Revisar nuevas subidas para detectar AI es la parte fácil: todas las pistas ya pasan por un filtro, así que agregas un escaneo al filtro. El catálogo anterior es la parte difícil. Puede que tengas decenas de miles de pistas ya disponibles, que ya generan ingresos y están sujetas a contratos, y no puedes pausar la entrega para revisarlas. Aquí tienes un flujo de trabajo que funciona discretamente en segundo plano.
Escanea junto con la entrega, no dentro de ella
Procesa el catálogo con una API de detección (interfaz de programación de aplicaciones) como un trabajo por lotes independiente, no a través de tu proceso de entrega en vivo. Nada queda retenido, nada se retira automáticamente y ninguna pista que genera ingresos se detiene mientras trabajas. Estás creando una lista de riesgos, no un bloqueo.
Ordena por puntuación y empieza por arriba
Un detector devuelve una probabilidad para cada pista. Ordena todo el catálogo según ese número, de mayor a menor, y empieza a escuchar por arriba. El propósito de una puntuación por pista es que unas pocas pistas con AI no puedan esconderse en un catálogo de 50,000 pistas: cada una tiene su propio valor, así que las más problemáticas aparecen por sí solas. Nuestra guía sobre cómo funciona la detección de música con AI y cómo interpretar un veredicto explica qué indica esa puntuación y qué no.
Clasifica por niveles, nunca elimines en masa
- Nivel superior: escucha, revisa los metadatos y cualquier declaración sobre el uso de AI, y decide caso por caso.
- Nivel intermedio: revisa una muestra antes de confiar en el lote.
- Nivel bajo: déjalo como está.
Nunca elimines contenido en bloque basándote solo en una puntuación. Los detectores fallan con grabaciones muy procesadas o antiguas, como vimos cuando los detectores señalaron el álbum de un compositor humano y grabaciones de la década de 1980. Una eliminación masiva convierte un falso positivo en un lanzamiento retirado y un artista furioso.
Registra el escaneo junto con el lanzamiento
Guarda la puntuación, la versión del modelo y la hora del escaneo asociadas a cada pista a medida que avanzas. Cuando una tienda consulte un catálogo para detectar AI, ya tendrás los fundamentos de cada decisión que tomaste. Ese registro también es la base de la guía de políticas que todo distribuidor debería dejar por escrito antes de que empiecen a llegar las consultas.
Empieza donde el riesgo es mayor
No tienes que escanear todo el catálogo de una vez, y no deberías tratar todas las pistas como si tuvieran la misma probabilidad de ser sintéticas. Empieza por los lanzamientos que implican más riesgo: incorporaciones recientes, cuentas de usuarios que suben grandes volúmenes y cualquier catálogo que hayas adquirido en bloque en lugar de firmar pista por pista. Es ahí donde suele concentrarse la AI no declarada. Un detector que puntúa pistas nuevas sin una copia de referencia te permite revisarlas en orden de prioridad, lote por lote, en lugar de congelar toda la biblioteca detrás de un único trabajo enorme. A medida que mejoran los modelos de detección, volver a escanear a bajo costo los niveles de mayor riesgo permite detectar lo que pasó por alto un modelo anterior, sin tocar las pistas que ya pasaron sin problemas.
Elige una herramienta diseñada para grandes volúmenes
La revisión de catálogos requiere un tipo específico de detector: uno que puntúe pistas completamente nuevas sin necesitar una copia de referencia archivada, acepte los formatos en los que se guardan tus másteres y funcione mediante una API a la que puedas enviar miles de archivos a la vez. SEAM, creado por The InterSpace Group (que también publica InterSpace Daily), no necesita tener una copia de la canción archivada y escanea la mayoría de las pistas en unos segundos. Sus primeros 1,000 escaneos son gratis, lo que basta para probar el flujo de trabajo con tus lanzamientos de mayor riesgo antes de comprometerte. Elijas la herramienta que elijas, la prueba es la misma: ¿puede funcionar junto con la entrega, a escala de catálogo, sin detener una sola pista que genere ingresos?
