La filtración del código fuente de Suno ha revelado la magnitud de la recolección ilegal de datos para el entrenamiento de IA.
En el mundo de la música generativa se ha producido un cambio tectónico. Como resultado de la intrusión en la infraestructura de Suno, uno de los líderes en música con IA, fragmentos del código fuente han quedado expuestos públicamente, confirmando con certeza absoluta las sospechas de larga data de los sellos discográficos. El hacker, conocido bajo el seudónimo de ellie.191, logró infiltrarse en los sistemas de la empresa infectando el ordenador de un empleado con el peligroso gusano Shai-Hulud, que se propagaba a través de paquetes npm comprometidos y extraía todas las claves de acceso, tokens y credenciales.
Lo más interesante no es el hecho de la intrusión en sí, sino lo que se descubrió en los datos robados. No son simples registros, sino un manifiesto completo de cómo Suno construía sus conjuntos de datos de entrenamiento. Uno de los archivos contiene un registro de descarga de más de 2 millones de videoclips musicales de YouTube Music, lo que equivale a 113 879 horas de audio continuo. El segundo conjunto de datos, etiquetado como ytm_tagged, incluye otras 152 162 horas de grabaciones etiquetadas del mismo YouTube. Para eludir las restricciones de la plataforma, los desarrolladores de Suno utilizaron activamente los servicios proxy de Bright Data, enmascarando sus solicitudes como tráfico de usuarios comunes.
Sin embargo, YouTube es solo la punta del iceberg. En el código se encontraron indicaciones claras de recopilación de datos de Pond5 (62 117 horas), Deezer (12 287 horas), Genius (17 615 horas de letras y metadatos), el Proyecto Internacional de Biblioteca de Partituras Musicales (19 514 horas), Jamendo (3 726 horas), Freesound (410 horas) y Musescore (103 horas). Un plan separado contemplaba la descarga de casi un millón de horas de podcasts de 420 000 fuentes RSS. Si la empresa implementó este plan aún no está claro, pero el mero hecho de una planificación a tan gran escala plantea interrogantes.
Impacto directo en las demandas judiciales
Esta filtración no es solo una curiosidad técnica. Es una prueba directa a favor de los sellos discográficos que ya han demandado a Suno. Universal Music Group y Sony Music Entertainment exigen que se añadan a la demanda 61 026 grabaciones que, según sus datos, fueron encontradas en los datos de entrenamiento de Suno mediante tecnología de huellas dactilares de audio. Los sellos afirman que Suno viola la sección 1201 de la DMCA al eludir las medidas de protección técnica de YouTube con utilidades como YT-DLP. El código filtrado, que demuestra la descarga masiva de YouTube a través de proxies, encaja perfectamente con esta argumentación, aunque no prueba al cien por cien la elusión del cifrado.
Es revelador que Suno haya reconocido anteriormente que sus conjuntos de datos podrían contener obras protegidas por derechos de autor, pero insistía en un uso "transformador" bajo la doctrina del uso justo. Ahora, tras esta filtración, los argumentos de la empresa parecen extremadamente endebles. Warner Music Group, a diferencia de sus competidores, ya ha llegado a un acuerdo y ha firmado un acuerdo de licencia, lo que podría sentar un precedente para toda la industria.
Mi comentario como analista: Esta filtración es el "momento de la verdad" para toda la industria de la IA generativa en la música. Suno y servicios similares han estado operando durante mucho tiempo en una "zona gris", afirmando que sus modelos se entrenan con datos "públicamente disponibles". Ahora vemos que se trataba de un robo de datos sistemático, planificado y técnicamente equipado. El mercado debe prepararse para que el modelo de "primero roba, luego licencia" ya no funcione. Los inversores deberían reconsiderar los riesgos de invertir en startups que no puedan demostrar claramente la legalidad de sus conjuntos de datos de entrenamiento.