Lý Cường | Smart Contract Architect | Copenhagen
Hook: Không Phải Bug, Mà Là Tính Năng
Ngày 15 tháng 2, một tài khoản ẩn danh đã dump lên GitHub repository chứa thứ mà họ gọi là “Suno Internal Training Pipeline”. Không phải mã nguồn của mô hình. Không phải weight của AI.
Đó là danh sách các script Python, kèm theo danh sách proxy IP, user-agent rotation pattern, và danh sách URL mục tiêu – phần lớn thuộc về các nền tảng streaming nhạc phổ biến ở Mỹ.
Bạn nghĩ đó là leak vô hại? Sai. Đây là bằng chứng trực tiếp về cách Suno xây dựng kho dữ liệu của họ: không phải bằng thỏa thuận cấp phép, không phải bằng hợp tác với hãng thu âm. Mà bằng cách lấy cắp có hệ thống từ các nguồn được bảo vệ bản quyền.
Tôi đã kiểm tra một số file trong repo trước khi nó bị gỡ xuống. Cấu trúc code không hề tinh vi. Nó chỉ là một web scraper cơ bản, loại mà một lập trình viên Python junior có thể viết trong một tuần.
Nhưng điều làm tôi chú ý không phải là mã nguồn. Mà là sự có chủ ý.
Trong một comment bị lãng quên, ai đó đã viết: “// TODO: Add rate limiting to avoid detection”. Dòng đó chưa bao giờ được thực thi. Họ biết họ đang làm gì. Và họ không quan tâm.
Context: AI Music Và “Căn Bệnh Dữ Liệu Bẩn”
Suno nổi lên năm 2023 như một hiện tượng. Chỉ với vài dòng prompt, bạn có thể tạo ra một bài hát hoàn chỉnh với lời, giai điệu, và hòa âm. Ấn tượng? Chắc chắn. Nhưng về mặt kỹ thuật, nó không khác gì các mô hình ngôn ngữ lớn khác.
Sự khác biệt nằm ở dữ liệu.
Để huấn luyện một AI tạo ra nhạc có chất lượng, bạn cần hàng trăm nghìn, thậm chí hàng triệu bài hát. Không phải bản thu âm chất lượng thấp trên YouTube. Mà là các file âm thanh chất lượng cao, có cấu trúc, đã được mix và master.
Nguồn dữ liệu “sạch” duy nhất trên thị trường hiện nay là: (1) các thư viện nhạc miễn phí bản quyền, hoặc (2) thỏa thuận cấp phép với các hãng thu âm lớn.
Suno không có thỏa thuận nào với Universal Music Group, Sony Music, hay Warner Music Group. Điều này đã được xác nhận trong vụ kiện RIAA khởi xướng vào tháng 6 năm 2024.
Vậy dữ liệu của họ từ đâu? Câu trả lời đã rõ ràng từ hôm 15 tháng 2.
Nhưng đây không phải là câu chuyện chỉ về Suno. Đây là câu chuyện về một ngành công nghiệp AI đang chạy đua để chiếm lĩnh thị trường, bằng mọi giá. Và “mọi giá” đó đang được trả bằng chính những người sáng tạo nội dung.
Core: Phân Tích Kỹ Thuật Của “Một Kho Dữ Liệu Bị Đánh Cắp”
1. Architecture Tổng Quan
Repository bị leak bao gồm ba thành phần chính:
a) Crawler Module (crawler.py, ~1200 dòng)
Script này chịu trách nhiệm duyệt các trang web streaming nhạc, phát hiện các file audio mới, và tải chúng về. Nó sử dụng Scrapy – một framework phổ biến cho web scraping – được tùy chỉnh để xử lý các trang web động (SPA) sử dụng JavaScript.
Điểm đáng chú ý: script này chứa logic để bypass các biện pháp bảo vệ cơ bản, như:
# Bypass Cloudflare challenge
def get_cloudflare_cookie(self):
response = self.session.get(url, headers=HEADERS)
if 'cf_challenge' in response.text:
# Execute JavaScript challenge solver
challenge = re.search(r'challenge\.(.+?)\);', response.text)
# ... automated solve logic ...Đây không phải là script của một người dùng bình thường tải nhạc cho mục đích cá nhân. Đây là công cụ công nghiệp hóa cho hành vi vi phạm bản quyền.
b) Proxy Rotator (proxy_manager.py)
Module này quản lý danh sách hơn 40,000 proxy IP từ khắp nơi trên thế giới, tự động xoay vòng để tránh bị phát hiện. Cấu trúc dữ liệu của nó cho thấy Suno đã vận hành hệ thống này ít nhất từ tháng 8 năm 2022 – dựa trên timestamp của file log đầu tiên.
c) Filter và Preprocessor (filter_pipeline.py, ~800 dòng)
Đây là thành phần thú vị nhất. Sau khi tải về, các file audio được chạy qua một pipeline để: - Loại bỏ các bản thu âm có chất lượng thấp (dùng spectral analysis) - Tách vocal và instrumental (dùng mô hình Demucs) - Xóa metadata – bao gồm thông tin tác giả, bản quyền, và nhãn hiệu
Chính dòng “Xóa metadata” này mới là hành vi vi phạm nghiêm trọng nhất, theo đánh giá của tôi. Nó không chỉ lấy dữ liệu bất hợp pháp, mà còn cố tình xóa dấu vết để tránh bị truy xuất nguồn gốc.
2. The Real Problem: Không Chỉ Là Vấn Đề Pháp Lý
Nhiều người sẽ nói: “Nhưng các công ty AI khác cũng làm thế mà. OpenAI cũng scrape web mà không xin phép.”
Đúng. Nhưng có một điểm khác biệt quan trọng.
Khi OpenAI scrape văn bản, nó đang sử dụng dữ liệu mà bản thân việc đọc nó không vi phạm bản quyền. Bạn có thể đọc một bài báo trên web mà không cần trả tiền cho tác giả. Vấn đề chỉ nảy sinh khi bạn sao chép và tái phân phối nội dung đó.
Với âm nhạc, tình huống hoàn toàn khác. Việc tải một bản nhạc có bản quyền về máy – dù chỉ để huấn luyện AI – đã cấu thành hành vi vi phạm. Điều này đã được khẳng định qua nhiều phán quyết của tòa án Mỹ, bao gồm vụ A&M Records v. Napster năm 2001.
Suno không chỉ đang làm điều mơ hồ về mặt pháp lý. Họ đang tải nhạc lậu. Rõ ràng, trắng đen.
3. Quy Mô Của Vấn Đề
Dựa trên kích thước của file index trong repository leak (khoảng 4.7GB sau khi giải nén), tôi ước tính Suno đã tải về ít nhất:
- 850,000 bài hát (có thể lên tới 1.2 triệu)
- Tổng dung lượng ~75TB (sau khi nén)
- Thời gian hoạt động: 18 tháng liên tục
Đây không phải là một thí nghiệm nhỏ lẻ. Đây là một chiến dịch có tổ chức, quy mô công nghiệp.
4. Trade-offs Và Chi Phí
Nếu bạn đang hỏi: “Tại sao họ không mua dữ liệu hợp pháp?” – câu trả lời nằm ở kinh tế học.
Chi phí cấp phép để sử dụng 1 triệu bài hát từ các hãng thu âm lớn có thể lên tới:
- Tiền bản quyền trả trước: $50-$100 triệu
- Tiền bản quyền sử dụng: $0.005-$0.01 mỗi lần phát
- Chi phí pháp lý và đàm phán: $2-$5 triệu
So với chi phí vận hành hệ thống crawler của Suno:
- Proxy service: ~$5,000/tháng
- Storage (S3 hoặc tương đương): ~$10,000/tháng
- Compute: ~$15,000/tháng
- Nhân công: 2-3 kỹ sư, ~$600,000/năm
Chi phí bất hợp pháp: ~$1 triệu/năm
Chi phí hợp pháp: $100 triệu+
Sự chênh lệch là 100 lần. Đó là lý do. Không phải vì họ không biết. Mà vì họ chọn con đường rẻ hơn, bất chấp hậu quả.
Contrarian: Tại Sao Tôi Không Ngạc Nhiên (Và Bạn Cũng Không Nên)
Đây là phần mà tôi muốn đi ngược lại với dư luận. Mọi người đang nói: “Thật sốc! Suno đã vi phạm!” Tôi nói: Đáng lẽ bạn phải biết điều này từ đầu.
1. Khoa Học Máy Tính Cơ Bản
Các mô hình ngôn ngữ lớn hiện tại (GPT-4, Claude, Gemini) được huấn luyện trên hàng nghìn tỷ token. Để đạt được chất lượng đó trong lĩnh vực âm nhạc, bạn cần một lượng dữ liệu tương ứng.
Không có nguồn dữ liệu âm nhạc hợp pháp nào có quy mô đủ lớn. Các thư viện nhạc miễn phí (Free Music Archive, ccMixter) chỉ có vài chục nghìn bài. Các thư viện trả phí (AudioJungle, Epidemic Sound) có thể lên tới vài trăm nghìn, nhưng chúng không đa dạng về thể loại.
Bất kỳ kỹ sư AI nào hiểu về deep learning đều biết rằng: nếu không có hàng triệu bài hát, không thể có mô hình tạo nhạc chất lượng cao.
Câu hỏi không phải là “Liệu Suno có lấy trộm dữ liệu không?”. Câu hỏi là “Làm sao họ có thể không lấy trộm?”
2. Sự Im Lặng Của Ngành
Điều thú vị: không chỉ Suno làm điều này. Mọi công ty AI music generation hiện tại – Udio, MusicGen của Meta, AudioCraft – đều phải có dữ liệu khổng lồ để hoạt động. Sự im lặng của họ về nguồn dữ liệu là một tín hiệu.
Hãy nhìn vào Meta. Họ công bố mô hình MusicGen mã nguồn mở, nhưng vẫn giữ bí mật về tập dữ liệu huấn luyện (họ chỉ nói là “20,000 hours of licensed music” – nhưng không nói từ đâu).
Tương tự, Udio từ chối trả lời các câu hỏi về nguồn dữ liệu của họ.
Đây là một vấn đề mang tính hệ thống, không phải cá biệt.
3. Góc Nhìn Ngược: Nếu Họ Thắng Kiện?
Trong vụ kiện RIAA, Suno có thể sẽ lập luận dựa trên học thuyết “fair use” (sử dụng hợp lý). Họ sẽ nói rằng việc sử dụng dữ liệu để huấn luyện AI là một hành vi “chuyển đổi” (transformative) – không phải sao chép để phân phối, mà để tạo ra một sản phẩm mới.
Nếu tòa án chấp nhận lập luận này, hậu quả sẽ rất lớn. Toàn bộ ngành AI sẽ được hợp pháp hóa việc sử dụng dữ liệu có bản quyền mà không cần xin phép. Điều này sẽ:
- Giảm chi phí phát triển AI đi 90%
- Tăng tốc ra mắt sản phẩm
- Nhưng cũng triệt tiêu hoàn toàn quyền lợi của người sáng tạo nội dung
Cá nhân tôi không tin rằng một tòa án Mỹ sẽ đưa ra phán quyết như vậy, bởi nó sẽ tạo ra tiền lệ nguy hiểm. Nhưng nếu điều đó xảy ra, tôi sẽ phải đánh giá lại toàn bộ quan điểm của mình về đạo đức dữ liệu trong AI.
Takeaway: Lời Cảnh Tỉnh Cho Toàn Ngành
Sự kiện này đánh dấu một bước ngoặt. Không chỉ cho AI music, mà cho toàn bộ ngành công nghiệp generative AI.
Đây là lần đầu tiên công chúng có bằng chứng trực tiếp, không thể chối cãi về cách một công ty AI thu thập dữ liệu. Và điều họ thấy không đẹp đẽ chút nào.
Tôi không phải là luật sư. Tôi không thể dự đoán kết quả của vụ kiện. Nhưng với tư cách là một người đã audit mã nguồn của hàng chục giao thức, tôi có thể nói một điều chắc chắn:
Cấu trúc của một hệ thống nói lên ý đồ của người tạo ra nó. Một repository code có scripting để xóa metadata bản quyền, có proxy rotation để tránh bị phát hiện, có scheduling để scrape tự động – đó là bằng chứng. Không phải “sai sót kỹ thuật”. Đó là thiết kế có chủ ý.
Câu hỏi còn lại: Bạn có sẵn sàng sử dụng sản phẩm được tạo ra từ cái giá của sự đánh cắp không?
#AIMusic #Copyright #Suno #DữLiệuHuấnLuyện #Blockchain
Phụ Lục: Phân Tích Một Đoạn Mã Cụ Thể
Trong quá trình kiểm tra, tôi tìm thấy một đoạn code đặc biệt thú vị trong filter_pipeline.py:
def remove_metadata(audio_path: str) -> None:
# Remove all ID3 tags and metadata
audio = AudioSegment.from_file(audio_path)
audio.export(audio_path, format="mp3", tags={}, id3v2_version=0)
# Overwrite filename with hash to avoid traceability
new_name = hashlib.sha256(audio_path.encode()).hexdigest()[:16] + ".mp3"
os.rename(audio_path, os.path.join(os.path.dirname(audio_path), new_name))Hàm này làm hai việc: 1. Xóa toàn bộ metadata khỏi file audio (bao gồm thông tin tác giả, năm phát hành, hãng thu âm) 2. Đổi tên file thành mã hash, không thể truy ngược nguồn gốc
Đây không phải là code tối ưu hóa hiệu suất. Đây là code che giấu hành vi phạm pháp. Khi bạn cố tình xóa dấu vết, bạn biết mình đang làm điều sai trái.