provar o uso de obras específicas. A base pública da The Atlantic pode servir de prova nesses casos.

A investigação de Reisner dá continuidade a uma série de revelações dos últimos anos. Primeiro veio o uso em massa de livros sem autorização (o conjunto Books3), depois textos da web aberta (Common Crawl). Agora é a vez da música. A lógica é a mesma: as empresas de IA coletaram tudo o que estava tecnicamente disponível, sem se perguntar sobre o status jurídico.

O que isso significa

A publicação da The Atlantic leva a disputa sobre direitos autorais na IA do abstrato para o concreto: aqui estão os dados, aqui estão as empresas, aqui estão as faixas. Para os músicos, é a primeira ferramenta pública de verificação. Para as empresas de IA, é um sinal de que está cada vez mais difícil manter a opacidade sobre os dados de treinamento.