AI音楽ジェネレーターを信じるのをやめた夜――プロンプト一つでマライア・キャリーの歌唱が再現された
ほぼ真夜中だった。私はオフィスで二人のエンジニアとひどいコーヒーのポットを前に、人気の生成オーディオ・プラットフォームのストレステストを行っていた。ある広告代理店が全国キャンペーンでAI生成音楽を安全に使えるかどうかを評価するために、私たちは雇われていた。だから私たちは、ジャンルごと、スタイルごとに、そのツールに体系的にプロンプトを与え、出てきたものを記録していた。
すると、エンジニアの一人プリヤが、シンプルなプロンプトで生成したトラックを再生した。「アップビートなポップ・バラード、女性ボーカル、パワフルな声域」。彼女はどのアーティストにも触れていない。似せてほしいとも頼んでいない。だが、スピーカーから流れてきたものに、私たち三人は押し黙った。
紛れもなかった。あのメリスマ――音を滑らかに上下させる、あの流れるようなボーカルのラン――は、一人の人物のものだった。ツールはボーカル・スタイルを「創造」したのではない。学習中に飲み込んだ何かから、マライア・キャリーの代名詞ともいえる歌唱技法を再構築したのだ。しかも、彼女の名前に一切触れていないプロンプトから、それをやってのけた。
プリヤの方を向いて、私は言った。「これをクライアントに納品して、ソニーの誰かがこれを聞いたら、訴えられるのは私たちじゃない。訴えられるのはクライアントの方だ」。
その夜、私は生成AI音楽を創作ツールとして考えるのをやめ、それが実際に何であるかを見るようになった。すなわち、テキストボックスに着飾らせた、著作権付き素材のための圧縮アルゴリズムだ。そしてその夜、私はVeriPrajnaで根本的に異なる何かを構築することを決意した。
すべてを変えた訴訟
もしあなたが、全米レコード協会（RIAA）によるSunoとUdioに対する訴訟を追っていないなら、追うべきだ。これは嫌がらせの訴訟ではない。音楽業界が引いた、譲れない一線なのだ。
RIAAは、これらのプラットフォームが産業規模の「ストリーム・リッピング」を行ったと主張している――YouTubeのローリング暗号（rolling cipher）暗号化を回避して何百万もの著作権付き録音をダウンロードし、それを直接、学習パイプラインに送り込んでいたというのだ。偶発的な取り込みではない。数曲がすり抜けた程度でもない。何百万ものトラックが、意図的にスクレイピングされ、その表現的特徴がベクトルへと数値化され、モデルが要求に応じてそれらを再構築できるようにされたのだ。
その法的な理屈は、洗練されていて、かつ壊滅的だ。すなわち「毒樹の果実」だ。学習データが違法に取得されたものであれば、あらゆる出力が汚染されている。ユーザーに悪意がなかったかどうかは関係ない。出力が一音一音そのままのコピーでないかどうかも関係ない。モデルは、マライア・キャリーの実際の録音の統計的な指紋を記憶することによって、「マライア・キャリーのような曲」を生成することを学んだのだ。それはインスピレーションではない。それは、テキストプロンプトを鍵とするデータの解凍だ。
モデルが、その創造的な判断がどこから来たのかを教えられないなら、それは商業的なサプライチェーンの中で信頼することはできない。以上だ。
私は、法的・技術的な詳細の全容を私たちの研究のインタラクティブ版で書いたが、手短に言えばこうだ。これらのツールを使う企業ユーザーは、訴訟をレンタルしているのだ。プラットフォームの利用規約は、プロンプトが具体的になった瞬間に、法的責任をユーザーへと押し戻すよう設計されている。そして「具体的」というハードルは、あなたが思うより低い。
なぜ「フェアユース」はAI音楽では通用しないのか?
これは、これらのツールを使いたいと考える経営幹部から、私が最もよく受ける質問だ。「学習は変容的（トランスフォーマティブ）ではないのか? ミュージシャンがラジオを聴くのと同じではないのか?」
違う。そして裁判所も、ますますそう述べるようになっている。
米国のフェアユースは四つの要素にかかっているが、AI音楽ジェネレーターにとどめを刺すのは、四番目の要素だ。すなわち、潜在的市場への影響だ。AIツールが、ユーザーに月額$24を課金して、それが学習に使ったライセンス済みの録音と直接競合し――かつそれを代替する――トラックを生成させるとき、市場への害は理論上のものではない。それこそがビジネスモデルなのだ。
マライア・キャリーを聴いてオリジナルの曲を書く人間のミュージシャンは、その影響を、長年の生きた経験、身体的なボーカル・トレーニング、そして創造的な解釈を通して処理してきた。彼女のスペクトログラムを取り込み、ノイズからそれをリバースエンジニアリングすることを学ぶ拡散モデルは、根本的に異なることをやってのけたのだ。それは彼女の作品を重みへと圧縮し、命令一つでそれを解凍することを学んだのだ。
ユニバーサル・ミュージック・グループとのUdioの和解は、これを痛いほど具体的なものにした。その取り決めの一環として、元のプラットフォームのユーザーは、もはや自分自身の制作物すらダウンロードできないと報じられている。すべてが、壁に囲まれた庭（ウォールド・ガーデン）の中に閉じ込められている。もしあなたがUdio上で広告キャンペーンのサウンドトラックを作っていたなら、そのサウンドトラックは今や、プラットフォーム外のいかなる用途にも商業的に使えないかもしれない。
私はある会議でこれを説明したとき、代理店のクリエイティブ・ディレクターの顔が青ざめるのを見た。彼女は、著作権訴訟の和解を済ませたばかりのプラットフォーム上に、六か月分のキャンペーン用オーディオを抱えていた。そのどれ一つとして、書き出すことはできなかった。
私たちが間違った問題について議論した夜
しばらくの間、私とチームは、間違った問いに取り憑かれていた。私たちはこう問い続けていた。「生成AI音楽を、どうすればより安全にできるのか?」。私たちはプロンプトのガードレールを試した。出力のフィンガープリンティングを試した。生成されたトラックが既知の録音に近すぎるときに検知できる分類器の構築を試した。
そのすべては、壊れた土台に継ぎ当てをしているにすぎなかった。
私たちの方向性を変えた議論は、アーキテクチャ図で埋め尽くされたホワイトボードの前で起きた。私たちのシニアエンジニアの一人――彼をラージと呼ぼう――は、私が提案するあらゆる安全策に反論し続けた。「あなたは、確率的なシステムを決定論的に振る舞わせようとしている」と彼は言った。「それは無理だ。拡散（ディフュージョン）の本質は、学習データを再構築することにある。あなたは、それが設計された通りのことをするな、と求めているんだ」。
彼は正しかった。そして彼は苛立っていた。というのも、彼は何週間もそう言い続けていたのに、私が耳を傾けてこなかったからだ。
問うべきは、ブラックボックス生成をどう安全にするかではなかった。問うべきは、こうだった。そもそもなぜ、私たちはゼロから生成しているのか?
私たちが話をした企業クライアントは、すでにオーディオ資産を持っていた。デモ録音があった。ライセンス済みのストック・トラックがあった。既存カタログの素材があった。彼らは、何もないところから曲を幻覚（ハルシネーション）させるモデルなど必要としていなかった。彼らが必要としていたのは、次のことをこなすモデルだった――変換すること。つまり、自分たちがすでに所有しているものを、である――声を変え、ミックスを現代的にし、ステムを分離する――しかも著作権の所有権の連鎖を断ち切ることなく。
その気づきこそが、私たちが今、ソース分離型ライセンシング・エンジンと呼んでいるものの誕生だった。
ソース分離型ライセンシング・エンジンとは何か?
テキストプロンプトからオーディオを生成するようAIに求める――これはモデルに、盗まれた著作権から作られた潜在空間を渡り歩くことを要求する――のではなく、私たちはAIに、極めて具体的で、極めて監査可能な二つのことを求める。
第一に、分解する。 ディープ音源分離を用いて、ライセンス済みのトラックを、その構成要素であるステム――ボーカル、ドラム、ベース、その他すべて――に分解する。AIは何も創り出していない。組織の層を切り分ける外科医のように、すでにそこにあるものを分離しているだけだ。
第二に、変換する。 検索ベース音声変換（RVC）を用いて、分離したステム上のボーカルのアイデンティティを変える。メロディーはそのまま。歌詞もそのまま。パフォーマンスもそのまま。しかし声――音色、質感、粒立ち――は、商用リリース契約に署名した声優の録音で私たちが学習させた、ライセンス済みの音声モデルから来る。
作曲は、クライアントのライセンス済みの入力から来る。声は、私たちのライセンス済みモデルから来る。すべての構成要素に、明確な権利の連鎖がある。スクレイピングされた著作権の潜在空間は存在しない。確率的な幻覚は存在しない。どの要素がどこから来たのかについての謎は、存在しない。
私たちは、幻覚という魔法を、エンジニアリングという確実性と引き換えにした。そして企業クライアントが求めているのは、魔法ではない――彼らが求めているのは、実際に自分たちで所有できる資産だ。
ディープ音源分離は、実際どのように機能するのか?
完成した曲を聴くとき、あなたが聞いているのはポリフォニックな混合物だ――ボーカル、ドラム、ベース、ギター、シンセが、すべて互いに重なり合っている。ベースギターとキックドラムは、どちらも50〜200Hzの帯域に存在する。ボーカルとピアノは、500Hz〜2kHzの帯域を共有する。従来のオーディオフィルターでは、音を壊さずにそれらを引き離すことはできない。
ディープ音源分離は、これを解決するためにニューラルネットワークを用いる。混合オーディオはスペクトログラム――本質的には、時間に沿った周波数の視覚的なマップ――に変換され、ネットワークは各音源ごとに「マスク」を生成することを学習する。ステンシル（型紙）のようなものだと考えてほしい。マスクは、どの瞬間のどの周波数がドラムに属し、どれがボーカルに属し、どれがその他すべてに属するのかを、システムに伝える。マスクを適用すれば、きれいに分離されたステムが得られる。
私たちは、最良のアーキテクチャのアンサンブルを走らせている――曲全体にわたって繰り返されるドラムビートのような長距離パターンを捉えるためのHybrid Transformer Demucsと、周波数帯域全体のスペクトルの明瞭さのためのMDX-Netだ。複数のモデルを走らせて結果を平均することで、「ブリーディング」――ボーカル・トラックに幽霊のようなドラムが聞こえてしまう、あの厄介なアーティファクト――を最小化する。
重要なのは、法的な論点だ。私たちは、クライアントがすでに所有している、あるいはライセンスを取得しているトラックに対して、この分離を行っている。AIは分離のためのツールであって、発明のためのものではない。結果として得られるステムは、法的にライセンス済みの親トラックから派生したものだ。
なぜ音声変換は、音声生成よりも重要なのか?
ここで、ほとんどの人の直感は道を誤る。彼らは、AIオーディオの驚くべき部分は、何もないところから声を生成することだと思い込んでいる。だが違う。驚くべき部分――そして法的に擁護できる部分――は、パフォーマンスに関する他のすべてを保ちながら、ある声を別の声へと変換することだ。
RVCは、何が歌われているかを、誰が歌っているかから切り離すことで機能する。HuBERTと呼ばれるモデルが、元のボーカルを純粋な言語的・旋律的な内容――音素、韻律、リズム――にまで削ぎ落とし、その一方で話者のアイデンティティを捨て去る。パフォーマンスを匿名化するのだ。
次に来るのが、検索（リトリーバル）のステップで、これが鍵となる革新だ。ターゲットの声がどう聞こえるべきかをニューラルネットワークに推測させる（それがあの、それと分かる合成特有の滑らかさを生む）代わりに、システムはターゲットの声の実際の特徴――息づかい、かすれ、母音の形――を、あらかじめ構築したインデックスから検索し、本物の特徴の断片を変換後のオーディオに注入する。結果が本物に聞こえるのは、それが実際に本物だからだ。それは統計的な近似ではなく、ライセンス済みの声の本物のサンプルから作られている。
最後に、HiFi-GANボコーダーが波形を合成する。これはターゲット話者の実際の録音に対して敵対的に学習され、出力が本物のパフォーマンスと見分けがつかなくなるまで訓練されている。
この一連の仕組みは、音声モデルを学習させるのに、一人の話者からのクリーンな音声がわずか30〜60分あれば足りる。「音楽」を学ぶために何百万ものスクレイピングされたトラックを必要とするSunoやUdioと比べてみてほしい。私たちのアプローチが外科的であるのに対し、彼らのそれは産業的だ。
ブラックボックス・モデルが持たない「削除ボタン」
企業の法務チームを夜も眠らせないことがある。声優が同意を撤回したら、あるいはライセンス契約が失効したら、あなたはその貢献をAIシステムから取り除けるだろうか?
大規模なトランスフォーマー・モデル――SunoやUdioを動かしている類のもの――では、答えは事実上ノーだ。学習データは数十億のパラメータに焼き込まれている。特定のアーティストの影響を取り除くには高価な再学習が必要で、しかも「破滅的忘却」――取り除こうとした範囲をはるかに超えて、モデルが能力を失ってしまう現象――のリスクを伴う。
私たちのアーキテクチャでは、どの声も個別のファイルだ。約50メガバイト。声優が「もう終わりにしたい」と言えば、私たちはそのファイルを削除する。分離エンジンは動き続ける。他のすべての音声モデルも動き続ける。「忘れられる権利」の要求への対応は、即座で、外科的だ。
ブラックボックス・モデルでは、アンラーニング（学習の取り消し）は研究課題だ。私たちのアーキテクチャでは、それは削除キー一つの話だ。
規制が厳しくなるなか、これがどれほど重要かは、いくら強調してもしすぎることはない。EU AI法は、学習データに関する透明性を求めることになる。AIパイプラインのあらゆる構成要素をきめ細かく制御できることを示せる能力は、あれば嬉しい程度のものではない――それは参加のための最低条件になる。
誰かがあなたのAIオーディオに疑問を投げかけたら、どうなるのか?
私たちのパイプラインから出るすべてのファイルは、C2PAマニフェスト――コンテンツの来歴と真正性のための連合（Coalition for Content Provenance and Authenticity）による暗号署名――を携えている。ファイルとともに移動し、偽造できない、デジタルの成分表示ラベルのようなものだと考えてほしい。
マニフェストは次のものを記録する。入力オーディオのハッシュ（ライセンス済みの音源から派生したことの証明）、分離モデルのハッシュ（どのツールが使われたかの証明）、音声モデルのハッシュ（どのライセンス済みの声が適用されたかの証明）、そしてチェーン全体の完全性を証明するVeriPrajnaの暗号署名だ。
YouTubeがトラックにフラグを立てても、Spotifyがその著作権ステータスに疑問を呈しても、競合他社がディープフェイクだと主張しても――クライアントがマニフェストを開けば、来歴はそこに、数学的に検証可能な形で存在している。曖昧さはない。「私たちを信じてください」もない。あるのは、暗号的な証明だ。
なお、パイプラインとC2PA統合の完全な技術アーキテクチャについては、ここで語れる以上に深く踏み込んだ、詳細な研究論文を公開している。
「でも、これはAIにできることを制限しているだけでは?」
人々は私に、これを絶えず尋ねてくる。たいていは、私が興ざめなことを言っているとほのめかす口調で。
私の答えはこうだ。私はAIを制限しているのではない。私が制限しているのは法的責任だ。そこには違いがある。
テキストプロンプトからどんな曲でも生成できるブラックボックス・ジェネレーターは、本当に見事な技術だ。それは否定しない。だが、出力がどこから来たのかを教えられず、監査もできず、生成物を自分が所有していると保証もできない見事な技術――そんな技術は、消費者向けのおもちゃであって、エンタープライズ向けのツールではない。
米国著作権局の見解は、ますます明確になっている。純粋にAIが生成した作品は、おそらく著作権では保護されない。「ジャズの曲を作って」と打ち込むことは、著作行為ではない。それはアイデアであって、表現ではないのだ。つまり、もし競合他社があなたのAI生成のジングルを盗んで自社の広告に使ったとしても、あなたには法的な救済手段がないかもしれない。
私たちのアプローチは、著作権による保護可能性を維持する。なぜなら、その基盤には人間が制作したガイド・トラックがあり、あらゆるステップに人間が指揮する変換があるからだ。AIは創作者の手の中にあるツールであって、創作者そのものではない。その区別こそが、自分の出力を所有することと、誰も盗まないよう願うこととの違いなのだ。
本当のコストの方程式
この分野では他の誰も率直に語ろうとしないようなので、私は経済性についてはっきり言おう。
スクレイピングしたデータでの学習は、無料だ。だが法的責任には上限がない――侵害された作品1件につき最大$150,000の法定損害賠償だ。もしあなたのモデルが1万曲を取り込んでいたなら、計算してみるといい。
学習データと音声録音をライセンスすることには、初期コストがかかる。だがそれは、あなたの法的責任をゼロに抑える。チェーン内のすべての構成要素の背後には、署名された契約がある。すべての出力には、来歴マニフェストが添付されている。
あの最初の評価のために私たちを雇った広告代理店は? 彼らは数字を計算した。私たちのパイプラインのコストは、たった一件の著作権侵害の請求に比べれば、端数の誤差のようなものだった。そしてブラックボックスのプラットフォームとは違い、私たちはその端数こそが総コストであって、訴訟の頭金ではないと、実際に保証することができたのだ。
「プロンプトを打ち込んで祈る」時代の終わり
SunoとUdioに対するRIAAの訴訟は、AIオーディオの終わりではない。それは、学習データがどこから来たのかを誰も問わなかった段階の終わりだ。和解の条件――壁に囲まれた庭（ウォールド・ガーデン）、ダウンロード制限、新たなライセンス済みプラットフォーム――は、これがどこへ向かっているのかを正確に物語っている。無法地帯は、閉じつつある。
次に来るのは、私たちがずっと構築してきたものだ。すなわち、あらゆる成果物が検証可能な出所を持ち、モデルがコンポーネント単位で監査・更新・削除でき、出力が確率的ではなく決定論的であり、そして企業クライアントが対価を払ったものを実際に所有できる、主権的なオーディオ・パイプラインだ。
私は、プリヤとあのマライア・キャリーのボーカルのランがあった夜のことを、認めたくないほど頻繁に思い出す。技術的に驚いたからではない――モデルが学習データを記憶していることは分かっていた。そうではなく、それがリスクを生々しいものにしたからだ。私たちのスピーカーから流れていたのは、抽象的な法理論ではなかった。それは誰かの生涯をかけた仕事であり、重みへと圧縮され、許可なく再構築され、自分が何を配布しているのか見当もつかないであろうクライアントへと出荷される寸前だったのだ。
自らを説明できないシステムの上に、ビジネスを築くことはできない。モデルがどんなデータで学習されたのかを知らなければ、あなたはその出力を所有していない。あなたは創作しているのではない。賭けをしているのだ。
合成された不確実性の時代において、来歴こそが製品なのだ。
私たちは、あらゆる音符に名前があり、あらゆる声に契約があり、あらゆるファイルが証明を携えているシステムを構築する。それはAIへの制限ではない。それは、AIが現実世界に対応できるようになったときの姿なのだ。
