Sony et UMG poursuivent Suno pour « model laundering » du modèle v6

Contexte juridique

Le 25 septembre 2026, Sony et Universal Music Group (UMG) ont déposé une nouvelle plainte contre Suno, start‑up spécialisée dans la génération musicale par IA. Les deux majors affirment que Suno n’a jamais signé d’accord de licence avec elles et que son modèle v6 continue d’utiliser des enregistrements protégés par le droit d’auteur. La plainte, rendue publique via The Verge, décrit le processus comme du « model laundering », c’est‑à‑dire le recyclage d’un modèle déjà contaminé par des données illicites.

Technique du modèle v6

Selon les déclarations de Jack Brody, directeur de Suno, le v6 aurait été « trained from the ground up, with a new set of data », incluant notamment des « user data ». La société ne précise pas la proportion exacte de ces contributions, mais indique que les créations générées par les utilisateurs des versions antérieures ont servi de corpus d’entraînement. En outre, Suno aurait employé la technique de distillation : un modèle « teacher » (les versions précédentes) transmet ses connaissances à un modèle « student » (v6) afin d’accélérer l’apprentissage tout en réduisant la taille du réseau.

Analyse de l'accusation de « model laundering »

L’accusation repose sur deux points techniques. Premièrement, même si le v6 n’est pas entraîné directement sur les enregistrements de Sony ou d’UMG, il serait « informed by, and benefits from, Suno’s retained unauthorized copies ». En pratique, la distillation copie les fonctions de sortie du modèle teacher ; si le teacher a été entraîné sur des morceaux piratés, le student reproduit implicitement ces biais. Deuxièmement, l’inclusion de créations d’utilisateurs, elles‑mêmes potentiellement dérivées d’œuvres protégées, crée une chaîne de provenance de données où chaque génération successive hérite du contenu original non licencié. Le terme « model laundering » souligne que le simple fait de ré‑entraîner un modèle ne « nettoie » pas les violations sous‑jacentes.

Implications et limites

Sur le plan juridique, la plainte élargit la notion de contrefaçon aux modèles d’IA qui ne sont pas directement exposés à des fichiers protégés mais qui apprennent de leurs sorties. Cette interprétation pourrait contraindre les développeurs d’IA à documenter exhaustivement chaque étape de la chaîne d’entraînement, y compris les données générées par les utilisateurs. Techniquement, la défense de Suno repose sur l’absence de transparence : la société n’a pas fourni de métriques sur la part de données externes versus internes, ni sur les filtres de détection de contenu protégé appliqués avant la distillation. Sans ces informations, il reste difficile d’évaluer l’impact réel du « model laundering ». Enfin, le recours à la distillation, bien que courant pour réduire la complexité des modèles, soulève la question de la traçabilité des poids et des fonctions d’activation, qui pourraient servir de preuve d’une contamination persistante.