The Atlantic 把 AI 音乐训练集翻出来了：2100 万首歌可搜索

2100 万首歌，被翻了个底朝天

The Atlantic 上周扔出了一个 AI 音乐圈不太想看到的东西：一个可搜索的数据库，把目前在 AI 开发圈子里流传的四个音乐训练集全部摊到了公众面前。任何人都能进去查——你的某首歌在不在里面。

这件事是记者 Alex Reisner 干的。他不是第一次干这种事，之前 The Atlantic 的 AI Watchdog 系列已经把 LibGen 那批被用来训练大模型的盗版书库给挖出来过一次，搞得 Meta 那边一度很难看。这次轮到了音乐。

四个数据集加起来，规模相当夸张：

• LAION-DISCO-12M：1232 万首 YouTube 抓取的曲目，总时长 91 年
• 一个未公开命名的大型集合：约 900 万首
• Spotify Tracks Dataset：11.4 万首从 Spotify 扒下来的曲目，Hugging Face 上传者匿名，截至 2026 年 5 月被下载超过 7 万次
• Free Music Archive Dataset (FMA)：10.6574 万首，由洛桑联邦理工 EPFL 在 2016 年整理

听起来 FMA 那种规模没什么——但别忘了 Stability AI 用了它的 1.3874 万首子集训过模型，Google 也在论文里承认用过。这不是"灰色地带"，是已经公开承认的事实。

这些数据是怎么来的？合规吗？

四个集合的合规性参差不齐，但没一个干净。

LAION-DISCO-12M 来自德国非营利组织 LAION——这名字你应该不陌生，Stable Diffusion 训练用的 LAION-5B 图文对就是他们搞的。LAION 拿过 Hugging Face 的钱，也拿过 Stability AI 前 CEO Emad Mostaque 的钱。1232 万首歌怎么来的？YouTube 抓的。YouTube 服务条款明确禁止未授权下载，但学术数据集这套打法在 AI 圈子里已经是默认操作了。

FMA 数据集比较"体面"一点，里面大部分是 Creative Commons 协议授权的曲目——但 CC 协议里有个细节很多人故意忽略：大多数 CC 授权要求署名，并禁止商业用途。AI 模型训练算不算"商业用途"？训练出来的模型卖钱算不算？这个问题至今没有判例。但 Google 和 Stability 这种公司用，怎么看都难说不是商业用途。

Spotify Tracks Dataset 是最离谱的。Spotify 自己跟这个数据集毫无关系，是一个匿名开发者把 11.4 万首歌从 Spotify 平台"扒"下来扔到 Hugging Face 上的。下载量 7 万次。Hugging Face 的内容审核机制在这种问题上基本是后置的——只有被点名才会下架。

剩下那个 900 万首的集合，The Atlantic 没披露更多细节，估计是怕侵权诉讼。但能想到，来路大概率也不光彩。

为什么是现在曝出来？

时间点很关键。

Suno、Udio 这两家 AI 音乐生成公司已经被 RIAA（美国唱片业协会）告了一年多了。诉讼的核心争议就是：训练数据从哪来的？Suno 之前的回应是"训练数据是商业秘密"，Udio 直接承认用了"开放网络上的公开音乐"——但拒绝具体说哪些。

Reisner 这次做的事，本质上是把这些公司不愿意承认的事实做了一次"佐证"。哪怕 Suno 和 Udio 没有直接用这四个数据集，业界对训练数据来源的态度也已经路人皆知了。

更微妙的是，The Atlantic 的报道里点了几个具体例子：Suno 生成的曲子和 Michael Jackson 的《Thriller》、Ed Sheeran 的《Shape of You》、Chuck Berry 的《Johnny B. Goode》高度相似——这不是"风格借鉴"，是模型记忆（memorization）问题。AI 系统在训练数据里见过的东西，会以片段形式吐出来。这是技术问题，也是法律问题。

Spotify 自己今年早些时候清掉了 7500 万首"垃圾" AI 生成歌曲，Sony 发现旗下艺人名下挂了 13.5 万首他们没做过的 AI 曲子。整个音乐行业现在面对的是双重困境：自己被拿去训练，训练出的模型又来污染自己的渠道。

一个可搜索数据库意味着什么

技术上看，The Atlantic 做的这个工具不复杂——元数据索引 + 搜索接口，本质上就是把 Hugging Face 上散落的 dataset card 整合后做了个前端。但它的杀伤力在于降低了维权门槛。

以前一个独立音乐人想知道自己的歌有没有被拿去训练，得自己去翻 Hugging Face 的 dataset README，下载几十 GB 的元数据文件，写脚本去 grep。现在直接在网页里输入歌名就行。

这意味着接下来几个月：

1. 集体诉讼的素材库被打包好了。律师事务所只需要做的就是组织音乐人去查询、截图、形成证据链
2. 数据集分发会转入地下。Hugging Face 这种公开平台上的音乐数据集八成会被批量下架，但 BT、IPFS 上的分发不会停
3. "数据来源透明度"会变成 AI 音乐产品的强制标签。Suno、Udio 不交代清楚训练数据，进不了主流分销渠道

对开发者来说，这件事的另一个层面是数据集治理。LAION 是一个非营利组织，但它做的事情实质上是给商业公司提供"白手套"——把法律风险高的数据收集环节外包给非营利组织，公司只需要"使用公开数据集"，看起来一切合规。这套打法在文生图领域已经被打穿了一次（Getty Images 诉 Stability AI），现在轮到音乐了。

给 AI 工程师的启示

如果你现在正在做或者打算做生成式音频的模型，这件事至少提醒你三点：

第一，数据合规要前置。靠 LAION 这种第三方数据集训练的时代结束了，至少在音频和视觉领域。Adobe Firefly 那种"全部来自授权素材"的路线虽然慢、虽然贵，但是法律风险最低。Sony Music 已经和几家 AI 公司在谈授权合作，价格会很贵，但是合规。

第二，模型记忆问题要在评估阶段就处理。Suno 现在最大的麻烦不是"用了哪些数据"，而是"输出的内容能被反向匹配到训练样本"。这是技术问题，不是法律问题——通过更好的去重、数据增强、训练目标设计，可以显著降低记忆程度。这一关迟早每家音频生成公司都得过。

第三，元数据和归属系统要从一开始就考虑进去。C2PA 那套内容溯源标准在图像领域开始普及，音频领域类似的方案也在推进。早做兼容，比后面被强制要求改要划算得多。

平台和工具的反应

Hugging Face 截至发稿没有公开回应是否会下架这几个数据集。从过去的处理惯例看，Spotify Tracks Dataset 这种明显侵权的会先下，LAION-DISCO-12M 这种由"研究机构"上传的可能会保留但加警告标签。

Google 在它的研究论文里承认用过 FMA 数据集训练生成模型，但 Google 一直走"研究用途" + "模型不直接商业化"的口径。Stability AI 那边比较尴尬，公司本身已经经历了一轮重组，前 CEO Emad Mostaque 离职后的法律遗产怎么处理，新管理层还没明确表态。

国内的 AI 音乐产品，比如做歌词生成、伴奏生成的几家，目前还在政策灰色地带。但参考国内对生成式 AI 训练数据的监管思路（《生成式人工智能服务管理暂行办法》明确要求训练数据合法来源），国内监管收紧的时间窗口可能比海外更紧。

写在最后

这件事不是孤立事件。从 LibGen 书库被曝出来，到 Common Crawl 里的版权内容争议，到现在的音乐数据集，AI 训练数据这条产业链的每一个环节都在被掀开来看。

开发者社区里有种声音："如果训练数据全部要授权，AI 就发展不起来了"。这话半对半错。文本和图像领域已经证明了，授权数据 + 合成数据的组合可以训出有竞争力的模型，只是更贵、更慢。音乐领域大概率也会走类似的路。

顺带一提，OpenAI Hub（openai-hub.com）这边主流的多模态和音频生成模型都有接入，国内开发者可以直接用 OpenAI 兼容格式去调，省去合规自建的麻烦——但训练数据这件事还得各家自己面对。

短期内，AI 音乐生成的格局可能会重新洗牌。Suno、Udio 这种激进派要么搞定授权，要么准备好赔大钱。稳妥派比如 Adobe、Stability（如果还能撑住）则有机会借合规化拿回市场。对整个行业来说，这次曝光与其说是危机，不如说是迟早要出的清算。

参考来源

• Hugging Face Datasets 平台 — 涉事数据集 Spotify Tracks Dataset、LAION-DISCO-12M 的托管平台，本次事件的核心分发渠道
• LAION 在 Hugging Face 的组织主页 — LAION 团队公开的音视频数据集集中地，可查看 DISCO 系列数据集元数据