Un hackeo destapa cómo Suno entrenó su IA musical con YouTube, Deezer y Genius

Un hacker que vulneró los sistemas de Suno, una de las mayores herramientas de generación musical por IA, compartió con el medio 404 Media código fuente y documentos internos que detallan de dónde y cómo la compañía obtuvo el material con el que entrenó sus modelos. Según esta filtración, Suno raspó (scrapeó) millones de canciones y letras de YouTube Music, Deezer y Genius, además de recurrir a bibliotecas de música de stock como Pond5, Jamendo, Freesound y el International Music Score Library Project (IMSLP), y a podcasts obtenidos vía feeds RSS.

El hacker también aseguró haber accedido a información de cientos de miles de clientes de Suno, así como a datos de pagos gestionados a través de Stripe, aunque el artículo no detalla el alcance exacto de esa segunda filtración más allá de mencionarla.

Esta noticia llega en un contexto legal delicado para Suno, que ha sido demandada en varias ocasiones por la industria discográfica, la cual acusa a la empresa de haber entrenado sus modelos con millones de canciones protegidas por derechos de autor. En el marco de esos litigios —uno de los cuales ya se resolvió mediante acuerdo—, Suno reconoció previamente que entrenó su sistema con "esencialmente todos los archivos de música de calidad razonable accesibles en la internet abierta", lo que sumaba "decenas de millones de grabaciones". La defensa de la compañía se ha basado en el argumento del uso legítimo (fair use) para justificar el entrenamiento con obras protegidas.

Lo que aporta de nuevo la filtración, según 404 Media, no es tanto el hecho de que Suno usara material protegido —algo que ya había quedado claro en los procesos judiciales—, sino el detalle concreto de las fuentes y la escala de ese rastreo. La Recording Industry Association of America (RIAA) ya había acusado a Suno de extraer canciones directamente de YouTube, y los datos filtrados confirmarían esa práctica.

El material hackeado incluye código fuente que, según el artículo, parece corresponder a 2023 y 2024, con instrucciones de scraping y comentarios sobre el alcance de la recolección de datos. Uno de los archivos, por ejemplo, indica que el sistema extraía contenido de fuentes identificadas como "genius_hq, youtube_music, freesound, jamendo, imp, deezer, ytm_tagged", y que el contenido "no musical" era filtrado posteriormente. Un archivo concreto llamado "youtube_music" señalaba, en la fecha de su última actualización, haber ingerido 2.013.545 clips musicales.

Otro documento detalla el volumen en horas de los distintos conjuntos de datos construidos por Suno: 113.879 horas de youtube_music, 17.615 horas de genius_hq, 410 horas de freesound, 19.514 horas de imslp, 3.726 horas de jamendo, 62.117 horas de pond5_music, 12.287 horas de deezer, 152.162 horas de ytm_tagged y 103 horas de musescore_lyrics. En conjunto, esto representa, según el propio artículo, al menos varias décadas de música.

Nota importante para el lector: el artículo original de 404 Media es de pago (paywall) y el contenido accesible públicamente se corta justo después de enumerar estas cifras. No hay, en el texto disponible, más detalles sobre cómo se produjo el hackeo, qué hizo el atacante con los datos de pago y de usuarios, ni la respuesta oficial de Suno a esta filtración, por lo que este resumen se limita estrictamente a la información que aparece en la parte gratuita del artículo.