퀵실버의 37KB 분류기: Suno와 Udio만 잡는다

이제 일반 청취자도 곡을 듣는 도중 기계가 만든 트랙인지 바로 표시할 수 있습니다. 오디오 엔지니어링도, 업로드도 필요 없고 버튼 하나면 됩니다. 시카고대학교에서 나온 무료 도구는 AI 음악의 출처 확인을 한 번의 클릭으로 묻는 일로 만들려 합니다.

Quicksilver는 이렇게 작동합니다: 30초 재생하고 판정을 받습니다

Quicksilver는 컴퓨터에서 스트리밍되는 오디오를 실시간으로 분석해 AI 생성 음악을 감지하는 무료 브라우저 확장 프로그램이자 macOS 앱입니다. 설치한 뒤 YouTube, Spotify, Apple Music 등 어떤 스트리밍 서비스에서든 트랙을 재생하고 "Analyze" 버튼을 누르면 됩니다. 확장 프로그램은 약 30초 분량의 오디오를 듣고 "Likely AI" 또는 "Likely Non-AI"라는 이분법 판정과 함께 신뢰도 값을 반환합니다 . 계정을 만들 필요도, 설정할 것도 없습니다. 설치하고 클릭하는 흐름입니다.

개발자들이 가장 먼저 눈여겨볼 부분은 프라이버시 설계입니다. 모든 분석은 로컬에서 실행되며, 오디오는 외부 서버로 업로드되지 않습니다. 클라우드 기반 감지기와 의도적으로 대비되는 방식입니다 . 한 번 검사하려면 약 30초 동안 끊김 없이 재생해야 합니다. 사용할 수 있는 곳은 Chrome Web Store와 Microsoft Edge Add-ons store이며, 브라우저 밖 시스템 수준 오디오를 다루는 별도 독립형 macOS 앱도 있습니다 .

이 도구는 2026년 5월 21일 공개되었으며, UChicago의 SAND Lab(Security, Algorithms, Networking and Data)이 같은 연구실 책임자들이 출범시킨 비영리단체 ETCH와 협력해 만들었습니다 . 이 배경은 중요합니다. 이들은 동의 없는 AI 학습으로부터 예술가의 작업물을 보호하는 방어 도구인 Glaze and Nightshade를 만든 그룹이며, 해당 도구들은 160개 이상 국가에서 1,300만 회 넘게 다운로드되었습니다 . 주 개발자는 대학원생 Stanley Wu이며, SAND Lab 공동 책임자인 Ben Zhao, Heather Zheng과 함께 작업했습니다.

Wu는 동기를 이렇게 설명합니다.

"Given that there is so much AI music out there, and that normal users can't tell the difference, giving users a tool to identify these AI songs was a very natural solution," — Stanley Wu, graduate student, UChicago SAND Lab (source: CBS News Chicago).

30초 청취, 37KB 분류기

Quicksilver에서 기술적으로 놀라운 지점은 실제 작업을 수행하는 모델의 크기입니다. 약 37KB에 불과합니다. 보통 메가바이트, 때로는 수백 메가바이트 단위의 가중치로 배포되는 일반적인 오디오 ML 분류기보다 몇 자릿수나 작습니다. 이 작은 크기 자체가 핵심입니다. 37KB 모델은 WebAssembly 런타임이나 네이티브 헬퍼 프로세스를 띄우지 않고도 브라우저 탭 안에서 캡처한 약 30초 분량의 오디오를 동기적으로 처리할 만큼 작고, 그 오디오를 기기 밖으로 내보내지 않아도 됩니다. 모든 추론은 로컬에서 이루어지며, 연구팀이 강조하는 프라이버시 특성이 바로 여기에 있습니다 (source: UChicago News, 2026-05).

방법론이 완전히 새로 발명된 것은 아닙니다. 이 감지기는 Deezer가 AI 생성 음악을 식별하기 위해 발표한 접근법을 기반으로 만들어졌고, 프랑스 스트리밍 플랫폼인 Deezer는 개발 과정에서 연구팀에 우호적인 피드백을 준 것으로 전해졌습니다 (source: ETCH, 2026-05). 핵심 아이디어는 생성 합성 파이프라인이 통계적 지문을 남긴다는 것입니다. 오디오가 구성되는 방식에 나타나는 규칙성이 인간의 연주와 일반적인 스튜디오 제작 과정에서 생기는 노이즈, 미세한 타이밍 변화와 다르다는 뜻입니다. 녹음된 연주자의 프레이징은 흔들리고 실제 신호 체인은 고유한 불규칙 아티팩트를 더하지만, 생성기의 출력에는 그것이 조립된 방식의 잔여물이 남습니다. 이 분류기는 사람이 귀로 이름 붙일 수 있는 무언가가 아니라 바로 그 잔여물을 듣도록 조정되어 있습니다.

이것이 블랙박스가 아니라 들여다볼 수 있는 도구가 되는 이유는 코드가 GitHub에 오픈소스로 공개되어 있기 때문입니다 (source: ETCH, 2026-05). 아키텍처, 가중치 형식, 30초짜리 파형을 모델이 점수화할 입력으로 바꾸는 특징 추출 단계까지 모두 읽고, 감사하고, 포크할 수 있습니다. 개발자에게는 headline 정확도 수치보다 이것이 더 중요합니다. 공개된 37KB 분류기는 실제로 분해해서 어떤 스펙트럼 또는 시간적 특징을 기준으로 판단하는지 살펴보고, 자신의 오디오로 테스트하고, 확장할 수 있는 대상입니다. 또한 출처 감지를 독점 클라우드 API로 취급하는 대신 같은 감지 로직을 서버 측 검사, 오디오 카탈로그용 CI 단계, 별도 클라이언트 같은 다른 표면에 통합할 문턱도 낮춥니다.

자체 발표 98%: 왜 신중하게 봐야 하나

Quicksilver의 대표 정확도 수치는 독립 벤치마크가 아니라 팀 자체 테스트 스위트에서 나온 것이다. 그래서 확정된 결과라기보다 출발점이 되는 주장으로 보는 편이 맞다. 이 프로젝트는 AI 생성 곡을 약 98%의 비율로 탐지하고, 오탐률은 0.02% 미만이라고 보고한다 . 하지만 이 수치는 2026년 5월 21일 릴리스와 함께 공개된 것이며 , 동료 심사 논문이나 공개 리더보드 항목으로 확인된 바는 없다. 모델 제작자가 직접 발표한 지표는 이 도구가 할 수 있을지 모르는 최대치를 보여줄 뿐, 실제 환경에서 최소한 그만큼 해낸다는 보장은 아니다.

이 간극은 경계 사례에서 가장 중요해진다. 공개 자료는 모델 평가 데이터에서의 정확도를 설명하지만, 복잡하게 레이어링된 프로덕션, 라이브 녹음에 AI 생성 스템을 섞은 경우, 기계 생성 오디오를 인간의 후처리로 다시 가공한 리믹스에 대해서는 아무 말도 하지 않는다 . 0.02% 미만의 오탐률은 강력한 주장이다. 바로 그래서 깨지기도 쉽다. 테스트 세트에서 충분히 다루지 못한 특이한 마스터링 체인 하나나 장르 하나만으로도 그 수치는 몇 자릿수씩 달라질 수 있다. 누군가 오픈소스 분류기를 다양하고 외부에서 선별한 코퍼스에 돌려보기 전까지, 장르별 동작은 문서화되지 않은 상태다.

분야 전환 문제도 직접 짚을 필요가 있다. SAND Lab은 이미지 적대적 머신러닝 분야에서 Glaze와 Nightshade로 명성을 얻었고, 두 도구는 160개국 이상에서 1,300만 회 넘게 다운로드됐다 . 그 이력은 분명 의미가 있다. 하지만 오디오 포렌식은 별도의 분야이며, 코덱 압축, 리샘플링, 타임 스트레칭에 대한 견고성처럼 정지 이미지 공격과 깔끔하게 대응되지 않는 평가 규범을 갖고 있다. 방법론은 AI 음악 탐지에 관한 Deezer의 연구 접근을 바탕으로 했고, 플랫폼 측의 긍정적 피드백도 있었다고 한다 . 하지만 연구 수준의 피드백은 채택되고 감사까지 거친 라벨링 표준과 같지 않다. 믿을 만한 해석은 이렇다. 신뢰할 수 있는 연구실에서 나온 유망한 수치이지만, 개발자가 프로덕션에서 믿고 쓰려면 독립 벤치마크가 아직 필요하다.

Suno v5와 Udio v1.5: 분류기가 배운 범위

Quicksilver의 정확도 주장은 의도적으로 좁게 정한 경계 안에서만 적용된다. 이 분류기는 2026년 초 기준 양대 상업용 음악 생성기인 Suno v5와 Udio v1.5의 출력만으로 학습됐다 . 정확한 학습 범위를 아는 일은 대표 퍼센트보다 더 중요하다. 개발자에게 모델이 실제로 본 것이 무엇인지, 그리고 한 번도 보지 못한 것이 무엇인지 정확히 알려주기 때문이다.

애초에 도구 보조 접근이 필요한 이유는 인간 쪽의 탐지 격차가 측정되기 때문이다. 팀이 인용한 연구에 따르면 전문 음악가조차 AI 생성 트랙과 인간 제작 트랙을 구분할 때 우연보다 약간 나은 수준에 그친다 . 훈련된 귀로도 차이를 안정적으로 듣지 못한다면, 자동 아티팩트 탐지기는 중복된 기능이 아니라 합리적인 출처 신호가 된다.

문제의 규모는 이 도구가 나온 시점을 설명해준다. 2024년 이후 AI 생성 곡은 스트리밍 플랫폼에 급증했고, 이제 새로 업로드되는 트랙의 거의 절반을 차지한다. 다만 대부분은 재생 수가 매우 적으며, 팀은 이를 "AI slop"이라고 부른다 . 참여도가 낮은 기계 생성물이 대량으로 쏟아지는 환경이야말로, 가볍고 청취자에게 직접 보이는 분류기가 제 역할을 하는 곳이다.

실무적으로는 팀이 솔직하게 밝힌 명확한 적용 범위와 비적용 범위가 생긴다.

설계 논리는 방어할 만하다. 37KB 모델을 실제 청취자가 가장 많이 마주치는 생성기의 아티팩트에 집중시키고, 다른 곳의 사각지대는 받아들이는 방식이다. 하지만 같은 논리가 모델의 취약성도 드러낸다. 이 모델의 역량은 특정한 두 제품 버전에 고정되어 있다. Suno나 Udio가 새 릴리스를 내놓는 순간, 학습 대상은 분류기 아래에서 이동한다. 바로 그 재학습 압박을 다음 섹션에서 살펴본다.

DiffRhythm, ACE-Step, 우회 기법: 분류기가 닿지 못하는 영역

Quicksilver의 사각지대는 예외적인 사례가 아니라 하나의 범주에 가깝다. 연구팀은 이 탐지기가 Suno v5와 Udio v1.5로 학습됐으며, DiffRhythm이나 ACE-Step 같은 오픈소스 생성기는 안정적으로 표시하지 못한다고 명확히 밝힌다 . Stable Audio, MusicGen처럼 오픈소스 계층에 속한 다른 모델까지 포함해, 이런 모델들은 분류기가 학습한 두 상용 시스템과 다른 음향 지문을 낸다. 이들 중 하나로 만든 트랙은 실제 양성 판정보다 “Likely Non-AI”로 돌아올 가능성이 더 크다. 학습 대상 밖에서 생성된 것이라면, 거짓 음성은 이상 현상이 아니라 예상되는 결과다.

적용 범위도 콘텐츠 유형에 따라 제한된다. Quicksilver는 생성된 음악을 위해 만들어졌으며, 연구팀은 오디오 딥페이크와 순수 음성 합성을 탐지 대상에서 명시적으로 제외한다 . 복제 음성이나 합성 내레이션에 이 도구를 적용하는 것은 설계 범위를 벗어나며, 그때 나오는 판정에는 의미 있는 무게를 두기 어렵다.

의도적인 우회도 문제다. 연구진은 이 분류기가 탐지를 피하려는 오디오 조작에 강건하지 않다고 인정한다 . 피치 변환, 시간 늘이기, 고주파 노이즈 삽입 같은 흔한 변환은 청자가 듣는 내용은 거의 바꾸지 않으면서도 모델이 근거로 삼는 아티팩트를 흔들 수 있다. 적대적 강건화가 적용되지 않았기 때문에, 트랙의 출처를 세탁하려는 업로더에게는 저렴하고 잘 알려진 선택지가 있다.

개발자에게 이런 빈틈은 Quicksilver가 무엇이고 무엇이 아닌지를 규정한다. 이 도구는 대부분의 청자가 접하는 두 생성기에 대해 온디바이스에서 무료로 출처 단서를 제공하는 장치다. 조정이나 컴플라이언스 계층은 아니다. 37KB 분류기를 수집 파이프라인의 관문으로 붙이면 Suno와 Udio 업로드는 걸러낼 수 있겠지만, 오픈소스 출력물은 그대로 통과시키고 사소한 우회에도 무너진다. 프로덕션에서 쓰려면 훨씬 더 넓은 말뭉치로 재학습하고 우회를 고려한 데이터 증강을 해야 한다. 오픈소스 GitHub 릴리스는 그런 작업을 유도하지만, 배포된 모델은 아직 그 수준에 이르지 못했다 .

생성기가 바뀌면 재학습은 필수가 된다

더 어려운 문제는 시간이다. Quicksilver는 스냅샷 분류기다. Suno v5와 Udio v1.5가 남기는 특정 아티팩트에 맞춰 조정돼 있으며 , 두 생성기 모두 몇 달마다 주요 버전을 내놓는다. 새 릴리스가 나올 때마다 37KB 모델이 포착하는 노이즈와 후처리 시그니처가 달라지므로, 공급사가 분류기가 한 번도 본 적 없는 업데이트를 내보내는 순간 탐지 정확도는 떨어진다. 따라서 2026년 5월 21일에 공개된 도구 는 움직이는 대상이 아니라 고정된 대상에 대해 정확한 셈이다.

현실적인 완화책은 오픈소스 GitHub 릴리스다. 코드와 접근 방식이 공개돼 있기 때문에 , 최신 Suno나 Udio 출력물을 수집하는 팀은 공식 SAND Lab 릴리스를 기다리지 않고도 최신 버전으로 분류기를 재학습하고 갱신된 가중치를 기여할 수 있다. 이렇게 하면 라벨이 붙은 말뭉치를 가진 누구에게나 재학습 부담이 분산된다. 이는 연구실의 이전 도구인 Glaze와 Nightshade가 160개국 이상에서 1,300만 회가 넘는 다운로드에 도달할 때 의존했던 감사 및 확장 모델과도 같다 .

플랫폼의 관심은 있지만 도입으로 이어지지는 않았다. Deezer는 연구팀에 우호적인 연구 피드백을 제공하고 탐지 방법론 형성에 영향을 준 것으로 알려졌지만 , 2026년 5월 현재 Spotify, Apple Music, YouTube 같은 주요 스트리밍 서비스는 Quicksilver를 공식 라벨링 메커니즘으로 채택하지 않았다 . 현재 출처 신호는 플랫폼 자체의 수집 파이프라인이 아니라 브라우저 확장 프로그램이라는 클라이언트 측에 머물러 있다.

개발자에게 남는 아키텍처상의 질문은 아티팩트 기반 탐지가 군비 경쟁 속에서도 확장될 수 있느냐다. 37KB 분류기가 작동하는 이유는 바로 오늘날의 생성기들이 탐지 가능한 지문을 남기기 때문이다. Suno와 Udio가 노이즈 모델링과 후처리를 개선해 더 인간처럼 들리게 만들수록 그 지문은 옅어지고, 작은 아티팩트 탐지기는 신호 자체를 잃을 수 있다. 결국 본질적으로 더 큰 모델로 옮겨가야 할 수도 있다. 구체적인 결론은 이렇다. Quicksilver를 영구적인 신탁이 아니라 작동하는 참조 구현이자 재학습 파이프라인으로 다뤄야 한다. 개발자에게 이 도구의 가치는 공개된 코드베이스와 솔직한 적용 범위에 있으며, 둘 다 정확도를 유지하려면 지속적인 유지보수가 필요하다는 전제를 깔고 있다.

자주 묻는 질문

Quicksilver는 Spotify, Apple Music, YouTube Music에서도 작동하나요?

네. Quicksilver는 어떤 스트리밍 서비스가 재생 중이든 브라우저 안의 탭 오디오를 캡처하므로 YouTube, Spotify, Apple Music, YouTube Music에서 모두 같은 방식으로 작동합니다. 트랙을 재생하고 Analyze를 누른 뒤, 판정이 나오기 전까지 약 30초 동안 끊김 없이 들려주면 됩니다 . 브라우저 밖에서 재생되는 소스의 경우, 별도의 독립형 macOS 앱이 탭 오디오 대신 시스템 수준 오디오를 처리합니다 .

98% 정확도 수치는 독립적으로 검증됐나요?

아닙니다. 보고된 약 98% 탐지율과 0.02% 미만의 오탐률은 외부 자료가 아니라 프로젝트 측이 공개한 자체 테스트 자료에서 나온 수치입니다 . 2026년 5월 21일 공개 시점 기준으로 이 수치를 확인해 주는 동료심사 논문, 제3자 리더보드, 독립 감사는 없습니다 . 장르, 리믹스, 더 최신 생성기 버전 전반에서의 실제 성능이 팀 외부의 누군가에 의해 측정되기 전까지는 업체가 보고한 수치로 봐야 합니다.

후처리로 Quicksilver를 피할 수 있나요?

네. 팀은 이 분류기가 탐지를 피하려는 의도적인 조작에 강건하지 않다고 명확히 밝히고 있습니다 . 피치 변경, 타임 스트레칭, 노이즈 추가, 강한 재인코딩은 모델이 겨냥하는 스펙트럼상의 흔적을 흐릴 수 있고, 실제로 AI가 생성한 트랙도 "Likely Non-AI" 판정 쪽으로 밀릴 수 있습니다. 이 탐지기는 생성기별 지문을 기준으로 삼기 때문에, 그런 패턴을 뭉개는 변환은 무엇이든 신뢰도를 낮춥니다.

Quicksilver가 DiffRhythm이나 ACE-Step의 AI 음악도 잡아내나요?

아니요, 안정적으로 잡아내지는 못합니다. Quicksilver는 Suno v5와 Udio v1.5에 맞춰 학습됐고, 팀도 DiffRhythm이나 ACE-Step 같은 오픈소스 생성기는 안정적으로 탐지하지 못한다고 명시합니다 . 이런 모델들은 학습 분포 밖에 있으므로, 믿을 만한 적발보다는 미탐을 예상하는 편이 맞습니다. 또한 오디오 딥페이크나 순수 음성 합성도 처리하지 않습니다 .

Quicksilver 분류기를 제 파이프라인에 넣어 쓸 수 있나요?

네. 코드는 GitHub에 오픈소스로 공개되어 있으며, 보고된 모델 크기가 37KB라 브라우저 확장 프로그램 안이나 서버 측에서 의미 있는 오버헤드 없이 실행할 수 있을 만큼 작습니다 . 배포 전에 유의할 점은 두 가지입니다. 범위가 좁고(Suno v5와 Udio v1.5만 해당), 방법론이 Deezer의 탐지 연구를 기반으로 하므로 생성기 버전이 바뀔 때 재학습을 계획해야 합니다 . 일회성 통합이 아니라 지속적인 유지보수 비용을 잡아두는 편이 좋습니다.