Description
近日B站发布2025年度音乐报告中AI生成的音乐《美猴亡》赫然在列，与其同时AI爵士版《大东北我的家乡》的歌手音色与袁娅维高度相像，袁娅维本人随后直接翻唱了这首歌曲。不知不觉AI音乐已经进入我们的生活。但它背后的技术是什么，对音乐人和非音乐人产生了什么影响。这期我们和音乐生成领域的专家与音乐人一同聊聊AI音乐到底是怎么回事。
一、节目开场与嘉宾介绍
• 回顾往期技术类节目（推荐算法、大语言模型、AI绘画）
• 本期主题：AI 音乐生成
• 嘉宾背景
• 逸霄（@沉睡的松果 ）：英国伦敦玛丽女王大学C4DM组AI 音乐方向博士，长期从事音乐生成研究（发言代表个人立场）
• @味素_ ：复旦大学临床医学出身，职业配乐经历，东京大学情报理工修士在读，研究语音与 TTS
二、什么是 AI 音乐生成
• 当前主流定义：以 Suno 为代表的「基于音频的文本到音乐生成」
• 与早期工作的区别（曾以符号音乐e.g. 乐谱、MIDI为主，近年转向端到端直接生成音频）
• 为什么跳过乐谱（音频建模技术成熟、可直接对人类听觉结果负责）
三、技术发展脉络
• 2020：OpenAI Jukebox，首次展示大规模音频音乐生成
• 2023：Google MusicLM，Meta MusicGen，奠定主流范式
• 核心思想：Scaling 理论
• 数据量与模型规模决定上限（涌现：模型规模跨越阈值后出现非预期能力）
四、音乐生成技术范式
• 音乐作为音频信号
• 频谱图 Spectrogram
• Mel Scale 对齐人类听觉
• 与语音、图像模型的关系（方法可迁移）
• 音乐被当作一种特殊音频处理
• 乐理的地位变化（不再是核心先验、少量用于输入输出空间对齐）
五、文本控制与音乐标签
• Prompt 并非自然语言本身（结构化 Tag 组成：BPM、调性、风格、情绪、乐器等）
• 标签来源：Metadata、歌词、自动分析模型
• 数据标注的问题（风格过粗、小众流派数据不足）
六、数据、版权与伦理争议
• 音乐训练数据的灰色地带
• 三大唱片公司与 AI 公司的博弈（起诉、授权）
• 独立音乐人的困境（难以选择退出、追溯使用）
• 模型记忆化问题（可诱导生成高度相似原曲、商用授权与侵权风险并存）
七、AI 音乐对行业的影响
• Spotify 新歌中 AI 音乐占比显著
• 大多数人无法区分 AI 与人类音乐
• 工作室批量生产（低成本、高效率）
• AI 歌上Billboard榜与AI Remix 反向带火原曲
八、音乐人视角
• AI 擅长领域（商业流行、强记忆点旋律）
• AI 局限（不擅长小众风格、复杂音色设计、精细控制）
• 最大鸿沟（端到端模型缺乏可编辑性）
九、AI 音乐的现实使用方式
• 抽卡式生成、多次生成筛选
• 工业流程中的位置（参考曲生成对齐需求）
• 功能性音乐 vs 表达型音乐（BGM、广告、短视频和自己的歌）
• 艺术创作仍依赖人类
十、结尾
• AI 音乐不会彻底取代音乐人
• 更可能重塑流程与分工
• 数据与版权问题尚无完美解法
• AI 更适合工业效率
• 音乐人仍掌握表达与审美主导权
————————————————
片头曲：《温故知新でいこっ！》感谢大家在支持！
《老二次元Re》会继续加油哒♪(^∇^*)
直播间装修：煤油狸猫
Comments
昨天某家周刊专访詹姆斯·卡梅隆的新发布封面是这样的：
♥ 33
現在只用ai創作音樂的人如果沒有ai工具，可能這輩子都不會創作音樂 。相反如果他用ai創作了音樂，卻發現自己還有什麼沒表達出來，更可能進一步學習非ai的音樂創作。
♥ 17 ↩ 1
震惊，大九老师居然是萌妹[花与晴空雨-表情包_无语]
♥ 9
用ai创作音乐其实质并不是音乐创作，而是定制化购买ai创作的音乐，提示词就是定制要求。
♥ 8
我觉得专职prompt engineer是个伪需求，因为你可以用另一个LLM来把普通人的自然语言需求转换成符合LLM需求的prompt（用persona，特定格式，和各种普通人根本不知道的prompt engineering技巧） 星辉说的AI VST其实电吉他音效里已经很常见了。大部分DAW自带的吉他效果器和Amp都是不保留wav的，甚至普通的小效果器都可以加载NAM格式的amp建模。可能因为电吉他的输入是电信号输出是声波，比普通的analog乐器更方便采样+建模吧
♥ 6
味素老师短暂复活了[言和十周年生日特别纪念_好好好]
♥ 6
味素师傅这行当够多的啊[25年度表情包_马]
♥ 6
已严肃收听[海伊_打call]
♥ 4
内容非常密集非常精彩的一期！9和星辉子每次请的嘉宾真的都很好，最后的话题都能引向哲学思考的方向。人的生命和精力是有限的，所以当一个人一开始选择了计算机领域，又要重新开始学音乐，学习的时间和精力是不可估量的，所以某种意义上也可以理解对于生成模型的需求。比如家里有长辈喜欢电影，但他那个时代为了挣钱选了其他领域，而现在这些视频生成软件让他可以“拍电影”他就很高兴。不过这本质上和“创作”是有一些区别的，此表达非彼表达。非专业人员运用生成ai更多是爱好者范畴，9那段“不亲自动手创作就是失去了解自己的机会”，说得实在是太好了。在我看来也是失去孕育和分娩的机会，而没有痛苦就没有真正的新生。所以最后还是很唯心的，或许在生成ai发展得越来越成熟之后，再也无法从外在区别ai或者非ai，纯手工创作的意义也只有对作者本身重要了。
♥ 3
实际软件开发的时候，感觉的确周围的人用gen ai写代码比零基础的人纯vibe coding效率要高很多。大家都知道要用plan mode把代码架构设计和逐行实现的session分开，不让迭代过程中很容易context rot然后越改越烂。之类之类的实际操作的技巧，和引导agent的思路还有很多很多 我们公司（在北美）全面采用gen ai进开发流程之后我越来越感觉这个东西它的潜能远远没有被挖完。2025年很多大家觉得“这个（技术/工程上）的限制导致ai永远无法替代人工”的观点，其实我个人觉得都有点一厢情愿的成分。 软件行业接纳gen ai程度比较高可能就是因为产出是文本，加上大部分码农都受雇于软件大公司，码农的雇主是ai浪潮的受益者。还有很大一部分人也只是普通的精致利己，觉得被替代掉的只是entry level的人，现在自己还安全所以多用多爽
♥ 3
讓妳簽繪的人在乎的是你這個人，又不是你的火柴人。 音樂創作還是有門檻的，如果只是自娛自樂就隨意。但例如詩經、山歌、勞動號子，雖然創作者沒受過現代音樂專業訓練，但也會有口口相傳的前人成果。就算很多人能創作出來，像詩經才流傳多少首，山歌有傳情求偶的功能，要是難聽搞不好還扣分，勞動號子難道一起工作的人各唱各的嗎?肯定也是擇優一起唱。可見要別人喜歡眾人喜歡是不簡單的。 如果只要自己喜歡就簡單嗎?誰沒聽過音樂，常被聽到的必然有其過人之處，大家都有自己的審美，要做出自己滿意的一首作品可不簡單，這就是AI能幫忙的。 假如有個人剛失戀，他想創作個東西紀念，他怎麼知道未來會失戀所以先去學樂理，這時候有AI，他就能創作音樂，也許現在有，或者未來有一種AI工具，他把戀愛中的回憶寫成文章，AI幫他轉成歌詞，曲子也從音樂平台那首歌的評論找有人分享他的故事是怎樣，所以聽到這首歌很有共鳴之類的，最後能生成出他自己滿意的訂製化作品，自己聽抒發情緒，唱出來也充滿感情，豈不美哉。
♥ 3
你模型没人用那还怎么吸引投资呢[doge][doge]
♥ 3
文本生成的音频门槛可能比较低吧，如果是具体的音乐生成需求那不如直接动手了，现在的短视频又不需要太专业的视频剪辑，现在成为大趋势了也是这个逻辑
♥ 3
15:00 捉个虫（？）似乎 梅尔频谱图是指在人耳感知中的“距离区分能力”，在1000hz以下近似线性而1000hz以上近似是对数的。这里并不是指十二平均律那种对音调的“440Hz是A4，880Hz是A5”这样的纯粹对数的感知关系，后者应该是常数Q变换，即CQT频谱图哦~ 今天才发现原来老二次元有视频版播客，太好了我要到处宣传[未来有你_打call][未来有你_打call]这期的选题也好有意思
♥ 2 ↩ 1
UP主加油！看好你噢~
♥ 2
UP主加油！看好你噢~
♥ 2
估计能刷到这个视频的都是“专业观众”了[doge]
♥ 2
助眠电台[doge]
♥ 2
开饭
♥ 2