توقّفتُ عن الوثوق بمولّدات موسيقى الذكاء الاصطناعي في الليلة التي أخرج فيها أحدها جريانًا صوتيًا يخصّ ماريا كاري

كان الوقت يقارب منتصف الليل، وكنتُ جالسًا في مكتبنا مع مهندسَين وإبريق من قهوة رديئة، أُجري اختبارات إجهاد على منصة توليد صوتي شائعة. كنا قد استُئجرنا لتقييم ما إذا كان بإمكان وكالة إعلانات أن تستخدم بأمان موسيقى مولَّدة بالذكاء الاصطناعي في حملة وطنية. لذا كنا نُحفّز الأداة بشكل منهجي — نوعًا بنوع، وأسلوبًا بأسلوب — موثّقين ما يخرج منها.

ثم شغّلت إحدى مهندساتي، بريا، مقطعًا كانت قد ولّدته بمطالبة بسيطة: «أغنية بوب عاطفية مُفعمة بالحيوية، مغنّية، مدى صوتي قوي». لم تذكر أي فنان. لم تطلب صوتًا مشابهًا. لكنّ ما خرج من مكبّرات الصوت جعلنا نحن الثلاثة نصمت.

كان الأمر لا لبس فيه. فالميليسما — ذلك الجريان الصوتي المتدفّق الذي يثني النغمات — يخصّ شخصًا واحدًا. لم تكن الأداة قد «ابتكرت» أسلوبًا غنائيًا. بل أعادت بناء تقنية ماريا كاري المميّزة من كل ما التهمته أثناء التدريب. وقد فعلت ذلك انطلاقًا من مطالبة لم تذكر اسمها قط.

التفتُّ إلى بريا وقلت: «إذا سلّمنا هذا إلى عميل وسمعه أحدهم في سوني، فلن نُقاضى نحن. بل العميل هو من سيُقاضى.»

كانت تلك الليلة التي توقّفتُ فيها عن اعتبار موسيقى الذكاء الاصطناعي التوليدية أداةً إبداعية وبدأتُ أراها على حقيقتها: خوارزمية ضغط للمواد المحمية بحقوق النشر، متنكّرة في هيئة صندوق نصّي. وكانت الليلة التي التزمتُ فيها ببناء شيء مختلف جوهريًا في VeriPrajna.

الدعوى القضائية التي غيّرت كل شيء

إذا لم تكن تتابع قضايا الرابطة الأمريكية لصناعة التسجيلات (RIAA) ضد Suno وUdio، فينبغي لك ذلك. هذه ليست دعوى كيدية. إنها الخط الفاصل الذي رسمته صناعة الموسيقى.

تزعم RIAA أن هاتين المنصّتين انخرطتا في «انتزاع البثّ» على نطاق صناعي — بالالتفاف على تشفير يوتيوب المتغيّر (rolling cipher) لتنزيل ملايين التسجيلات المحمية بحقوق النشر وتغذيتها مباشرةً في خطوط التدريب لديهما. ليس ابتلاعًا عرضيًا. ولا بضع أغانٍ تتسلّل عبر الشقوق. ملايين المقاطع، مكشوطة عمدًا، وقد جرى تكميم سماتها التعبيرية في متجهات كي يتمكّن النموذج من إعادة بنائها عند الطلب.

النظرية القانونية أنيقة ومدمّرة: ثمرة الشجرة المسمومة. فإذا حُصِل على بيانات التدريب بطريقة غير مشروعة، فكل مُخرَج ملوّث. لا يهم إن كانت نوايا المستخدم بريئة. ولا يهم إن لم يكن المُخرَج نسخة طبق الأصل نغمةً بنغمة. تعلّم النموذج توليد «أغنية مثل ماريا كاري» عن طريق حفظ البصمة الإحصائية لتسجيلات ماريا كاري الفعلية. هذا ليس إلهامًا. هذا فكّ ضغط للبيانات، والمطالبة النصية هي المفتاح.

عندما لا يستطيع نموذج أن يخبرك من أين أتت قراراته الإبداعية، فلا يمكن الوثوق به في سلسلة توريد تجارية. انتهى الأمر.

كتبتُ عن التحليل القانوني والتقني الكامل في النسخة التفاعلية من بحثنا، لكنّ النسخة المختصرة هي هذه: مستخدمو هذه الأدوات من المؤسسات يستأجرون دعوى قضائية. فشروط الخدمة في هذه المنصّات مصمّمة لنقل المسؤولية إلى المستخدم في اللحظة التي تصبح فيها المطالبة محدّدة. و«المحدّدة» عتبة أدنى مما تظن.

لماذا يفشل مبدأ «الاستخدام العادل» مع موسيقى الذكاء الاصطناعي؟

هذا هو السؤال الذي يُطرح عليّ أكثر من غيره من قِبل المديرين التنفيذيين الراغبين في استخدام هذه الأدوات. «أليس التدريب تحويليًا؟ أليس أشبه بموسيقي يستمع إلى الراديو؟»

لا. والمحاكم تقول ذلك على نحو متزايد.

يتوقّف الاستخدام العادل في الولايات المتحدة على أربعة عوامل، لكنّ العامل الذي يقضي على مولّدات موسيقى الذكاء الاصطناعي هو الرابع: التأثير على السوق المحتملة. فعندما تفرض أداة ذكاء اصطناعي على المستخدمين 24 دولارًا شهريًا لتوليد مقاطع تنافس مباشرةً — وتحلّ محلّ — التسجيلات المرخّصة التي دُرِّبت عليها، فإن الضرر السوقي ليس نظريًا. إنه نموذج العمل ذاته.

الموسيقي البشري الذي يستمع إلى ماريا كاري ويكتب أغنية أصلية يكون قد عالَج ذلك التأثير عبر سنوات من الخبرة المُعاشة، والتدريب الصوتي الجسدي، والتأويل الإبداعي. أما نموذج الانتشار (diffusion) الذي يبتلع طيفها الصوتي ويتعلّم عكس هندسته من الضوضاء فقد فعل شيئًا مختلفًا فئويًا. لقد ضغط عملها في أوزان وتعلّم فكّ ضغطه عند الأمر.

جعلت تسوية Udio مع مجموعة Universal Music هذا الأمر ملموسًا على نحو مؤلم. فكجزء من الصفقة، يُقال إن مستخدمي المنصّة الأصلية لم يعودوا قادرين حتى على تنزيل إبداعاتهم الخاصة. كل شيء محبوس داخل حديقة مسوّرة. فإذا كنت قد بنيت الموسيقى التصويرية لحملة إعلانية على Udio، فقد تصبح تلك الموسيقى الآن عديمة الجدوى تجاريًا لأي استخدام خارج المنصّة.

رأيتُ وجه مديرة إبداعية في وكالة يشحب حين شرحتُ هذا في اجتماع. كان لديها ستة أشهر من صوتيات الحملات موجودة على منصّة سوّت للتوّ دعوى قضائية بشأن حقوق النشر. ولم يكن بالإمكان تصدير أيٍّ منها.

الليلة التي تجادلنا فيها حول المشكلة الخطأ

لفترة من الزمن، كنتُ أنا وفريقي مهووسين بالسؤال الخطأ. بقينا نسأل: «كيف نجعل موسيقى الذكاء الاصطناعي التوليدية أكثر أمانًا؟» جرّبنا حواجز حماية على المطالبات. جرّبنا بصم المخرجات. جرّبنا بناء مصنّفات قادرة على كشف متى يكون مقطع مولَّد قريبًا أكثر من اللازم من تسجيل معروف.

كل ذلك كان ترقيعًا لأساس معطوب.

وقع الجدال الذي غيّر مسارنا أمام لوح أبيض مغطّى بمخططات معمارية. أحد مهندسينا الكبار — سأسمّيه راج — ظلّ يعترض على كل إجراء وقائي أقترحه. قال: «أنت تحاول أن تجعل نظامًا احتماليًا يتصرّف بشكل حتمي. لا يمكنه ذلك. فالغاية كلها من الانتشار هي إعادة بناء بيانات التدريب. أنت تطلب منه ألا يفعل الشيء الذي صُمّم لفعله».

كان محقًّا. وكان محبَطًا، لأنه ظلّ يقول ذلك منذ أسابيع ولم أكن أُصغي.

لم يكن السؤال كيف نجعل توليد الصندوق الأسود أكثر أمانًا. بل كان السؤال: لماذا نولّد من الصفر أصلًا؟

كل عميل مؤسّسي تحدّثنا إليه كان يملك بالفعل أصولًا صوتية. كانت لديهم تسجيلات تجريبية. كانت لديهم مقاطع مخزون مرخّصة. كانت لديهم مواد كتالوج قديمة. لم يكونوا بحاجة إلى نموذج يهلوس أغنية من العدم. كانوا بحاجة إلى نموذج يحوّل ما يملكونه بالفعل — تغيير صوت، تحديث مزيج، عزل مقطع صوتي — دون كسر سلسلة ملكية حقوق النشر.

كان ذلك الإدراك ميلاد ما نسمّيه الآن محرّك الترخيص القائم على الفصل المصدري.

ما محرّك الترخيص القائم على الفصل المصدري؟

بدلًا من أن نطلب من ذكاء اصطناعي توليد صوت من مطالبة نصية — وهو ما يتطلّب من النموذج أن يجتاز فضاءً كامنًا مبنيًا من حقوق نشر مسروقة — نطلب من الذكاء الاصطناعي أن يفعل أمرَين محدّدَين جدًا وقابلَين للتدقيق جدًا:

أولًا، التفكيك. باستخدام الفصل المصدري العميق، نفكّك مقطعًا مرخّصًا إلى مقاطعه المكوّنة: الغناء، والطبول، والباس، وكل شيء آخر. الذكاء الاصطناعي لا يبتكر شيئًا. إنه يعزل ما هو موجود أصلًا، كجرّاح يفصل طبقات الأنسجة.

ثم، التحويل. باستخدام التحويل الصوتي القائم على الاسترجاع (RVC)، نغيّر الهوية الصوتية على المقطع المعزول. اللحن يبقى. الكلمات تبقى. الأداء يبقى. لكنّ الصوت — الجرس، والقوام، والحبيبات — يأتي من نموذج صوتي مرخّص درّبناه على تسجيلات من مؤدٍّ صوتي وقّع إذنًا تجاريًا.

التأليف يأتي من مُدخَل العميل المرخّص. والصوت يأتي من نموذجنا المرخّص. لكل مكوّن سلسلة ملكية واضحة. لا يوجد فضاء كامن من حقوق نشر مكشوطة. لا توجد هلوسة احتمالية. لا يوجد أي غموض حول مصدر أي عنصر.

لقد استبدلنا يقين الهندسة بسحر الهلوسة. والعملاء المؤسّسيون لا يريدون سحرًا — إنهم يريدون أصولًا يمكنهم امتلاكها فعلًا.

كيف يعمل الفصل المصدري العميق فعليًا؟

عندما تستمع إلى أغنية مكتملة، فأنت تسمع مزيجًا متعدّد الأصوات — غناء، وطبول، وباس، وقيثارات، ومركّبات صوتية، كلها متراكبة فوق بعضها. غيتار الباس وطبلة الـ kick كلاهما يقع في نطاق 50–200 هرتز. الغناء والبيانو يتشاركان نطاق 500 هرتز–2 كيلوهرتز. لا تستطيع مرشّحات الصوت التقليدية فصلها دون تدمير الصوت.

يستخدم الفصل المصدري العميق الشبكات العصبية لحلّ هذا. يُحوَّل الصوت المختلط إلى طيف صوتي — أي في جوهره خريطة بصرية للترددات عبر الزمن — وتتعلّم الشبكة توليد «قناع» لكل مصدر. تخيّله كقالب استنسل: يُخبر القناع النظامَ أي الترددات في أي اللحظات تنتمي إلى الطبول، وأيها إلى الغناء، وأيها إلى كل شيء آخر. طبّق القناع، فتحصل على مقطع معزول نظيف.

نشغّل مجموعة من أفضل البنى — Hybrid Transformer Demucs لالتقاط الأنماط بعيدة المدى مثل إيقاع طبول متكرّر عبر أغنية كاملة، وMDX-Net لوضوح الطيف عبر نطاقات الترددات. إن تشغيل نماذج متعدّدة ومتوسّط نتائجها يقلّل «التسرّب»، تلك التشوّهات المزعجة حيث يمكنك سماع طبول شبحية في المقطع الغنائي.

النقطة القانونية هي ما يهم: نحن نُجري هذا الفصل على مقاطع يملكها العميل بالفعل أو حصل على ترخيص لها. الذكاء الاصطناعي أداة للعزل، لا للاختراع. والمقاطع الناتجة مشتقّة قانونيًا من المقطع الأصلي المرخّص.

لماذا يهمّ التحويل الصوتي أكثر من التوليد الصوتي؟

هنا يضلّ حدس معظم الناس بهم. يفترضون أن الجزء المُبهر من صوت الذكاء الاصطناعي هو توليد صوت من العدم. ليس كذلك. الجزء المُبهر — والجزء القابل للدفاع عنه قانونيًا — هو تحويل صوت إلى آخر مع الحفاظ على كل شيء آخر يتعلّق بالأداء.

يعمل RVC عن طريق الفصل بين ما يُغنّى ومَن يُغنّيه. نموذج يُسمّى HuBERT يجرّد الغناء المصدري إلى محتوى لغوي ولحني خالص — فونيمات، وتنغيم، وإيقاع — مع التخلّص من هوية المتحدّث. إنه يجعل الأداء مجهول الهوية.

ثم تأتي خطوة الاسترجاع، وهي الابتكار الجوهري. فبدلًا من جعل شبكة عصبية تخمّن كيف ينبغي أن يبدو الصوت المستهدف (وهو ما يُنتج تلك النعومة الاصطناعية الفاضحة)، يبحث النظام في فهرس مبني مسبقًا لخصائص الصوت المستهدف الفعلية — الأنفاس، والبحّات، وأشكال الحروف الصوتية — ويحقن مقتطفات سمات حقيقية في الصوت المحوَّل. تبدو النتيجة أصيلة لأنها فعلاً أصيلة. إنها مبنية من عيّنات حقيقية للصوت المرخّص، لا من تقريب إحصائي.

أخيرًا، يقوم مُرمِّز صوتي HiFi-GAN بتخليق الموجة، مدرَّبًا تخاصميًا ضد تسجيلات حقيقية للمتحدّث المستهدف حتى يصبح المُخرَج غير قابل للتمييز عن أداء حقيقي.

يتطلّب الأمر برمّته 30–60 دقيقة فقط من صوت نظيف لمتحدّث واحد لتدريب نموذج صوتي. قارن ذلك بـ Suno أو Udio اللذين يحتاجان إلى ملايين المقاطع المكشوطة لتعلّم «الموسيقى». نهجنا جراحي حيث نهجهما صناعي.

زرّ الحذف الذي لا تملكه نماذج الصندوق الأسود

إليك ما يؤرّق الفرق القانونية في المؤسسات: إذا سحب مؤدٍّ صوتي موافقته، أو انتهت صفقة ترخيص، فهل يمكنك إزالة مساهمته من نظامك للذكاء الاصطناعي؟

مع نماذج المحوّلات الكبيرة — من النوع الذي يشغّل Suno وUdio — فالجواب فعليًا لا. فبيانات التدريب مخبوزة في مليارات المعاملات. وإزالة تأثير فنان بعينه تتطلّب إعادة تدريب مكلفة وتخاطر بـ«النسيان الكارثي»، حيث يفقد النموذج قدرات تتجاوز بكثير ما قصدت إزالته.

في بنيتنا، كل صوت هو ملف منفصل. نحو 50 ميغابايت. إذا قال مؤدٍّ صوتي «انتهيتُ»، نحذف الملف. ويستمرّ محرّك الفصل في العمل. ويستمرّ كل نموذج صوتي آخر في العمل. والامتثال لطلبات «الحق في النسيان» فوري وجراحي.

في نموذج الصندوق الأسود، إلغاء التعلّم مشكلة بحثية. أما في بنيتنا، فهو مجرد زرّ حذف.

لا يمكنني المبالغة في أهمية هذا مع تشدّد اللوائح. سيطالب قانون الذكاء الاصطناعي الأوروبي بالشفافية بشأن بيانات التدريب. والقدرة على إثبات تحكّم دقيق في كل مكوّن من مكوّنات خط الذكاء الاصطناعي لديك ليست ميزة كمالية — بل ستكون الحدّ الأدنى للمشاركة.

ماذا يحدث حين يشكّك أحدهم في صوت الذكاء الاصطناعي لديك؟

كل ملف يغادر خط معالجتنا يحمل بيان C2PA — توقيعًا تشفيريًا من ائتلاف مصدرية المحتوى وأصالته (Coalition for Content Provenance and Authenticity). تخيّله كملصق تغذية رقمي يرافق الملف ولا يمكن تزويره.

يسجّل البيان: بصمة تجزئة الصوت المُدخَل (لإثبات اشتقاقه من مصدر مرخّص)، وبصمة تجزئة نموذج الفصل (لإثبات الأداة المستخدَمة)، وبصمة تجزئة النموذج الصوتي (لإثبات الصوت المرخّص المطبَّق)، والتوقيع التشفيري لـ VeriPrajna الذي يشهد بسلامة السلسلة بأكملها.

إذا وسم يوتيوب مقطعًا، أو شكّك Spotify في وضع حقوق نشره، أو زعم منافس أنه تزييف عميق — يفتح العميل البيان فتكون المصدرية هناك مباشرةً، قابلة للتحقّق رياضيًا. لا غموض. لا «ثِق بنا». بل إثبات تشفيري.

للاطّلاع على البنية التقنية الكاملة لخط المعالجة وتكامل C2PA، نشرتُ ورقة بحثية مفصّلة تتعمّق أكثر مما يمكنني هنا.

«لكن أليس هذا مجرد تقييد لما يستطيع الذكاء الاصطناعي فعله؟»

يسألني الناس هذا باستمرار. عادةً بنبرة توحي بأنني مُفسِد للبهجة.

جوابي: أنا لا أحدّ من الذكاء الاصطناعي. أنا أحدّ من المسؤولية القانونية. ثمة فرق.

مولّد الصندوق الأسود القادر على إنتاج أي أغنية من مطالبة نصية هو تقنية مُبهرة حقًا. لا أنكر ذلك. لكنّ التقنية المُبهرة التي لا تستطيع أن تخبرك من أين أتت مخرجاتها، والتي لا يمكن تدقيقها، والتي لا تستطيع ضمان امتلاكك لما تُنتجه — تلك التقنية لعبة استهلاكية، لا أداة مؤسّسية.

كان مكتب حقوق النشر الأمريكي واضحًا على نحو متزايد: الأعمال المولَّدة بالكامل بالذكاء الاصطناعي على الأرجح غير قابلة لحماية حقوق النشر. فكتابة «اصنع أغنية جاز» ليست تأليفًا. إنها فكرة، لا تعبير. وهذا يعني أنه إذا سرق منافسك جينغل مولَّدًا بالذكاء الاصطناعي لديك واستخدمه في إعلانه الخاص، فقد لا يكون لديك أي سبيل قانوني للانتصاف.

يحافظ نهجنا على قابلية حماية حقوق النشر لأن هناك مقطعًا إرشاديًا من صنع إنسان في الأساس وتحويلًا موجَّهًا من إنسان في كل خطوة. الذكاء الاصطناعي أداة في يد مبدع، لا مبدعًا في حدّ ذاته. وذلك التمييز هو الفرق بين امتلاك مخرجاتك والأمل في ألا يسرقها أحد.

معادلة التكلفة الحقيقية

سأكون صريحًا بشأن الاقتصاديات لأنه لا يبدو أن أحدًا غيري في هذا المجال مستعدّ لذلك.

التدريب على البيانات المكشوطة مجاني. أما المسؤولية القانونية فغير محدودة السقف — تعويضات قانونية تصل إلى 150,000 دولار لكل عمل مُنتهَك. فإذا ابتلع نموذجك عشرة آلاف أغنية، فاحسبها بنفسك.

ترخيص بيانات التدريب والتسجيلات الصوتية يُدخل تكلفة مقدّمة. لكنه يحدّد سقف مسؤوليتك عند الصفر. لكل مكوّن في السلسلة اتفاقية موقّعة خلفه. ولكل مُخرَج بيان مصدرية مُرفَق به.

وكالة الإعلانات التي استأجرتنا لذلك التقييم الأولي؟ لقد أجرت الحسابات. كانت تكلفة خط معالجتنا خطأ تقريب مقارنةً بمطالبة واحدة بانتهاك حقوق النشر. وعلى خلاف منصّات الصندوق الأسود، كان بإمكاننا فعلًا أن نضمن أن خطأ التقريب كان كامل التكلفة — لا دفعة أولى على دعوى قضائية.

نهاية «المطالبة والدعاء»

دعاوى RIAA ضد Suno وUdio ليست نهاية صوت الذكاء الاصطناعي. إنها نهاية المرحلة التي لم يسأل فيها أحد من أين أتت بيانات التدريب. وشروط التسوية — الحدائق المسوّرة، وقيود التنزيل، والمنصّات المرخّصة الجديدة — تخبرك بالضبط إلى أين يتجه هذا. الغرب المتوحّش يوصَد بابه.

ما يأتي بعد ذلك هو ما ظللنا نبنيه: خطوط معالجة صوتية سيادية حيث لكل أثر أصلٌ قابل للتحقّق، وحيث يمكن تدقيق النماذج وتحديثها وحذفها على مستوى المكوّن، وحيث يكون المُخرَج حتميًا لا احتماليًا، وحيث يملك العميل المؤسّسي فعلًا ما دفع مقابله.

أفكّر في تلك الليلة مع بريا وجريان ماريا كاري الصوتي أكثر مما أودّ الاعتراف به. ليس لأنه كان مفاجئًا تقنيًا — فقد كنا نعلم أن النماذج تحفظ بيانات التدريب. بل لأنه جعل الخطر محسوسًا في الصميم. لم تكن تلك نظرية قانونية مجرّدة تُعزَف عبر مكبّرات صوتنا. كان عملَ حياة شخصٍ ما، مضغوطًا في أوزان ومُعاد بناؤه دون إذن، جاهزًا ليُسلَّم إلى عميل لم يكن ليملك أدنى فكرة عمّا يوزّعه.

لا يمكنك بناء عمل تجاري على نظام لا يستطيع تفسير نفسه. فإذا كنت لا تعرف على أي بيانات دُرِّب النموذج، فأنت لا تملك المُخرَج. أنت لا تبدع. أنت تقامر.

في عصر من عدم اليقين الاصطناعي، المصدرية هي المنتج.

نحن نبني أنظمة حيث لكل نغمة اسم، ولكل صوت عقد، ولكل ملف إثبات. هذا ليس تقييدًا للذكاء الاصطناعي. هذا ما يبدو عليه الذكاء الاصطناعي حين يكون جاهزًا للعالم الحقيقي.