Musicians are accustomed to getting paid each time their creative work is used. Across vinyl/CD sales, streams, radio, cover versions, and those numerous niches like karaoke, there are agreements in place about what “use” means. Underlying this is a simple economic principle: The more something is used, the more money it makes.
음악가들이 AI 교육을 통해 수익을 창출하는 방법
제작된 노래의 기원을 추적하는 것은 수익 분배에 도움이 될 수 있지만,
과연 공정할까요?
음악가들은 자신들의 창작물이 사용될 때마다 수익을 얻는 데 익숙해져 있습니다. 음반/CD 판매, 스트리밍, 라디오 방송, 커버 버전, 그리고 노래방과 같은 수많은 틈새시장에 이르기까지, "사용"의 의미에 대한 계약이 존재합니다. 이는 간단한 경제 원칙에 기반합니다. 즉, 어떤 것이 더 많이 사용될수록 더 많은 수익을 창출한다는 것입니다.
생성형 AI는 사용의 정의를 복잡하게 만들었습니다 . 한편으로는 음악 학습 데이터의 사용은 학습 시점에 단 한 번만 발생한다고 주장할 수 있습니다. 그러나 다른 한편으로는 창작자들이 자신의 작품의 창의적 본질이 모델 구조에 남아 모델이 결과물을 생성할 때마다 사용된다는 점에 대해 불만을 제기하는 것도 당연합니다.
현재 Sureel과 SoundVerse 같은 기업들은 AI 시대에 창의성을 고취하는 핵심 경제 원칙을 재창조하기 위해 노력하고 있습니다. 이러한 노력은 생성형 AI 산업을 "역사상 최대 규모의 저작권 침해 행위"라는 오명을 벗고, 성실한 예술가들과 조화롭게 공존하는 산업으로 탈바꿈시키는 것을 목표로 합니다.
AI 시대의 음악 저작권료
워너 뮤직 그룹이 최근 인수한 스타트업 수릴(Sureel )은 스웨덴 저작권청 STIM 과 협력하여 음악 창작자들이 자신의 음악이 생성형 AI 도구 학습에 사용될 때 수익을 얻을 수 있는 가능성을 모색하고 있습니다 . 수릴의 소프트웨어는 음악 파일과 같은 온라인 미디어에 소유자가 지정한 지침을 표시합니다. 이 지침은 AI 회사가 해당 미디어를 학습에 자유롭게 사용할 수 있는지, 특정 학습 데이터 세트에서 그 영향력을 제한할 수 있는지, 아니면 아예 사용하지 않을 수 있는지를 명시합니다. 그런 다음 소프트웨어는 AI 회사가 학습에 미디어를 어떻게 사용하는지 추적하고 그에 따라 라이선스 비용을 책정합니다.
한편, AI 음악 회사인 사운드버스(SoundVerse)의 설립자들은 2025년 백서 에서 “일회성 저작권료 지급은 불충분하며, AI 개발 과정 전반에 걸쳐 아티스트의 지속적인 참여를 지지한다”고 밝혔습니다 . 그들은 생성형 AI 시스템이 결과물을 만들어낼 때마다 특정 학습 데이터가 다른 데이터보다 더 큰 역할을 한다고 주장합니다. 예를 들어 시스템이 재즈와 유사한 음악을 생성한다면, 학습 데이터 세트에 포함된 재즈 데이터가 포크 음악 데이터보다 더 큰 영향을 미쳤을 가능성이 높다는 것입니다. 따라서 각 결과물에 대해 학습 데이터의 각 요소에 차등적인 보상을 제공할 수 있다는 것입니다.
수릴(Sureel)의 공동 사장인 벤지 로저스는 제게 "귀인 분석은 기존 경제학을 재현하는 것이 아닙니다. 기존 경제학이 근사치로만 측정했던 것을 처음으로 정확하게 측정하는 것입니다."라고 말했습니다.
그러한 영향 원인 규명은 단순히 훈련 데이터 포인트와 AI 출력 간의 유사성을 표면적으로 측정하는 것 이상을 요구합니다. 핵심 과제는 훈련 데이터와 학습된 AI 간의 인과 관계, 즉 인과관계를 밝혀내는 것이라고 Sureel의 CEO인 Tamay Aykut은 말합니다.
하지만 인공지능 산업이 그러한 목표를 달성한다 하더라도, 오히려 학습 데이터 저작권료를 극대화하기 위해 음악 제작을 부추길 가능성이 있습니다. 모든 창작 시장은 새로운 동기를 부여하지만(예를 들어 음악 스트리밍은 노래의 도입부를 짧게 만드는 경향을 가져왔습니다), 업계는 누군가가 역설계를 통해 모방한 음악으로 창작물의 저작권료를 가로채는, 쉽게 악용될 수 있는 또 다른 경제 구조를 원치 않을 것입니다.
특정 음악 작품이 생성된 음악 작품에 미치는 영향을 추론하는 것은, 설령 제대로 정의된 문제라 하더라도, 보다 고급 정보 이론적 원리를 적용하거나 개별 작품의 실제 역사적 역할과 영향력을 모델링하는 것을 포함할 수 있다. 아이쿠트는 신중하게 설계된 저작권 표시 시스템에서는, 오히려 독특하고 다듬어지지 않은 음악 작품들이 라디오 방송에서 흔히 사용되는 음악보다 더 큰 내재적 가치를 지닐 수도 있다고 주장한다.
STIM의 사업 개발 책임자인 사이먼 고치는 Sureel의 저작권 귀속 보고서가 음악가와 AI 기업 간의 라이선스 계약의 기반이 될 수 있는 방안을 검토 중이라고 밝혔습니다. 생성형 AI의 저작권 귀속 전략은 "인기가 높을수록 좋다"는 경제적 논리를 유지할 뿐만 아니라 음악적 실험과 다양성을 장려할 수 있을까요? 대중이 생성형 AI가 문화적 활력을 위협하고, 기술 기업에 권력을 집중시키며, 창작 노동자의 숙련도를 떨어뜨리고, 창작 분야의 수익을 감소시키고, 인터넷을 저질 콘텐츠로 가득 채울 것이라는 우려를 갖고 있는 현 상황에서 이는 매우 설득력 있는 발상입니다. 로저스는 "저작권 귀속은 우리가 가진 몇 안 되는 신뢰할 수 있는 도구 중 하나"라고 말합니다.
지금은 활기차고 지속 가능한 창조 산업에 도움이 되는 AI 학습 데이터 비용 지불 방식에 대해 논의하고 정립할 수 있는 기회가 열려 있습니다.
훈련 데이터 출처 표기의 기술적 문제는 복잡하고 명확하게 정의되지 않았습니다. 유사성 측정에 기반한 단순한 출처 표기 전략이 사람들이 저작권료를 챙기기 위해 특정 장르의 대표작을 역분석하도록 부추길 수 있는 것처럼, 독창성에 대한 정보 이론에 기반한 보다 복잡한 출처 표기 전략 또한 쉽게 악용될 수 있거나 인간의 문화적 생산물을 제대로 인정하지 못할 수 있습니다.
창작 종사자들에게는 아무리 좋은 의도라 할지라도 AI 기반 저작권 귀속 기술이 이미 그들이 지쳐 있는 복잡하고 불투명한 저작권 경쟁을 더욱 심화시킬 것이라는 우려가 충분히 존재합니다. 음악 AI 업계 내부에서도 회의적인 목소리가 나오고 있습니다. 소스오디오(SourceAudio)의 사장인 드류 실버스타인은 "저작권 귀속 기술이 가장 확실한 해답처럼 보이지만, AI 기술 자체에는 결함이 있기 때문에 다른 모델을 찾아야 한다"고 말합니다. 그는 학습 시점에 합의된 가격 또는 연간 반복 지불 방식의 간단한 협상 계약을 옹호합니다.
한편, 생성형 AI 혁명을 주도해 온 저작권 소송은 유니버설, 워너, 그리고 주요 AI 기업들이 저작권 동의 하에 모델 학습을 위해 협력하는 것과 같은 비공개 계약으로 점차 대체되고 있습니다 . 아직 확실한 것은 없지만 , 이러한 계약들은 향후 업계의 표준에 상당한 영향을 미칠 것으로 예상됩니다.
지금은 인공지능 학습 데이터에 대한 비용 지불 방식을 논의하고 정립하는 동시에 활발한 창조 산업을 유지할 수 있는 절호의 기회입니다. 정교한 엔지니어링 솔루션이 중요한 역할을 하겠지만, 이러한 솔루션은 당면한 과제의 문화적 복잡성을 고려하고, 훌륭한 디자인을 통해 공정성과 투명성을 확보해야 합니다.
AI 훈련의 효과를 극대화하기
Suno와 같은 단일형 생성 모델이 처음 기대만큼 신뢰성을 갖고 있는지는 아직 미지수입니다. AI를 활용한 많은 창작 활동 분야에서는 IRCAM의 RAVE 모델이나 Jen의 Style Filters처럼 인간의 특정 창작 욕구에 맞춘 소규모 맞춤형 모델에 대한 관심이 다시금 높아지고 있습니다 . 한편, 보다 주류적인 "최종 사용자" 창작 애플리케이션은 팬 참여에 초점을 맞추는 방향으로 나아가고 있는 듯합니다. 디즈니와 협상 중이던 OpenAI가 Sora 프로젝트를 갑자기 포기한 사례와 유니버설 과의 계약 이후 Suno가 아티스트의 작품을 직접 활용하는 팬 참여 경험 구축에 집중하는 모습 은 창작 AI 분야의 초기 문제점을 보여줍니다.
더 작고 특정 분야에 특화된 모델과 애플리케이션으로의 전환은 창작자 간의 협력을 위한 더 많은 여지를 제공할 것입니다. 예를 들어, 음악가 집단은 함께 모여 더 작은 맞춤형 모델의 학습 데이터를 제공할 수 있으며, 수익 분배는 균등하게 이루어지거나 다른 공정성 원칙에 기반할 수 있습니다.
서로 다른 데이터 소스를 훈련 과정의 각 단계에서 사용하는 하이브리드 모델 아키텍처 및 구조화된 훈련 방식, 그리고 결과 개선을 위해 컨텍스트별 정보를 훈련 데이터에 혼합하는 검색 증강 생성 방식에서도 마찬가지일 수 있습니다. 결과는 다소 떨어지더라도 더 공정하고 투명한 저작권 귀속 방식을 가능하게 하는 접근 방식이, 더 높은 로열티 수익과 명확한 크레딧을 제공하여 창작자들의 참여를 유도한다면 오히려 더 성공적일 수 있습니다.
또한, 아무리 정교한 저작권 귀속 알고리즘이라 할지라도 결국에는 인간의 판단에 기반을 두게 되는데, 그 판단은 현명하고 공정한 것부터 자의적이고 부패한 것까지 다양합니다. 음악 업계 관계자에게 녹음 및 작곡 저작권료 분배 비율이 어떻게 결정되는지 물어보면 장황한 답변을 듣게 될 것입니다. 최선의 경우, 학습 데이터 귀속 시스템은 창조 및 문화 분야를 공정하고 활기차게 만드는 요소에 대한 공개적이고 정보에 입각한 논의를 가능하게 할 것입니다. 최악의 경우, 이미 불투명한 사적 계약을 복잡한 블랙박스 안에 감추는 결과를 초래할 것입니다.
바로 이 지점에서 국가 정책이 매우 중요합니다. 로저스는 "출처 표기는 다층적이고 감사 가능해야 하며, 전문가와 규제 기관의 검토를 받을 수 있어야 한다"고 말합니다. 이러한 정책을 수립하려면 컴퓨터 과학, 음악학, 법학, 경제학 등 다양한 분야의 전문 지식이 필요합니다. 인공지능 경쟁력을 갖춘 정부는 이러한 목적을 달성하는 기관을 지원함으로써 문화 및 창조 산업을 육성할 수 있을 것입니다.
가장 신자유주의적인 경제 체제조차도 공공 예술 기금 지원이나 지역 라디오 방송 음악 할당제와 같은 조치를 통해 문화적 표현을 지속 가능하게 유지하기 위해 시장 메커니즘을 넘어 다른 방안을 모색합니다. 생성형 AI가 창조 산업에 미치는 경제적 영향이 구체화됨에 따라, 과세, 재분배, 그리고 문화 인프라에 대한 적극적인 지원이 긍정적인 사회적 결과를 가져오는 가장 효과적인 방법일 수 있습니다. 대규모 AI에 세금을 부과하고 그 수익을 산업 발전에 기여한 창작자들에게 재분배하는 것 또한 일종의 "AI 귀속 전략"이라고 할 수 있습니다.
치솟는 물가 ..."금수박에 만원으로 계란 한판도 못 사" Soaring prices
https://conpaper.blogspot.com/2026/06/soaring-prices.html
%20AI_00002.jpg)
댓글 없음:
댓글 쓰기