面向生成式音乐系统的按设计 attribution
声音
2025-10-10 v1 人工智能
人机交互
摘要
AI 生成音乐的兴起正在稀释版税池，暴露出现有酬金框架的结构性缺陷，挑战了音乐产业中既定的艺术家补偿体系。现有补偿解决方案如零散授权协议缺乏可扩展性和技术严谨性，而当前的数据 attribution 机制仅提供不确定的估计且极少实际实施。本文提出一种以直接 attribution、透明版税分配和针对艺术家和权利持有者的细粒度控制为核心的生成式音乐基础设施框架。我们在本体论上区分训练集与推断集，从而提出两种互补的 attribution形式：训练时 attribution 与推断时 attribution。我们本文重点关注推断时 attribution，因为它可以在艺术家目录用于条件化生成输出时实现直接、可验证的补偿。此外，用户还能基于特定歌曲进行条件化生成，并获得关于 attribution 及允许用途的透明信息。我们的方法为 AI 生成音乐时代提供了一套具有伦理性和实用性的解决方案，确保 provenance 与公平性始终嵌入生成系统的核心。
引用
@article{arxiv.2510.08062,
title = {Attribution-by-design: Ensuring Inference-Time Provenance in Generative Music Systems},
author = {Fabio Morreale and Wiebke Hutiri and Joan Serrà and Alice Xiang and Yuki Mitsufuji},
journal= {arXiv preprint arXiv:2510.08062},
year = {2025}
}