En række af de største AI-modeller til generering af musiknumre er bygget på enorme mængder indspillet musik. Flere af de datasæt, der deles åbent mellem AI-udviklere, indeholder også danske indspilninger. Nedenfor kan du søge og bladre i de danske numre, jeg indtil videre har fundet, og skifte mellem datasættene.
Jeg har foreløbig gennemgået tre datasæt. Listen opdateres løbende, efterhånden som jeg gennemgår flere datasæt og udvider referencelisten over danske rettighedshavere.
Der cirkulerer en håndfuld store musiksamlinger blandt udviklere af kunstig intelligens. De er sat sammen ud fra forskningsartikler og fra de tjenester, hvor udviklere henter materiale, og de er hver især hentet mange tusinde gange. Samlingerne spænder bredt, fra store internationale navne til titusindvis af mindre kunstnere inden for både pop, jazz og klassisk.
Hovedsamlingen, LAION-DISCO, er bygget på kommercielt udgivne indspilninger, indsamlet via links fra nettet. Rettighedshaverne, musikselskaber, artister, sangskrivere og musikere, er så vidt vides ikke blevet spurgt, om deres musik måtte bruges til at træne kunstig intelligens. Om den brug er lovlig, er omstridt og endnu ikke endeligt afgjort.
Free Music Archive består af Creative Commons-musik, men det betyder ikke fri adgang til at træne kommerciel kunstig intelligens. Ifølge datasættets egne licensoplysninger er fire ud af fem af de danske numre mærket NonCommercial, altså til ikke-kommerciel deling, og en del også uden ret til afledte værker. En sådan mærkning peger på deling uden fortjeneste. Når kommercielle aktører træner kommercielle modeller på numrene, rækker det ud over det, mærkningen tillader. Det skal tilføjes, at licensoplysningerne stammer fra datasættet selv, ikke fra rettighedshaverne, så hvem der har sat mærkningen, og om rettighedshaverne er enige, kan vi ikke fastslå herfra.
Det tredje datasæt, YouTube CC-BY, markedsføres som udelukkende bestående af musik fra videoer på YouTube, der er mærket med Creative Commons-licensen CC-BY, altså frigivet til viderebrug mod kreditering. Det danske indhold her stammer i al væsentlighed fra ét selskab, Kenneth Bagers Music for Dreams, hvis katalog udgør langt størstedelen af de danske fund. Forklaringen er, at Music for Dreams har en officiel kanal på YouTube, hvor udgivelserne er mærket CC-BY, og at hele kataloget derfor er fulgt med, da datasættet blev samlet. Det er kommercielt udsendt musik, og det er svært at forene med en licens, der skulle tillade fri viderebrug og oplæring af kunstig intelligens.
Samlingerne viser først og fremmest, hvor meget musik der ligger frit tilgængeligt for udviklere, og hvor forskelligartet det er. De viser ikke i sig selv, hvem der har brugt hvad. Techselskaberne holder deres træningsdata tæt til kroppen, og det er derfor ikke offentligt kendt, hvilke virksomheder der har anvendt de enkelte samlinger. At en indspilning optræder i et datasæt, viser altså, at den har været tilgængelig, ikke at en bestemt tjeneste har trænet på den.
Kun ét af datasættene kan kobles til navngivne virksomheder, og det bygger på virksomhedernes egne oplysninger. Google har i forskningsartiklen bag MusicLM beskrevet at have trænet to af modellens komponenter på Free Music Archive, og Stability AI har brugt numre fra samme samling i Stable Audio Open. Begge er kommercielle aktører, og når størstedelen af de danske numre i samlingen er licenseret til ikke-kommerciel brug, er den anvendelse svær at forene med licensvilkårene. For de øvrige datasæt er det ikke offentligt kendt, hvem der har anvendt dem.
Omfanget af de kommercielle tjenesters træning kender vi fra retssager og fra virksomhedernes egne udsagn, ikke fra disse datasæt. Google trænede i 2022 modellen MuLan på 44 millioner indspilninger, og OpenAI hentede i 2020 1,2 millioner sange til modellen Jukebox. Suno oplyste i sit svarskrift i musikselskabernes søgsmål, at virksomhedens træningsdata omfatter stort set alle musikfiler af rimelig kvalitet, der er frit tilgængelige på internettet. Datasættene her er sammenlignelige i omfang, men det er ikke bevist, at det er de samme samlinger.
De tre datasæt er forskellige i deres form. LAION-DISCO-12M og YouTube CC-BY indeholder ikke selve lyden, men lister af metadata, altså artist, titel, album, selskab og et link til nummeret på YouTube. Lyden henter udviklerne selv automatisk fra YouTube ud fra linket, ofte i strid med tjenestens vilkår. Linket i tabellen ovenfor fører derfor til det fulde nummer på YouTube, ikke til en lydfil i datasættet. Free Music Archive er bygget anderledes og består af egentlige lydfiler. Et datasæt kan altså udgøre et grundlag for oplæring af kunstig intelligens, uanset om lyden ligger i selve samlingen eller hentes via de links, samlingen anviser.
Listen er lavet ved at sammenholde en bred referenceliste over danske artister med tre offentligt tilgængelige datasæt, LAION-DISCO-12M, YouTube CC-BY og Free Music Archive. Referencelisten er bygget af flere kilder, en kurateret kerne, danske artister i MusicBrainz inklusive deres stavevarianter, og danske musikkategorier på Wikipedia. Der er tale om metadata, altså artist, titel, album og selskab, ikke selve lydoptagelserne. For Free Music Archive er der desuden sorteret efter artisternes angivne hjemsted, og for YouTube CC-BY er der både søgt på danske artister og på danske musikselskaber. Du kan søge på selskab i feltet ovenfor, for eksempel Music for Dreams. Alle oplysninger om artist, titel, selskab og licens er gengivet, som de står i datasættene selv, og er ikke bekræftet hos rettighedshaverne. De afspejler altså, hvad den, der har samlet datasættet, har angivet, hvilket som vist med Music for Dreams ikke altid er korrekt.
Mange danske kunstnernavne deles med udenlandske kunstnere, så et navnesammenfald kan trække numre med, der ikke er danske. Som udgangspunkt vises derfor kun numre med tydelig dansk tilknytning, altså et navn med æ, ø eller å, en kendt dansk artist, eller en titel der matcher artistens reelle udgivelser i MusicBrainz. Numre med titler tydeligt på andre sprog end dansk og engelsk er sorteret fra. De øvrige match ligger under filteret for muligt navnesammenfald, som du selv kan slå til.
Jeg har valgt en filtrering, der hellere tager lidt for meget med, og dermed et par fejl, end den frasorterer ægte danske artister. Hjemlandsoplysningerne i de offentlige referencedata er nemlig ujævne, og et for hårdt filter ville fjerne mange rigtige danske navne, fordi signalet på dansk tilknytning er for svagt for netop dem. Derfor kan der ligge enkelte udenlandske kunstnere med, typisk fordi de er registreret med forkert hjemland i kilderne. Til gengæld er dækningen af danske artister så fuldstændig som muligt. Dækningen er stadig begrænset af referencelisten, så det reelle antal danske indspilninger er sandsynligvis højere.
Datasættene og oplysningerne om virksomhedernes brug stammer fra de primære kilder, altså datasættene selv og de forskningsartikler, hvor udviklerne beskriver deres anvendelse.
Sunos oplysning om sine træningsdata stammer fra virksomhedens svarskrift i musikselskabernes søgsmål mod Suno ved den føderale domstol i Massachusetts, august 2024.
Den overordnede kortlægning af, hvilke musikdatasæt der cirkulerer i AI-miljøet, og hvordan de er fundet, er beskrevet journalistisk af Alex Reisner i The Atlantic, juni 2026.