Ein Angreifer hat sich Zugang zu internen Systemen des KI-Musikdienstes Suno verschafft und Daten daraus mit der US-Techpublikation 404 Media geteilt. Darunter befinden sich auch Angaben zu Sunos Trainingsbibliotheken. Diese legen nahe, dass Suno seinen KI-Musikgenerator mit Millionen von Musikstücken und Liedtexten trainiert hat, die unter anderem von YouTube Music, Deezer und Genius stammen. Zudem soll das Unternehmen Podcast-Audio in großem Umfang gesammelt haben.
Zwar war durch laufende Urheberrechtsverfahren bereits bekannt, dass Suno große Mengen geschützter Werke für Trainingszwecke verwendet hat. Die geleakten Daten geben laut 404 Media jedoch einen genaueren Einblick darin, aus welchen Quellen das Trainingsmaterial stammt und wie es beschafft wurde.
Zum Fund gehören Quellcodedateien, die offenbar aus den Jahren 2023 und 2024 stammen und Scraping-Anweisungen sowie Angaben zum Umfang einzelner Datensätze enthalten. Eine Datei verzeichnet mehr als zwei Millionen eingelesene Musikclips von YouTube Music. Für weitere Datensammlungen nennen Kommentare Umfänge von gut 100 bis zu mehr als 150.000 Stunden Audio. Über PodcastIndex identifizierte Suno demnach rund 420.000 Podcasts und wollte etwa eine Million Stunden Podcast-Audio herunterladen.
