國內(nèi)首個音樂ChatGPT來了!提前試用「天工SkyMusic」后，整個編輯部暴風(fēng)式哭泣:它改編的周杰倫和鳳凰傳奇簡直封神。團隊選擇了一條少有人走的路，他們賭贏了:比OpenAI提前押中了Sora架構(gòu)，并且首次在業(yè)內(nèi)公開技術(shù)圖。

　　最近幾周的震撼，是Suno給的。

　　重磅升級的Suno V3，不斷有刷屏全網(wǎng)的「神曲」誕生，讓全世界為之瘋狂。

　　誰能想到，音樂的ChatGPT時刻，竟然就這么來了。

　　圈內(nèi)所有人都在討論:這一波，音樂產(chǎn)業(yè)沒準要被AI一鍋端了。

　　國內(nèi)首款音樂AI來了!

　　這不，就在上周，國內(nèi)首款A(yù)I音樂生成大模型「天工SkyMusic」也正式開啟內(nèi)測了!

　　各路「大神」已經(jīng)開始在首頁秀創(chuàng)作了

　　沒有靈感怎么辦?產(chǎn)品頁面甚至為你配備好了靈感話題。

　　試玩一番后，小編再次體會了一遍，當(dāng)初Suno給人的那種驚艷感。

　　初體驗:一秒夢回80年代，人聲以假亂真

　　比如這首《古韻悠長》，清亮的女聲一開口，瞬間夢回80年代，是我媽跳廣場舞的那個feel了。

　　這首《愛是幸福》，更是好聽到讓小編驚掉下巴。旋律朗朗上口，歌詞雋永又令人無限回味，細聽有一股蔡健雅的味道。

　　除了歌曲整體的音樂品質(zhì)非常高，極具欣賞價值之外，「天工SkyMusic」的最大亮點之一，就是它清晰逼真的人聲。

　　要知道，人聲合成，是AI音樂生成中最重要、最能體現(xiàn)生成效果和品質(zhì)的維度。

　　而「天工SkyMusic」的AI人聲合成，能夠產(chǎn)生中文水平極高、發(fā)音清晰的歌聲，展現(xiàn)出卓越的音頻質(zhì)量和逼真的演唱效果，已經(jīng)達到業(yè)內(nèi)SOTA水平!

　　在這方面，「天工SkyMusic」可是爆殺了幾個外來大模型。他們在中文發(fā)音上，簡直是慘不忍睹沒眼看。

　　比如Suno的這首《宮保雞丁》，唱起中文歌來也是老外說中文那味兒。

　　可見，要想做中文歌，還得看咱自己的音樂大模型!

　　可控性，音樂人的專業(yè)指標

　　接下來，我們就得上一些專業(yè)指標了。

　　歌詞段落

　　一首歌為什么能夠爆紅全網(wǎng)，火遍大江南北?

　　從流行音樂的角度，它需要有強烈的旋律、鮮明的節(jié)奏、多彩的和聲、激昂的情感。

　　因此，想要做出一首抓耳的流行歌，不同歌詞段落間微妙的情緒變化，就是一個很關(guān)鍵的點。

　　而「天工SkyMusic」在這方面，就格外擅長——

　　它能通過歌詞來控制歌曲，體現(xiàn)出主歌和副歌、前奏和主歌的段落差異。

　　比如這首《龍行龘龘》，開頭悠揚的女聲民歌和激昂揚的男女聲對唱部分形成鮮明對比，一首大氣磅礴的國風(fēng)歌曲渾然天成。

　　風(fēng)格

　　在風(fēng)格控制上，它可以參考指定音頻，學(xué)習(xí)特定特定的曲風(fēng)。

　　它創(chuàng)作的這首《飛翔鳥》，聽起來非常像學(xué)習(xí)了許巍的民謠風(fēng)。

　　自動前奏、間奏、尾奏

　　音樂制作人時常面臨的一個問題是，已經(jīng)有了合適的歌曲，但缺少前奏和尾奏，絞盡腦汁也找不到合適的。

　　這時候，就可以找「天工SkyMusic」幫忙了。它補充完整的這首《Guitar》，慵懶隨意的唱腔搭配恰到好處，聽起來非常治愈。

　　和聲

　　根據(jù)歌詞描述，「天工SkyMusic」給這首《水調(diào)歌頭》自動添加上了和聲。

　　幾個男聲的和聲和主唱的音色十分契合，再結(jié)合節(jié)奏鮮明的鼓點，一首旋律激昂大氣的國風(fēng)《水調(diào)歌頭》就這樣誕生了。

　　歌詞技巧

　　而且，模型還可以參考音頻的特征，智能地學(xué)習(xí)演唱技巧。

　　比如這首歌劇版的《我的滑板鞋》，就演繹出了別樣的風(fēng)味。

　　王者榮耀、周杰倫、鳳凰傳奇，你想要的它都有

　　時下的流行icon，怎么和流行音樂融合?如果找對了叩擊大眾心弦的那個點，抖音神曲并不是一件難事。

　　「天工SkyMusic」，讓這一切都成為可能。

　　輸入帶有結(jié)構(gòu)的歌詞+參考音頻，就能把自己玩王者榮耀的體驗寫出一首歌了:「我真的氣死了，skr skr~」

　　我今天打開王者榮耀選趙云

　　開局后我走到哪里都被爆殺

　　我真的氣死了只能躲在草叢

　　或者，我們還可以根據(jù)已有的歌詞進行二創(chuàng)。

　　比如輸入《彩虹》的歌詞，再錄一段《最長的電影》主歌和副歌30s的音頻做參考，兩首歌「生出」的一首新歌就誕生了:

　　聽得出來，部分旋律還是有可圈可點之處的。

　　再用蕾哈娜的《Diamonds》的詞，配上霉霉維密秀震撼神曲《See You Again》試試?

　　出來的「混血」女聲英文歌是這樣的:

　　AI版Diamonds，新智元，54秒

　　唱腔控音極好，高低音轉(zhuǎn)換流暢，其中幾句的多處轉(zhuǎn)音頗為神奇，值得細品。在人類作曲家中似乎很少聽到這么「鬼才」的旋律組合，這就是來自AI的巧思吧。

　　而且非常神奇的是，歌曲的唱腔忽然就變得像蕾哈娜了，跟霉霉的嗓音并不像。

　　接下來，讓我們來爆改一下鳳凰傳奇的《最炫民族風(fēng)》，不過跟剛才不同的是，這次輸入的都是原歌詞和原曲，讓它自我「整改」一下。

　　出來的，是另一種感覺的廣場舞神曲。

　　不僅如此，我們甚至還可以把突發(fā)的熱點事件，分分鐘變成一首爆款潛力股。

　　說唱版熱梗「高速運轉(zhuǎn)的機械」了解一下:

　　那么，「天工SkyMusic」是怎么做到如此驚艷的效果呢?

　　為此，我們最近特地找到初創(chuàng)團隊的大佬聊了聊。

　　走少有人走的路

　　MIDI or 音頻?破釜沉舟

　　相信大家心里都有一個疑問:怎么以前沒有好聽的音樂AI，最近才扎堆冒出來呢?

　　當(dāng)然是因為——它非常難!

　　好的AI音樂難做，一個原因是此前主流的符號派(MIDI)技術(shù)效果太差;還有一個原因，就是過往的音樂AI基本都在無人聲的BGM領(lǐng)域，有人聲的Song要么做不出來，要么效果也是很差。

　　一首歌有人聲和無人聲的吸引力程度差別有多大，不言自明。

　　具體來說，AI音樂生成有兩大主要技術(shù)路徑，符號派、大模型派。

　　符號派以MIDI為主流。MIDI全稱Musical Instrument Digital Interface，本身不包含音頻文件，而是記錄音樂演奏的指令，比如哪個音符被播放、音量是多少、音符持續(xù)的時間等。

　　因為不能直接生成歌曲，后期還需加上樂器、旋律、音色、人聲。

　　第二條大模型音樂音頻生成路線，能夠直接學(xué)習(xí)并生成音頻波形，樂器、人聲、旋律、音量、音符都是一體化端到端生成。

　　符號(MIDI)方向的研究，學(xué)界有很多，然而效果卻很差;大模型音頻方向則極難，做的極少。

　　面對兩條路線，選哪個呢?

　　立項之初，公司內(nèi)部就面臨著這一艱難的選擇。前者效果不好，后者則極有可能會做不出來，整個項目雞飛蛋打。

　　最后，「天工SkyMusic」研發(fā)團隊經(jīng)過投票，一致決定選擇音頻方案。大家公認:寧愿冒著巨大風(fēng)險，也要做出真正好的AI音樂。

　　幸運的是，他們成功了。

　　注意，下面你看到的這張圖，可謂價值連城。

　　SkyMusic核心技術(shù)架構(gòu)

　　因為，目前市面上沒有任何可用的AI音樂大模型企業(yè)，公開過自己的技術(shù)路徑，包括Suno。

　　ChatGPT出來后，LLM百花齊放，這是因為有無數(shù)開源項目可以參考。

　　但音頻路線+人聲Song路線，沒有任何公開資料可參考，天工砸進去數(shù)不清的研發(fā)資源和算力算法投入，才摸索出了上面這張極其寶貴的路徑圖。

　　該踩的坑，團隊都已經(jīng)提前踩過了，而如今這個可復(fù)現(xiàn)的方案，也被他們慷慨貢獻了出來。

　　而且巧合的是，雖然最終的框架與Sora類似，但其實在研發(fā)的時候Sora還沒誕生呢。

　　只能說，英雄所見略同。

　　談一談音樂

　　在類Sora架構(gòu)中，Large-scale Transformer負責(zé)譜曲，通過學(xué)習(xí)Music Patches的上下文依賴關(guān)系來控制音樂結(jié)構(gòu)和風(fēng)格。

　　這樣，就完全實現(xiàn)了對風(fēng)格的掌控。

　　而Diffusion Transformer則負責(zé)演唱，也即聲音的生成和渲染，通過LDM技術(shù)，將Music Patches轉(zhuǎn)換為高質(zhì)量音頻輸出，因此音樂具有清晰的風(fēng)格特征和音質(zhì)表現(xiàn)。

　　當(dāng)AI開始學(xué)習(xí)情感

　　而如果我們仔細聽上面的作品，就會感覺到:「天工SkyMusic」對于音樂情感的捕捉極為細膩。

　　它生成的音樂，仿佛有著豐富的情感脈絡(luò)，和一種動態(tài)的變化。

　　正是這種對于情感表達的強化，讓它的作品能夠根據(jù)歌詞和音樂元素，生成不同情感氛圍的作品。

　　相比于以往側(cè)重于智力提升的AGI模型，它的「情感AGI」路線，則顯得尤為珍稀和寶貴。

　　因為，它不僅是一個聰明的AI，還是一個努力去理解和模擬人類情感、用音樂去表達情感的AI。

　　跟市面上那些側(cè)重旋律創(chuàng)作、學(xué)習(xí)大量樂段的旋律，或是深入和弦、節(jié)奏、編曲層次的AI相比，「天工SkyMusic」的情感維度，也成為它在行業(yè)中的差異化亮點。

　　比Suno和Stable Audio2.0強在哪兒

　　與市面上Suno等AI音樂工具相比，AI音樂生成大模型「天工SkyMusic」有著獨特的優(yōu)勢。

　　它背后采用的，是基于MoE架構(gòu)的4000億級參數(shù)多模態(tài)超級大模型「天工3.0」。

　　在業(yè)界領(lǐng)先的邏輯推理、語義理解和泛化能力的加持下，「天工SkyMusic」的響應(yīng)速度和訓(xùn)練推理效率，也得到了極大地提升。

　　首先在中文上，「天工SkyMusic」的AI人聲合成極為優(yōu)秀，發(fā)音清晰、無異響。

　　特別是，得益于在中文語境中的深度優(yōu)化，其在中文演唱效果上，更符合中國市場的需求。

　　其次，在音樂風(fēng)格上，「天工SkyMusic」更略勝一籌。

　　它能夠通過歌詞控制情緒變化，并實現(xiàn)如顫音、歌劇、吟唱等多種歌唱技巧，使生成的音樂作品，情感更加豐富且貼合情境。

　　此外，「天工SkyMusic」還支持創(chuàng)作說唱、民謠、放克、古風(fēng)、電子等多種音樂風(fēng)格，用戶可以根據(jù)個人喜好定制音樂風(fēng)格。

　　不過，不僅僅是「天工SkyMusic」，包括Suno等AI工具，都距以假亂真的專家音樂水平相對較遠。

　　因此，這也是昆侖萬維決定將其技術(shù)架構(gòu)公開，希望業(yè)界一同推動這一領(lǐng)域發(fā)展的原因。

　　AI不會取代音樂人

　　「天工SkyMusic」、Suno之外，近幾天另一個堪稱「Sora版」的神秘音樂模型Udio，也引發(fā)了全網(wǎng)關(guān)注。

　　拿到測試資格的網(wǎng)友，紛紛表示Udio音樂生成強太多了，甚至讓人感受到了AGI的力量。

　　難道AI已經(jīng)真的到了，能夠取代人類音樂歌手的地步了嗎?

　　原創(chuàng)，真的已經(jīng)不再重要?

　　顯然都不是。

　　AI音樂生成技術(shù)的快速迭代，無疑正在改變音樂創(chuàng)作的方式和體驗。

　　但，這并不意味著AI會完全取代音樂人，或讓原創(chuàng)變得不再重要。

　　相反，AI音樂生成技術(shù)與音樂創(chuàng)作者，可以相輔相成。

　　一方面，強大的AI可以降低音樂創(chuàng)作的門檻。

　　即便是非專業(yè)人士，也擁有機會接觸音樂，創(chuàng)作出有一定水準的音樂作品。

　　這將極大地拓展音樂創(chuàng)作者群體，激發(fā)多元的音樂形態(tài)和跨界合作。

　　另一方面，如「天工SkyMusic」這樣的工具可以賦能音樂創(chuàng)作者。

　　它們可以通用簡化旋律原型生成、提供創(chuàng)意靈感、協(xié)助制作高質(zhì)量伴奏等創(chuàng)作環(huán)節(jié)，幫助音樂人提高創(chuàng)作效率。

　　昆侖萬維董事長兼CEO方漢曾在采訪中說過這么一句話:

　　在內(nèi)容生產(chǎn)行業(yè)，有這么一條規(guī)律:如果內(nèi)容制作門檻降低1倍，那么內(nèi)容創(chuàng)作者的創(chuàng)作數(shù)量將會增加10倍。

　　因此，當(dāng)音樂創(chuàng)作門檻降低之后，就會有更多的人成為「原創(chuàng)音樂人」。

　　總而言之，若以靜態(tài)的角度看待行業(yè)，許多人會認為，AI音樂的出現(xiàn)「切走了音樂行業(yè)的蛋糕」。

　　但動態(tài)地來看，技術(shù)的進步能夠讓音樂市場越來越大，行業(yè)蓬勃發(fā)展，孕育出全新的內(nèi)容生態(tài)、音樂業(yè)態(tài)。

　　比如，按需定制音樂服務(wù)、在線音樂創(chuàng)作工具訂閱等新的商業(yè)模式，可以為音樂產(chǎn)業(yè)帶來新的消費增長。

　　當(dāng)前，國內(nèi)許多音樂平臺都為Suno AI做了專欄，直接解鎖了一把新的流量密碼。

　　而面向教育，AI音樂創(chuàng)作可以幫助我們快速感知音樂創(chuàng)作原理，嘗試多種音樂風(fēng)格創(chuàng)作，為音樂產(chǎn)業(yè)培養(yǎng)孵化新一代人才。

　　讓每個人更好表達自我

　　更宏觀地講，除了圖片、視頻、AI音樂也是通向情感AGI路上的一個重要的組成部分。

　　音樂，不僅是一種藝術(shù)形式，更是情感交流和表達的方式。

　　而且，音樂更能觸及人的情感深處，是情感表達的重要媒介。

　　針對AGI開展的研究中，許多團隊都將重點放在模型智力的擴展與增強上。

　　而真正的AGI的終極目標是——更像人，兼具感性理性、推理邏輯思維，以及情感理解等能力。

　　正是意識到了這點，一直將情感AGI視為重要方向的昆侖萬維，希望攻克音樂AI這一大技術(shù)難題。

　　在研發(fā)「天工SkyMusic」過程中，研究團隊積極探索音頻內(nèi)容，尤其是音樂對于情感理解與表達的獨特優(yōu)勢。

　　他們不僅關(guān)注音樂作品的譜曲、編排和演唱等技術(shù)層面，更強調(diào)模型對音樂情感色彩的感知和再現(xiàn)能力。

　　「天工SkyMusic」在情感表達的準確性、多樣性，以及歌詞段落情緒變化的敏感捕捉，印證了昆侖萬維在情感AGI上取得實質(zhì)性進展。

　　當(dāng)然，除了AI音樂生成，AI寫作、繪畫、動畫等領(lǐng)域，昆侖萬維也在探索其在創(chuàng)作工具中的應(yīng)用。

　　在情感AGI這條主線上，他們希望通過自研技術(shù)，幫助創(chuàng)作者更好地通過AI技術(shù)表達和傳遞情感內(nèi)涵。

　　未來三十年，會有越來越多的人表達自我，人類社會的自我表達側(cè)要翻1000倍。

　　昆侖萬維接下來所做的，便是讓AI降低人類創(chuàng)作門檻，讓我們每個人都加入這股AI音樂大潮。