Jay 发自 凹非寺 | 量子位公众号 QbitAI

AI华语音乐，华语终于能听了。歌终

母语羞耻？于能亿参没有。
咬字飘忽？零预没有。
浓浓的训练「人机味」？更没有。

这首歌，数告是别人我让它以一首我特别喜欢的 Jazz Hiphop 为灵感，给定歌词，机味通过 zero-shot（零样本）生成的华语。

曲名——《关于小羊》（doge）。歌终

说实话，于能亿参效果太灵了。零预

特别是训练 Verse 第四句歌词开头那个「塞」字的咬字，我很少在 AI 国语音乐中听到如此细腻的数告颗粒感。像 s、别人c 这种舌尖前音，模型精准地捕捉到了适合用带停顿的短促发音来制造律动的细节。

还有 Pre-Hook 前 Bridge 结尾的那个转音，我反复拉了无数遍进度条去确认……

当然，最让我惊喜的还是最后一遍 Hook。我歌词里明明没写，结果——

它自己即兴发挥，加了一段哼唱？？

这种手法在《Coco》的结尾也曾出现过。

这里还有一个版本的《关于小羊》，我也蛮满意的，大家可以边读文章边当 BGM 挂着。

我将上面这些音频丢给身边几位音乐发烧友听，得到的评价大多只有三个字：

很清爽。

说实话，我已经很久没有用「清爽」这个词来形容任何一首 AI 歌曲了。

这个「清爽」的模型，名叫 歌歌AI。

他们只做一件事——

让 AI 音乐，听起来像中国人写的歌。

重做 AI 音乐模型

听起来挺简单对吧？

但为了这一句话，他们从零预训练了一个 十亿参数的模型。

这是 端到端的架构：用户输入歌词、风格情绪描述与指定歌手，模型一次性直接生成长达 3 分钟、人声与伴奏俱全的完整立体声歌曲，还能同步输出独立的人声分轨与伴奏分轨。

我猜你看到「预训练」这三个字的第一反应，应该和我最开始一样：

哈？为啥不直接微调？？

这事吧，得先从一个更本质的问题聊起——

为什么以前的 AI 唱不好中文歌？

现在市面上的主流 AI 音乐模型，从出生的第一天起就是为英语准备的。

但汉语的演唱逻辑完全不同：

1. 固定声调

中文每个字本身带有音高走势，四声之别决定了字义。「妈」和「骂」就是完全不同的两个字，AI 必须精准还原声调走向。

2. 音节边界

英语里一个词可能有多个音节，且存在大量弱读、连读、吞音现象（如 "I wanna know" 可以糊成一串也能听懂）。
但中文是一个字一个音节，边界清晰。一旦连得太厉害，基本听不懂。这也是为什么 YouTube 英文播客基本无自带字幕，而中文社区内嵌字幕是必备的原因。

3. 字音对齐逻辑

简单来说，模型得知道哪个字落在哪个拍子上，哪个字可以拖，哪个字不能乱拖。
英语是重音计时型语言，一个音节拉多长都行；而中文歌词和旋律、节拍之间的对应关系更难把握。比如「爱」可以拖成「爱～～」，但如果把「的」「了」「着」这种轻声助词拖得特别长，会显得极其怪异。

总而言之，基于英语 AI 音乐模型做本土化，无异于强行让外国人唱京剧。

结果就是——人声机械生硬、情感表达空洞干瘪，对国风、华语流行、民谣等国民主流曲风适配度极低。

问题根本不在参数上，而在架构。

这也是为什么歌歌 AI 选择从零开始，为华语音乐重新设计一套技术栈。主要有三层突破：

第一层：双流独立生成架构

一首 AI 音乐，人声和伴奏是怎么组合起来的？

传统 AI 音乐的做法是「事后对拍」：人声和伴奏各自生成完毕，再像两个图层一样硬叠在一起。拆开做当然技术难度更低，但总会觉得人声和伴奏之间隔了一层什么东西，各唱各的，没有呼吸感。

真人歌手在录音棚里是什么状态？
他听着伴奏的律动，感受着鼓点的推进，然后决定——这个气口落在哪里，这个音要怎么咬，这段尾音该收还是该放。这是一个和伴奏「对话」的心流过程。

歌歌 AI 做的事情，正是把这种「心流」搬进了模型里。

• 原生双流设计：人声一条通路，伴奏一条通路，各走各的生成链路。两条线并行往下跑，中间通过 跨流注意力机制，实时完成节奏与和声的精准对齐。

第二层：音素时序软对齐

咬字一直是个大坑。

模型如果搞不清每个字在时间轴上的精确位置、发音时长，就会出现音节错位、字音模糊。听着像嘴里含着糖在唱歌……

正常聊天无所谓，音乐是有「节奏」限制的，人耳在这种场景下非常敏锐。模型即便每句歌词只有一个字没咬对，那就是灾难。

怎么让 AI 维持更稳定的咬字？

歌歌 AI 的解法是：先画一张地图。

在模型「开嗓」之前，先告诉它每个字的拼音在时间轴上大致落在哪个位置。这张“地图”作为先验知识，直接注入到生成过程中。

按图索骥——每个字什么时候起、什么时候落，有了这套上下文后，稳定性大幅提升。

第三层：分层多维条件控制

最后，也是我觉得最能体现他们野心的一层——情绪。

亚洲和欧美所有文化作品（小说、电影、音乐……）的差异，几乎都能收缩到一个第一性原理——情感表达。

• 老外要直抒胸臆点。情情爱爱啥的很正常，歌词本里 love you、baby 当标点符号用。
• 老中含蓄得多。更喜欢用意象做暗示，说月光不说想你，说落叶不说离别。

演唱方式同样也是这种理念的一个抽象。我们更偏爱细腻的人声处理——华语流行乐坛的黄金时代，从邓丽君到四大天王，几乎全是这个路子。时间也证明了，这类风格就是比爵士、福音（gospel）啥的更受市场欢迎。

但「细腻」这个概念，太难了。

音乐是千人千面的。你很难用一句自然语言描述，去如此高颗粒度地对齐人声的情绪。

大学时去过不少次录音棚，我常能听到这类云里雾里的对话：

“好听的兄弟，唱得再伤感一点就更好了，但不要太沉了，有空气感一点。”

为了更好地翻译这类抽象需求，歌歌 AI 的解法是——一套分层多维条件控制体系。

• 情绪、曲风、调性这些全局风格信息，通过一个叫 AdaLN-Zero的机制，去逐层调制模型的生成行为。从第一层到最后一层，情绪基调始终贯通，不会唱着唱着就「跑调」。
• 更关键的是，他们在不同条件维度上，各自装了独立的引导强度旋钮。比如你可以让模型「贴紧歌词情绪」，同时让「旋律自由发挥」。

是的，就跟个 混音台一样。

只不过这次你混的不是音轨，而是情绪本身。

王炸！AI 音乐 + 抖音

聊了这么多技术，你可能会问一个问题：

技术确实看着挺厉害。但 AI 写歌，会员买了，Token 也烧了，然后呢？

确实，这正是目前 AI 音乐赛道最尴尬的地方。

市面上的 AI 音乐工具一抓一大把。你花五分钟做了一首歌，觉得挺好，发个朋友圈，收获几十个赞——

然后……就没有然后了。

没有分发渠道的 AI 音乐，本质上只是高级玩具，纯自嗨。

歌歌 AI 显然不想只做一个玩具。他们在商业闭环这件事上，直接找到了一张王牌——跟字节跳动签了版权分成合作。

是的，你用歌歌 AI 生成的原创歌曲、录音制品、MV 版权内容，全部可以合规上架抖音、剪映、汽水音乐、西瓜视频、今日头条……整个字节系全家桶。

什么意思？

数以亿计的创作者，他们可以直接从歌歌 AI 的版权曲库里选歌，拿去做短视频配乐、直播间 BGM、翻唱二创。

AI 音乐，不再只是躺在云盘上的音频文件。

歌曲在汽水音乐的会员付费、数字专辑、单曲售卖、平台广告分成，以及番茄系平台有效播放产生的收益，全部按照合同约定，真金白银地分成结算。

更关键的是，后续歌歌 AI 新生成的非独家版权曲目，会自动纳入授权曲库。你每多做一首歌，这个正版曲库就厚一分。

这就是常说的 飞轮效应。

这，是最好的传承

好，技术和商业都讲完了。

最后，是这篇文章我最想聊的部分。

「歌歌 AI 正式启动了民乐专属 AI 模型的研发项目。」

大家应该知道我想说什么。

我太清楚现在的 AI 生成的国风音乐是什么样子了——

古筝弹得像电子琴，戏曲能比念稿还令人母语羞耻……

绝大多数 AI 模型，根本没听过真正的中国民乐。它们训练用的素材，大多是从网上扒来的、经过二次加工的电子音源。骨子里的韵味和灵气，在一遍遍电子化的过程中，早就被滤干净了。

这不是一个可以通过调参来解决的问题。

训练数据里没有真正的民乐，模型就永远生成不出真正的民乐。

这也是为什么，歌歌 AI 决定自己补上这块数据空缺。

他们要去陕西的老戏台找秦腔老艺人、去江南水乡录评弹琵琶、去云南的村寨采葫芦丝和芦笙、去陕北的黄土高坡听唢呐……请那些守了一辈子的非遗传承人、民间老艺人，在他们最熟悉的角落里打开录音机，录下那些指尖自然流淌出来的声音。

这些一手采集的原声，全部会完成正版版权归档，用来训练一个真正的民乐 AI 模型。

说实话，我难以想象内部在头脑风暴时会是个什么场景。

“诶，我有个好主意，要不咱直接去录吧？”

对，就是背上录音机走到黄土高坡去。跟《海上钢琴师》里，唱片公司到船上找 1900 录音一样。

（doge）

不开玩笑了，讲讲为什么我对这件事特别有感概。

传统民乐这些年在中国的处境，说实话，不太好。

你在街上随便拉住一个 00 后，他大概率说不全五种传统民族乐器。再问他，上次听秦腔是什么时候，他可能歪头一愣。

这些声音，正在从日常生活中消失。

不是没有人想保护它们。有非遗项目，有纪录片，有各种各样的文化保护行动。

但传播太难了。

你让一个不看纪录片、不听戏曲频道的年轻人，主动去接触秦腔、评弹、葫芦丝，几乎不可能。

但这是个幸运的时代，我们有 AI。

如果神经网络的权重记住了这些声音，它就可以把它们融进任何一首新创作的歌里。

而这些歌，可以轻易生成数十首类似的，投放到抖音上。只要有一首中了，就有可能被千万人刷到，被用来做短视频配乐，甚至走在路上就无意识哼唱出来……

这就是最好的传承。

我们不需要只被供在博物馆里的传承。

歌歌 AI 官网：https://gegemusic.cn/