信用价值几何？生成音乐中基于归因补偿的市场框架

生成式人工智能的进步正迅速提高生成音乐的质量和商业价值，而这一进展依赖于创作者的大量录音目录。这为平台设计提出了一个核心问题：当创作者的作品被用于训练生成式AI模型并进而产生商业输出时，应如何对其进行补偿？我们开发了一个在生成音乐市场中公平补偿创作者的框架，其中每位创作者的报酬取决于一个数据归因分数，该分数估计了其对模型输出的贡献。与以往的补偿框架相比，我们的框架有两个独特的考量：(1) 归因追溯到整个创作者目录，而非单首歌曲；(2) 归因分数的信息量（信噪比）是支付机制的输入。该框架为每位创作者得出了一个闭式支付规则，并衡量了不准确归因对创作者和平台造成的福利成本。福利最优合同是基于版税还是固定费用许可，取决于归因对该创作者目录的信息量。我们表明，更好的归因直接转化为创作者和平台双方的福利收益，但在多平台竞争下，只有当平台的信号成为市场上最精确时，平台才能从归因改进中获益。为了将我们的框架建立在经验行为之上，我们训练了声学和符号音乐生成模型，并针对留一目录法（leave-one-catalog-out）的真实基准，衡量了可扩展归因技术的信息量。我们的实验表明，噪声归因信号促使支付转向固定费用许可，并降低了创作者和平台的福利，这为进一步研究改进归因提供了经济动机。