Infrastruktúrát építenek az MI-zenék felismeréséhez
A cégek most nem elsősorban a tartalmak eltávolítására koncentrálnak, hanem inkább arra, hogyan lehet követni, kezelni és – legfőképp – pénzzé tenni a mesterségesen generált zenéket. Új típusú rendszerek épülnek ki a teljes zenei láncolat mentén: az MI-modellek tanításához használt eszközöktől kezdve a feltöltési platformokon és jogkezelő adatbázisokon át egészen a keresési és ajánlórendszerekig. A cél nem csupán a kész anyagok utólagos ellenőrzése, hanem már a keletkezésük pillanatától kezdve metaadatokkal ellátni őket, ezzel automatizáltan szabályozva terjedésüket.
Matt Adell, a Musical AI társalapítója szerint, ha nincs beépítve ez az infrastruktúra a rendszerbe, akkor csak a saját farkukat kergetik majd. Ma már nem lehet minden új MI-dalra utólag reagálni, új alapokra kell helyezni a működést.
Előtérben a licencelés és a jogkezelés
Több startup dolgozik azon, hogy a szintetikus zene felismerése már a jogkezelési folyamatokba épüljön be. Olyan platformok, mint például az Audible Magic vagy a SoundCloud, saját rendszereket hoznak létre, hogy már feltöltéskor kiszűrjék és megjelöljék az MI által kreált zenéket, miközben ezek megjelenését a keresési és ajánlórendszerekben is szabályozzák. Az iparág egyre inkább úgy tekint az MI-zene érzékelésére, mint egy alapvető infrastruktúraelemre, nem pedig utólagos szankcionáló eszközre.
A Vermillio és a Musical AI olyan rendszereket fejleszt, amelyek az elkészült zeneszámokat vizsgálva felismerik a szintetikus részeket, és ezt automatikusan metaadatban is rögzítik. A Vermillio TraceID keretrendszere még mélyebbre megy: a dalokat különböző sávok (vokál, melódia, szöveg stb.) szerint szétbontva képes az MI által generált elemeket pontosan megjelölni. Így például ha egy új dal csak részben mintáz egy meglévő számot, azt is könnyen kimutatja.
A hangsúly a jogszerűség biztosításán és a hiteles megjelenésen van; a cél, hogy a jogtulajdonos már a publikálás előtt engedélyezhesse vagy megtilthassa a kiadást. A TraceID-rendszert a YouTube Content ID helyettesítőjeként pozícionálják: pontosabb, és már az apró utánzatokat is felismeri, amit a régi rendszer gyakran figyelmen kívül hagyott. Becslések szerint a hiteles licencelésből származó bevételek két év alatt 75 millió dollárról (kb. 27 milliárd forint) 10 milliárd dollárra (kb. 3570 milliárd forint) nőhetnek.
Az alkotói befolyás mennyiségi mércéje
Több vállalat már az adathalmazok elemzésével próbálja feltérképezni, hogy egy MI-generált zene mennyit vett át konkrét előadóktól vagy daloktól. Ez lehetővé tenné, hogy a jogdíjakat az alkotói befolyás mértéke alapján, ne csak a kész dal hasonlósága után ítéljék oda. Ma már a licencelés akár már a közzététel előtt megkezdődhet, így elkerülhetők a hosszadalmas és költséges perek.
A Musical AI rendszere nem az elkészült dalokat szűri, hanem már a tanítási és generálási folyamatban is követi a tartalmak eredetét. Sean Power, a cég társalapítója szerint az attribúciót már a modellek tanítása közben mérni kell, nem csak a kész dalnál.
Az opt-out protokoll: DNTP
Az MI trenírozását támogató adathalmazok szűrésére a Spawning AI kidolgozta a DNTP-t (Do Not Train Protocol), amellyel a művészek jelezhetik, hogy műveiket nem lehet MI-tréninghez felhasználni. A vizuális művészek több hasonló eszközt használhatnak már, az audio világ azonban csak mostanában kezdi utolérni magát. Jelenleg nincs egységes megközelítés sem a beleegyezés, sem az átláthatóság, sem a licencelés kapcsán, de várhatóan a szabályozói kényszer előbb-utóbb kikényszeríti ezt. Ugyanakkor a főbb MI-tréningcégek támogatása még mindig hiányzik, és sok kritikus szerint valódi áttörés csak akkor lesz, ha a protokollt független, nonprofit szervezetek felügyelik.
A DNTP csak akkor tekinthető megbízhatónak, ha különböző, átláthatóan működő szervezetek ellenőrzik – véli a Spawning AI egyik vezetője. Senki sem bízhatja a jövőbeli beleegyezések kezelését egy zárt, üzleti vállalkozásra, amely akár egyik napról a másikra eltűnhet a piacról.
