L’essentiel
- Un piratage a exposé les registres internes d’entraînement de Suno, l’un des principaux générateurs de musique par IA.
- Un seul fichier recense 2 013 545 clips aspirés sur YouTube Music, sans compter Deezer, Genius et au moins quatre autres plateformes.
- La RIAA accuse Suno de « stream ripping », le contournement des protections de YouTube, au-delà du seul débat sur l’entraînement.
- Le code fuité révèle le recours au prestataire Bright Data et la recherche ciblée de versions a cappella pour isoler les voix.
Un fichier interne de Suno, exfiltré lors d’un piratage, recense 2 013 545 clips aspirés sur YouTube Music. Le chiffre ne sort pas d’un cabinet d’analystes : il vient des propres registres d’entraînement du principal générateur de musique par IA. Des années de soupçons sur ce que ces modèles avalent pour apprendre basculent d’un coup dans le registre de la preuve matérielle.
Des registres qui comptent, datent et nomment
Jusqu’ici, Suno cultivait le flou. L’entreprise parlait de « fichiers musicaux accessibles au public » sans jamais dire lesquels, ni combien, ni d’où. La fuite issue du piratage fait sauter ce verrou sémantique : elle ne livre pas des estimations d’analystes, mais les propres registres de l’éditeur.
Un seul fichier suffit à mesurer l’écart entre le discours et la pratique. À la date de sa dernière mise à jour, il totalisait déjà ces deux millions de titres pour la seule YouTube Music, alors que l’inventaire connu en compte au moins six autres, dont Deezer et Genius. Ces documents recensent, horodatent et identifient chaque source : c’est là tout leur poids.
La différence est de nature, pas de degré. On se doutait qu’un générateur musical devait bien s’entraîner sur de la musique existante. On dispose désormais de la trace comptable de ce prélèvement, versée au dossier.
Le fair use de Suno face à ses propres fichiers
Interrogée, l’entreprise n’a pas nié le principe. Elle invoque le fair use, cette doctrine américaine de l’usage équitable qui autorise, sous conditions, la réutilisation d’œuvres protégées sans l’accord de leurs ayants droit. C’est la ligne de défense commune à toute l’IA générative, des grands modèles de langage aux générateurs d’images : l’entraînement serait un usage transformatif, donc couvert.
Mais le débat ne se joue plus sur la seule licéité de l’entraînement. La RIAA (Recording Industry Association of America), le syndicat de l’industrie du disque qui poursuit déjà Suno comme son concurrent direct Udio, ajoute un reproche autrement plus concret : le contournement des protections techniques de YouTube par « stream ripping », l’extraction du flux audio d’une plateforme qui l’interdit. On quitte alors la zone grise doctrinale pour un acte technique documenté, bien plus difficile à plaider.
Bright Data et la chasse aux voix isolées
Le code exfiltré détaille aussi la mécanique de collecte, et c’est peut-être le plus instructif pour comprendre comment se fabrique un modèle. Suno n’a pas tout aspiré à la main : il s’est appuyé sur Bright Data, un prestataire spécialisé dans l’extraction de données web à grande échelle, rouage discret mais central de l’économie de l’entraînement.
Plus parlant encore, le code montre une recherche ciblée de versions a cappella. Isoler les voix n’a rien d’anodin pour un modèle : c’est le moyen d’apprendre le timbre, le phrasé et les inflexions d’un chanteur sans la couche instrumentale qui les masque. Autrement dit, un dispositif pensé pour capturer ce qui fait la signature d’un artiste, et non un simple ramassage indifférencié de fichiers.
La boîte noire des corpus s’ouvre par effraction
Voilà pourquoi cette fuite dépasse le cas Suno. Elle documente, pièce par pièce, la face que l’IA générative garde soigneusement fermée : son corpus. Les modèles se jugent à leurs sorties, presque jamais à leurs entrées, précisément parce que ces entrées restent opaques. Chaque éditeur répète que ses données sont « publiques » ou « sous licence » sans jamais ouvrir l’inventaire.
Pour les plateformes sources, le signal est net : leurs catalogues alimentent des concurrents directs qui viennent ensuite se poser en substituts. Pour les créateurs, la fuite fournit ce qui manquait à toutes les plaintes, la preuve matérielle qu’une œuvre précise a servi de matière première. Et pour les éditeurs d’IA, elle inaugure un risque d’un genre nouveau : ce ne sont plus les régulateurs qui arracheront la transparence des jeux de données, ce sont les fuites qui l’imposeront, éditeur après éditeur.
Mon avis
La transparence des données d’entraînement ne viendra ni des chartes éthiques ni des promesses de conformité : elle viendra des piratages et des procès, à mesure que les registres internes finiront au dossier. Suno n’est pas une exception morale dans un secteur vertueux, c’est simplement le premier dont on a ouvert les livres. Je m’attends à ce que la défense du fair use tienne sur le plan strictement juridique, mais qu’elle se retourne sur le terrain de l’image : on plaide mal l’usage transformatif quand son propre code cherche à isoler la voix d’un chanteur. Ce que cette affaire fissure durablement, c’est l’étanchéité de la boîte noire de l’IA générative.
