计算版权：迈向音乐生成式AI的版税模型
人工智能
2025-12-03 v5
摘要
生成式AI的迅速崛起加剧了创意产业，尤其是音乐领域的版权和经济紧张局势。当前应对这一挑战的方法通常侧重于防止侵权或建立一次性许可，这无法提供维持创意生态系统所需的可持续、经常性经济激励。为解决这一差距，我们提出了生成式内容识别（Generative Content ID），一个用于音乐生成式AI中可扩展且忠实版税归属的框架。该框架借鉴了YouTube内容识别（Content ID）的理念，将AI生成音乐的价值归因于因果影响其生成的特定训练内容，我们将此过程称为因果归因。然而，天真地量化因果影响需要对模型在训练数据子集上进行反事实重训练，这是不可行的。我们通过使用高效的训练数据归因（TDA）方法来大规模近似因果归因，从而应对这一挑战。我们进一步在公开和专有数据集上对该框架进行了实证分析。首先，我们证明了可扩展的TDA方法能够忠实地近似基于重训练的“黄金标准”但成本高昂的因果归因，显示了所提议版税框架的可行性。其次，我们研究了法律实践中使用的感知相似性与反映真实AI训练机制的因果归因之间的关系。我们发现，虽然感知相似性可以捕获最有影响力的样本，但它无法解释驱动模型效用的更广泛数据贡献，这表明基于相似性的法律代理不适合版税分配。总体而言，这项工作为音乐生成式AI的基于版税的经济治理提供了一个原则性和可操作的基础。
引用
@article{arxiv.2312.06646,
title = {Computational Copyright: Towards A Royalty Model for Music Generative AI},
author = {Junwei Deng and Xirui Jiang and Shiyuan Zhang and Shichang Zhang and Himabindu Lakkaraju and Ruijiang Gao and Chris Donahue and Jiaqi W. Ma},
journal= {arXiv preprint arXiv:2312.06646},
year = {2025}
}