Ich hörte auf, KI-Musikgeneratoren zu vertrauen — in der Nacht, in der einer einen Mariah-Carey-Gesangslauf ausspuckte

Es war fast Mitternacht, und ich saß mit zwei Ingenieuren und einer Kanne scheußlichen Kaffees in unserem Büro und führte Stresstests an einer populären generativen Audioplattform durch. Man hatte uns beauftragt zu bewerten, ob eine Werbeagentur KI-generierte Musik in einer landesweiten Kampagne bedenkenlos einsetzen könnte. Also gaben wir dem Tool methodisch Prompts ein — Genre für Genre, Stil für Stil — und dokumentierten, was dabei herauskam.

Dann spielte eine meiner Ingenieurinnen, Priya, einen Track ab, den sie mit einem einfachen Prompt erzeugt hatte: „mitreißende Popballade, weibliche Sängerin, kraftvoller Stimmumfang.“ Sie erwähnte keinen Künstler. Sie bat nicht um einen Klangzwilling. Aber was aus den Lautsprechern kam, ließ uns alle drei verstummen.

Es war unverkennbar. Das Melisma — dieser kaskadierende, tonbeugende Gesangslauf — gehörte einer einzigen Person. Das Tool hatte keinen Gesangsstil „erschaffen“. Es hatte Mariah Careys Markentechnik aus allem rekonstruiert, was es während des Trainings verschluckt hatte. Und es hatte das aus einem Prompt getan, der ihren Namen nie erwähnte.

Ich wandte mich an Priya und sagte: „Wenn wir das an einen Kunden ausliefern und jemand bei Sony es hört, werden nicht wir verklagt. Der Kunde wird verklagt.“

Das war die Nacht, in der ich aufhörte, generative KI-Musik als kreatives Werkzeug zu betrachten, und anfing, sie als das zu sehen, was sie wirklich ist: ein Kompressionsalgorithmus für urheberrechtlich geschütztes Material, verpackt in einem Textfeld. Und es war die Nacht, in der ich mich entschied, bei Veriprajna etwas grundlegend anderes zu bauen.

Die Klage, die alles veränderte

Falls Sie die Verfahren der Recording Industry Association of America gegen Suno und Udio nicht verfolgt haben, sollten Sie das tun. Das ist keine mutwillige Klage. Es ist die rote Linie der Musikindustrie.

Die RIAA behauptet, dass diese Plattformen „Stream-Ripping“ im industriellen Maßstab betrieben haben — indem sie YouTubes Rolling-Cipher-Verschlüsselung umgingen, um Millionen urheberrechtlich geschützter Aufnahmen herunterzuladen und direkt in ihre Trainings-Pipelines einzuspeisen. Keine beiläufige Erfassung. Nicht ein paar Songs, die durchrutschen. Millionen von Tracks, gezielt abgegriffen, deren expressive Merkmale in Vektoren quantifiziert wurden, damit das Modell sie auf Abruf rekonstruieren konnte.

Die juristische Theorie ist elegant und vernichtend: die Frucht des vergifteten Baumes. Wenn die Trainingsdaten illegal beschafft wurden, ist jede Ausgabe kontaminiert. Es spielt keine Rolle, ob der Nutzer arglose Absichten hatte. Es spielt keine Rolle, ob die Ausgabe keine Note-für-Note-Kopie ist. Das Modell lernte, „einen Song wie Mariah Carey“ zu erzeugen, indem es den statistischen Fingerabdruck von Mariah Careys tatsächlichen Aufnahmen auswendig lernte. Das ist keine Inspiration. Das ist Datendekompression mit einem Text-Prompt als Schlüssel.

Wenn ein Modell Ihnen nicht sagen kann, woher seine kreativen Entscheidungen stammen, kann man ihm in einer kommerziellen Lieferkette nicht vertrauen. Punkt.

Die vollständige rechtliche und technische Aufschlüsselung habe ich in der interaktiven Version unserer Forschung beschrieben, aber die Kurzfassung lautet so: Unternehmensnutzer dieser Tools mieten eine Klage. Die Nutzungsbedingungen der Plattformen sind darauf ausgelegt, die Haftung in dem Moment auf den Nutzer zurückzuverlagern, in dem ein Prompt konkret wird. Und „konkret“ ist eine niedrigere Hürde, als Sie denken.

Warum versagt „Fair Use“ bei KI-Musik?

Das ist die Frage, die mir Führungskräfte, die diese Tools nutzen wollen, am häufigsten stellen. „Ist Training nicht transformativ? Ist es nicht wie ein Musiker, der Radio hört?“

Nein. Und Gerichte sagen das zunehmend.

Fair Use in den USA hängt von vier Faktoren ab, aber derjenige, der KI-Musikgeneratoren erledigt, ist der vierte: Auswirkung auf den potenziellen Markt. Wenn ein KI-Tool Nutzern $24 im Monat berechnet, um Tracks zu erzeugen, die direkt mit den lizenzierten Aufnahmen konkurrieren — und sie ersetzen —, mit denen es trainiert wurde, ist der Marktschaden nicht theoretisch. Er ist das Geschäftsmodell.

Ein menschlicher Musiker, der Mariah Carey hört und einen eigenständigen Song schreibt, hat diesen Einfluss über Jahre gelebter Erfahrung, körperlichen Stimmtrainings und kreativer Interpretation verarbeitet. Ein Diffusionsmodell, das ihr Spektrogramm aufnimmt und lernt, es aus Rauschen zurückzuentwickeln, hat etwas kategorisch anderes getan. Es hat ihr Werk in Gewichte komprimiert und gelernt, es auf Befehl zu dekomprimieren.

Der Udio-Vergleich mit der Universal Music Group hat das schmerzhaft konkret gemacht. Als Teil der Einigung können Nutzer der ursprünglichen Plattform Berichten zufolge nicht einmal mehr ihre eigenen Kreationen herunterladen. Alles ist in einem abgeschotteten Garten eingesperrt. Wenn Sie den Soundtrack einer Werbekampagne auf Udio erstellt haben, ist dieser Soundtrack für jede plattformexterne Anwendung jetzt möglicherweise kommerziell wertlos.

Ich sah, wie das Gesicht einer Creative Directorin einer Agentur kreidebleich wurde, als ich das in einem Meeting erklärte. Sie hatte sechs Monate an Kampagnen-Audio auf einer Plattform liegen, die gerade eine Urheberrechtsklage beigelegt hatte. Nichts davon ließ sich exportieren.

Die Nacht, in der wir über das falsche Problem stritten

Eine Zeit lang waren mein Team und ich von der falschen Frage besessen. Wir fragten immer wieder: „Wie machen wir generative KI-Musik sicherer?“ Wir versuchten es mit Prompt-Guardrails. Wir versuchten es mit Output-Fingerprinting. Wir versuchten, Klassifikatoren zu bauen, die erkennen konnten, wann ein generierter Track einer bekannten Aufnahme zu nahe kam.

All das war Flickwerk an einem kaputten Fundament.

Die Diskussion, die unsere Richtung veränderte, fand vor einem Whiteboard voller Architekturdiagramme statt. Einer unserer Senior-Ingenieure — ich nenne ihn Raj — wehrte sich gegen jede Schutzmaßnahme, die ich vorschlug. „Du versuchst, ein probabilistisches System dazu zu bringen, sich deterministisch zu verhalten“, sagte er. „Das geht nicht. Der ganze Sinn von Diffusion ist es, Trainingsdaten zu rekonstruieren. Du verlangst von ihm, genau das nicht zu tun, wofür es entworfen wurde.“

Er hatte recht. Und er war frustriert, weil er es seit Wochen sagte und ich nicht zugehört hatte.

Die Frage war nicht, wie man Black-Box-Generierung sicherer macht. Die Frage war: Warum erzeugen wir überhaupt alles von Grund auf neu?

Jeder Unternehmenskunde, mit dem wir sprachen, hatte bereits Audio-Assets. Sie hatten Demo-Aufnahmen. Sie hatten lizenzierte Stock-Tracks. Sie hatten Material aus Altkatalogen. Sie brauchten kein Modell, das einen Song aus dem Nichts halluziniert. Sie brauchten ein Modell, das das umwandelt, was sie bereits besaßen — eine Stimme ändern, einen Mix modernisieren, einen Stem isolieren — ohne die Kette des Urheberrechtsbesitzes zu durchbrechen.

Diese Erkenntnis war die Geburtsstunde dessen, was wir heute die Source-Separated Licensing Engine nennen.

Was ist eine Source-Separated Licensing Engine?

Anstatt eine KI zu bitten, Audio aus einem Text-Prompt zu erzeugen — was erfordert, dass das Modell einen aus gestohlenen Urheberrechten aufgebauten latenten Raum durchquert —, bitten wir die KI, zwei sehr spezifische, sehr auditierbare Dinge zu tun:

Erstens: zerlegen. Mithilfe von Deep Source Separation zerlegen wir einen lizenzierten Track in seine einzelnen Stems: Gesang, Schlagzeug, Bass und alles andere. Die KI erschafft nichts. Sie isoliert, was bereits da ist, wie ein Chirurg, der Gewebeschichten trennt.

Dann: transformieren. Mithilfe von Retrieval-Based Voice Conversion (RVC) ändern wir die stimmliche Identität auf dem isolierten Stem. Die Melodie bleibt. Der Text bleibt. Die Darbietung bleibt. Aber die Stimme — das Timbre, die Textur, die Körnung — stammt aus einem lizenzierten Stimmmodell, das wir mit Aufnahmen eines Sprechers trainiert haben, der eine kommerzielle Freigabe unterzeichnet hat.

Die Komposition stammt aus dem lizenzierten Input des Kunden. Die Stimme stammt aus unserem lizenzierten Modell. Jede Zutat hat eine klare Rechtekette. Es gibt keinen latenten Raum aus abgegriffenen Urheberrechten. Es gibt keine probabilistische Halluzination. Es gibt kein Rätsel darüber, woher irgendein Element stammt.

Wir haben die Magie der Halluzination gegen die Gewissheit der Ingenieurskunst eingetauscht. Und Unternehmenskunden wollen keine Magie — sie wollen Assets, die ihnen wirklich gehören können.

Wie funktioniert Deep Source Separation eigentlich?

Wenn Sie einen fertigen Song hören, hören Sie eine polyphone Mischung — Gesang, Schlagzeug, Bass, Gitarren, Synths, alle übereinandergeschichtet. Eine Bassgitarre und eine Kick-Drum liegen beide im Bereich von 50–200Hz. Gesang und Klavier teilen sich den Bereich von 500Hz–2kHz. Herkömmliche Audiofilter können sie nicht trennen, ohne den Klang zu zerstören.

Deep Source Separation nutzt neuronale Netze, um dies zu lösen. Das gemischte Audio wird in ein Spektrogramm umgewandelt — im Grunde eine visuelle Karte der Frequenzen über die Zeit — und das Netz lernt, für jede Quelle eine „Maske“ zu erzeugen. Stellen Sie es sich wie eine Schablone vor: Die Maske sagt dem System, welche Frequenzen zu welchen Momenten zum Schlagzeug gehören, welche zum Gesang, welche zu allem anderen. Wenden Sie die Maske an, und Sie erhalten einen sauberen, isolierten Stem.

Wir betreiben ein Ensemble der besten Architekturen — Hybrid Transformer Demucs, um weitreichende Muster wie einen sich wiederholenden Drumbeat über einen ganzen Song hinweg zu erfassen, und MDX-Net für spektrale Klarheit über die Frequenzbänder hinweg. Mehrere Modelle laufen zu lassen und die Ergebnisse zu mitteln, minimiert das „Bleeding“ — jene lästigen Artefakte, bei denen man Geisterschlagzeug in der Gesangsspur hören kann.

Der rechtliche Punkt ist entscheidend: Wir führen diese Trennung an Tracks durch, die der Kunde bereits besitzt oder lizenziert hat. Die KI ist ein Werkzeug zur Isolierung, nicht zur Erfindung. Die resultierenden Stems sind rechtlich vom lizenzierten Ausgangstrack abgeleitet.

Warum ist Voice Conversion wichtiger als Voice Generation?

Hier führt die Intuition der meisten Menschen sie in die Irre. Sie nehmen an, der beeindruckende Teil von KI-Audio sei es, eine Stimme aus dem Nichts zu erzeugen. Ist er nicht. Der beeindruckende Teil — und der rechtlich vertretbare Teil — besteht darin, eine Stimme in eine andere umzuwandeln und dabei alles andere an der Darbietung zu bewahren.

RVC funktioniert, indem es voneinander trennt, was gesungen wird, und wer es singt. Ein Modell namens HuBERT reduziert den Quellgesang auf reinen sprachlichen und melodischen Gehalt — Phoneme, Prosodie, Rhythmus — und verwirft dabei die Identität des Sprechers. Es anonymisiert die Darbietung.

Dann kommt der Retrieval-Schritt, der die entscheidende Innovation ist. Anstatt ein neuronales Netz erraten zu lassen, wie die Zielstimme klingen sollte (was jene verräterische synthetische Glätte erzeugt), durchsucht das System einen vorab erstellten Index der tatsächlichen Merkmale der Zielstimme — Atemzüge, Rauheiten, Vokalformen — und injiziert echte Merkmalsschnipsel in das umgewandelte Audio. Das Ergebnis klingt authentisch, weil es das wirklich ist. Es ist aus echten Samples der lizenzierten Stimme aufgebaut, nicht aus einer statistischen Annäherung.

Schließlich synthetisiert ein HiFi-GAN-Vocoder die Wellenform, adversariell gegen echte Aufnahmen des Zielsprechers trainiert, bis die Ausgabe von einer echten Darbietung nicht zu unterscheiden ist.

Das Ganze benötigt nur 30–60 Minuten sauberes Audio von einem einzigen Sprecher, um ein Stimmmodell zu trainieren. Vergleichen Sie das mit Suno oder Udio, die Millionen abgegriffener Tracks brauchen, um „Musik“ zu lernen. Unser Ansatz ist chirurgisch, wo ihrer industriell ist.

Der Löschknopf, den Black-Box-Modelle nicht haben

Hier ist etwas, das Rechtsabteilungen von Unternehmen nachts wachhält: Wenn ein Sprecher seine Einwilligung widerruft oder eine Lizenzvereinbarung ausläuft, können Sie seinen Beitrag aus Ihrem KI-System entfernen?

Bei großen Transformer-Modellen — der Art, die Suno und Udio antreibt — lautet die Antwort faktisch nein. Die Trainingsdaten sind in Milliarden von Parametern eingebacken. Den Einfluss eines bestimmten Künstlers zu entfernen, erfordert teures Nachtraining und birgt das Risiko des „katastrophalen Vergessens“, bei dem das Modell Fähigkeiten weit über das hinaus verliert, was Sie entfernen wollten.

In unserer Architektur ist jede Stimme eine separate Datei. Etwa 50 Megabyte. Wenn ein Sprecher sagt „Ich bin raus“, löschen wir die Datei. Die Separationsengine arbeitet weiter. Jedes andere Stimmmodell arbeitet weiter. Die Erfüllung von „Recht auf Vergessenwerden“-Anfragen erfolgt sofort und chirurgisch.

In einem Black-Box-Modell ist Verlernen ein Forschungsproblem. In unserer Architektur ist es eine Löschtaste.

Ich kann gar nicht genug betonen, wie wichtig das wird, je strenger die Vorschriften werden. Der EU AI Act wird Transparenz über Trainingsdaten verlangen. Die Fähigkeit, granulare Kontrolle über jede Komponente Ihrer KI-Pipeline nachzuweisen, ist kein Nice-to-have — es wird zur Grundvoraussetzung.

Was passiert, wenn jemand Ihr KI-Audio infrage stellt?

Jede Datei, die unsere Pipeline verlässt, trägt ein C2PA-Manifest — eine kryptografische Signatur der Coalition for Content Provenance and Authenticity. Stellen Sie es sich wie ein digitales Nährwertetikett vor, das mit der Datei mitreist und nicht gefälscht werden kann.

Das Manifest zeichnet auf: den Hash des Eingangs-Audios (belegt die Ableitung aus einer lizenzierten Quelle), den Hash des Separationsmodells (belegt, welches Tool verwendet wurde), den Hash des Stimmmodells (belegt, welche lizenzierte Stimme angewendet wurde) und Veriprajnas kryptografische Signatur, die die Integrität der gesamten Kette bescheinigt.

Wenn YouTube einen Track markiert, wenn Spotify seinen Urheberrechtsstatus infrage stellt, wenn ein Wettbewerber behauptet, es sei ein Deepfake — öffnet der Kunde das Manifest, und die Provenienz liegt direkt vor, mathematisch überprüfbar. Keine Mehrdeutigkeit. Kein „Vertrauen Sie uns“. Kryptografischer Beweis.

Für die vollständige technische Architektur der Pipeline und die C2PA-Integration habe ich ein detailliertes Forschungspapier veröffentlicht, das tiefer geht, als ich es hier kann.

„Aber schränkt das nicht einfach ein, was KI kann?“

Das fragen mich die Leute ständig. Meist in einem Ton, der andeutet, ich sei ein Spielverderber.

Meine Antwort: Ich schränke die KI nicht ein. Ich schränke die Haftung ein. Das ist ein Unterschied.

Ein Black-Box-Generator, der aus einem Text-Prompt jeden beliebigen Song erzeugen kann, ist wirklich beeindruckende Technologie. Das bestreite ich nicht. Aber beeindruckende Technologie, die Ihnen nicht sagen kann, woher ihre Ausgaben stammen, die nicht auditiert werden kann, die nicht garantieren kann, dass Ihnen gehört, was sie produziert — diese Technologie ist ein Spielzeug für Verbraucher, kein Werkzeug für Unternehmen.

Das US Copyright Office hat es zunehmend klargestellt: Rein KI-generierte Werke sind wahrscheinlich nicht urheberrechtlich schützbar. „Mach einen Jazzsong“ zu tippen, ist keine Urheberschaft. Es ist eine Idee, kein Ausdruck. Das heißt: Wenn Ihr Wettbewerber Ihren KI-generierten Jingle klaut und in seiner eigenen Werbung verwendet, haben Sie möglicherweise keinen Rechtsanspruch.

Unser Ansatz bewahrt die Urheberrechtsfähigkeit, weil ein von Menschen geschaffener Leittrack die Grundlage bildet und die Transformation bei jedem Schritt von Menschen gesteuert wird. Die KI ist ein Werkzeug in den Händen eines Schöpfers, nicht selbst ein Schöpfer. Diese Unterscheidung ist der Unterschied zwischen dem Besitz Ihrer Ausgabe und der Hoffnung, dass niemand sie stiehlt.

Die wahre Kostenrechnung

Ich sage es offen mit Blick auf die Wirtschaftlichkeit, weil sonst niemand in diesem Bereich dazu bereit zu sein scheint.

Das Training mit abgegriffenen Daten ist kostenlos. Die rechtliche Haftung ist unbegrenzt — gesetzlicher Schadenersatz von bis zu $150,000 pro verletztem Werk. Wenn Ihr Modell zehntausend Songs aufgenommen hat, rechnen Sie es sich aus.

Trainingsdaten und Stimmaufnahmen zu lizenzieren, verursacht anfängliche Kosten. Aber es deckelt Ihre Haftung bei null. Hinter jeder Komponente in der Kette steht eine unterzeichnete Vereinbarung. An jede Ausgabe ist ein Provenienz-Manifest angehängt.

Die Werbeagentur, die uns für jene erste Bewertung engagiert hatte? Sie rechnete es durch. Die Kosten unserer Pipeline waren ein Rundungsfehler im Vergleich zu einer einzigen Urheberrechtsverletzungsklage. Und anders als die Black-Box-Plattformen konnten wir tatsächlich garantieren, dass der Rundungsfehler die gesamten Kosten waren — keine Anzahlung auf eine Klage.

Das Ende von „Prompt and Pray“

Die RIAA-Klagen gegen Suno und Udio sind nicht das Ende von KI-Audio. Sie sind das Ende der Phase, in der niemand fragte, woher die Trainingsdaten stammten. Die Vergleichsbedingungen — abgeschottete Gärten, Download-Beschränkungen, neue lizenzierte Plattformen — sagen Ihnen genau, wohin sich das entwickelt. Der Wilde Westen schließt seine Tore.

Was als Nächstes kommt, ist das, was wir aufgebaut haben: souveräne Audio-Pipelines, in denen jedes Artefakt einen überprüfbaren Ursprung hat, in denen Modelle auf Komponentenebene auditiert, aktualisiert und gelöscht werden können, in denen die Ausgabe deterministisch statt probabilistisch ist und in denen der Unternehmenskunde tatsächlich besitzt, wofür er bezahlt hat.

Ich denke öfter an jene Nacht mit Priya und den Mariah-Carey-Gesangslauf, als ich zugeben möchte. Nicht, weil es technisch überraschend war — wir wussten, dass die Modelle Trainingsdaten auswendig lernten. Sondern weil es das Risiko greifbar machte. Das war keine abstrakte juristische Theorie, die durch unsere Lautsprecher lief. Es war das Lebenswerk eines Menschen, in Gewichte komprimiert und ohne Erlaubnis rekonstruiert, bereit, an einen Kunden ausgeliefert zu werden, der keine Ahnung gehabt hätte, was er da verbreitete.

Man kann kein Geschäft auf einem System aufbauen, das sich nicht selbst erklären kann. Wenn Sie nicht wissen, mit welchen Daten das Modell trainiert wurde, besitzen Sie die Ausgabe nicht. Sie erschaffen nicht. Sie spielen.

In einer Ära synthetischer Ungewissheit ist die Provenienz das Produkt.

Wir bauen Systeme, in denen jede Note einen Namen hat, jede Stimme einen Vertrag hat und jede Datei einen Beweis trägt. Das ist keine Einschränkung der KI. So sieht KI aus, wenn sie bereit für die reale Welt ist.