科普技術(shù)：熱鬧的百模對(duì)決，焦慮的音頻模型

1.1 AI進(jìn)入大語(yǔ)言到多模態(tài)「日更」方式

2023年被稱作「生成式AI元年」。2022年11月，OpenAI GPT-3.5 ChatGPT是模型的核心。ChatGPT出現(xiàn)了前后文學(xué)習(xí)、思維鏈等高度智能，被認(rèn)為具有顛覆性的技術(shù)突破和跨領(lǐng)域的實(shí)用價(jià)值。AI Agent等衍生方向也被認(rèn)為具有平臺(tái)和入口級(jí)的意義。以此為節(jié)點(diǎn)，大規(guī)模參數(shù)，大算率，「暴力求解」大語(yǔ)言模型的風(fēng)格（LLM）打開歷時(shí)過(guò)程。短短幾個(gè)月，大批AI創(chuàng)業(yè)公司和科技廠商紛紛進(jìn)入市場(chǎng)，LLM領(lǐng)域進(jìn)入百模對(duì)決。

不同的信息方式，如自然語(yǔ)言、圖像、視頻、音頻等，在計(jì)算機(jī)領(lǐng)域被稱為不同的信息。「模態(tài)」。在人工智能領(lǐng)域，多模態(tài)研究一直是一個(gè)不同的分支。大型語(yǔ)言模型爆發(fā)后，多模態(tài)大模型也成為技術(shù)熱點(diǎn)。在計(jì)算機(jī)視覺領(lǐng)域，文生圖模型在兩年內(nèi)迅速飛躍。Midjourney于2022年2月發(fā)布初版，同年11月V4版本的真實(shí)性和藝術(shù)性大幅提升；Stable開源模型 2022年8月，Diffusion首次出現(xiàn)，XL1.0版于2023年7月推出，體現(xiàn)了出色的寫實(shí)和對(duì)提示詞的理解。

視頻生成一直被稱為大型技術(shù)高地，Runway、Pika和其他公司在這里深耕了很長(zhǎng)時(shí)間。2024年2月，OpenAI推出了Sora模型生成的高質(zhì)量視頻案例，可以生成包括豐富角色、動(dòng)作和場(chǎng)景在內(nèi)的1080P真實(shí)視頻，并提供描述或靜態(tài)圖片。自此，文化視頻領(lǐng)域進(jìn)入了一個(gè)新的階段。

1.2 音頻模型：范式穩(wěn)定發(fā)展，爆發(fā)來(lái)得有點(diǎn)晚。

在音樂領(lǐng)域，大模型技術(shù)的突破似乎比預(yù)期的要晚。直到2024年3月，Suno V3的發(fā)布，引起了業(yè)界和社會(huì)的廣泛關(guān)注。TME天琴實(shí)驗(yàn)室音頻技術(shù)負(fù)責(zé)人趙偉峰介紹，事實(shí)上，自2023年以來(lái)，音樂生成領(lǐng)域一直在不斷深化，不斷出現(xiàn)新的模式和范式。現(xiàn)在技術(shù)范式已經(jīng)達(dá)成共識(shí)。具體表現(xiàn)為：從符號(hào)音樂到音頻模型研究，大模型領(lǐng)域Diffusion和Transformer結(jié)構(gòu)介紹，逐步處理人聲唱詞問(wèn)題，文字/語(yǔ)音/音樂/音效綜合等。

業(yè)界代表性的音頻模型技術(shù)范式：

谷歌的MusicLM(以及202306,Meta的MusicLM)MusicGen）——選擇MuLan/Clap跨模式和自回歸Transformer模型。根據(jù)文字提示生成24kHz頻率、近5分鐘的音樂，可以指定音樂風(fēng)格、樂器、情感等，以純音樂為主，基本沒有聲音。

英國(guó)薩里大學(xué)和帝國(guó)理工學(xué)院的202302AudioLDM-選擇Latententent Diffusion模型架構(gòu)，顯著降低了Diffusion模型對(duì)計(jì)算能力的要求。完成音樂、語(yǔ)音、音效等一體化。

202403，Suno V3（以及202404，Udio）——沒有公開的技術(shù)細(xì)節(jié)。根據(jù)文本提示，生成近2分鐘不同風(fēng)格的音樂。包括人聲歌詞，客戶也可以手動(dòng)輸入歌詞。

202404，Stability AI的Stable Audio 使用類似的Stable2.0- Diffusion Diffusion3 Transformer（DiT）結(jié)構(gòu)，長(zhǎng)序列處理效果明顯?？梢陨?4.1kHz頻率，3分鐘的歌曲。除文字提示外，還可以通過(guò)上傳音樂或哼唱來(lái)生成。但是人聲唱詞還是有問(wèn)題的。

*真正的里程碑是誰(shuí)？

MusicLM & MusicGen：技術(shù)里程碑從噪音產(chǎn)生音樂。

一線技術(shù)從業(yè)者指出，MusicLM和MusicGen在2023年上半年已經(jīng)解決了音樂生成中的大部分問(wèn)題。Transformer在已經(jīng)公開的技術(shù)架構(gòu)中也有很好的效果(詳細(xì)信息如何看待音樂效果的產(chǎn)生)。MusicLM和MusicGen在技術(shù)上更具里程碑意義。由于它將自然語(yǔ)言模式與音頻模式聯(lián)系起來(lái)，并從噪音中產(chǎn)生音樂。

Suno & Udio：處理人聲唱詞，成為好商品

另外一個(gè)問(wèn)題是Suno和Udio：人聲歌詞。它使音樂的產(chǎn)生真正成為音樂的產(chǎn)生。從業(yè)者推斷，它可能使用類似MusicLM的結(jié)構(gòu)來(lái)產(chǎn)生音樂，或者使用現(xiàn)成的伴奏，然后用TTS技術(shù)唱出歌詞(客戶手動(dòng)輸入或調(diào)用大語(yǔ)言模型)，從而產(chǎn)生對(duì)合效果。由于沒有公布技術(shù)規(guī)范，很難判斷其技術(shù)突破，但是它更好地融合了相關(guān)技術(shù)，成為一種良好的產(chǎn)品。

TIPS：評(píng)估AI生成音樂的主要指標(biāo)(天琴實(shí)驗(yàn)室和合作團(tuán)隊(duì)經(jīng)驗(yàn)總結(jié))

1. 音樂性/樂理性：涉及旋律、和弦、編曲、節(jié)奏、樂器組合等，音樂的藝術(shù)性也是考慮因素。

2. 標(biāo)簽匹配度：顧客希望產(chǎn)生的音樂與最終產(chǎn)生的音樂是否匹配。

3. 歌詞(語(yǔ)義)：具有語(yǔ)義能力，包括多語(yǔ)言、語(yǔ)義的理解、語(yǔ)義的完整性。

4. 長(zhǎng)序列的連接性和結(jié)構(gòu)性:雖然屬于音樂性，但長(zhǎng)序列是目前技術(shù)瓶頸，所以要重點(diǎn)關(guān)注。短期音樂不一定是長(zhǎng)序列的音樂。

5. 音質(zhì)：音質(zhì)能否達(dá)到用戶可以欣賞的藝術(shù)作品水平。

6. 更多功能：如支持更多輸入，可編輯能力等。

1.3 技術(shù)線路：音頻產(chǎn)生熱量，或與符號(hào)音樂結(jié)合

從上面可以看出，從2023年到2024年，音頻模型取得了快速的突破，這在幾年前是不可想象的。在早期階段，AI音樂產(chǎn)生的技術(shù)熱點(diǎn)是另一條技術(shù)路線:音樂符號(hào)的生成。

音樂符號(hào)路線：詞曲編錄混合均可控制，但整體性不足

技術(shù)原理：提取音頻中的音樂知識(shí)(如歌詞、和弦、樂器)，類似于MIDI，將其分割成類似音樂功能譜的數(shù)據(jù)形式「詞曲編錄混」包括AI作曲、AI編曲、AI歌聲生成等技術(shù)在內(nèi)的各個(gè)環(huán)節(jié)。

長(zhǎng)度版：最大的優(yōu)點(diǎn)是每個(gè)環(huán)節(jié)都可以控制，可以更好的嵌入音樂人的工作流程，成為幫助創(chuàng)作的工具。但是由于各種技術(shù)的串聯(lián)，很難達(dá)到良好的整體效果。音樂是詞曲編錄的有機(jī)融合。有時(shí)候詞匯好，音樂好，但是組合不好。另一個(gè)問(wèn)題是樂譜的訓(xùn)練數(shù)據(jù)比音頻少得多。

音頻模型路線：整體效果較好，但編輯/分軌難度大。

技術(shù)原理：完整的音樂直接從端到端生成?？梢岳斫鉃?，把一段音樂當(dāng)成一個(gè)頻譜圖，把頻譜圖當(dāng)成一張照片來(lái)訓(xùn)練AI，類似于圖片的生成，找到自然語(yǔ)言和音頻之間的關(guān)系。

長(zhǎng)度版：產(chǎn)生的作品具有很強(qiáng)的整體性，但由于是端到端，很難進(jìn)一步編輯調(diào)整(比如修改單句旋律)，也很難獲得分軌、MIDI等制作文件。另一個(gè)問(wèn)題是，由于音頻復(fù)雜性高(每秒至少有44100個(gè)數(shù)據(jù)點(diǎn))，提高音質(zhì)需要很高的算率。

*路線之爭(zhēng)？路線結(jié)合！

在兩條技術(shù)路線的競(jìng)爭(zhēng)中，隨著MusicLM和Suno等模型產(chǎn)品的發(fā)布，技術(shù)熱點(diǎn)的平衡轉(zhuǎn)向了音頻模型的一側(cè)。不得不感嘆，音樂領(lǐng)域也驗(yàn)證了大模型的暴力解決方案風(fēng)格。但目前的音頻模型仍然面臨幾個(gè)技術(shù)卡點(diǎn):可編輯性不足、音樂性長(zhǎng)、音質(zhì)差。

其中，「可編輯能力」實(shí)用價(jià)值和行業(yè)需求都很高，也是音頻路線的短板，是符號(hào)路線的長(zhǎng)板。當(dāng)端到端模型反向處理編輯問(wèn)題時(shí)，需要更精細(xì)地標(biāo)記音頻訓(xùn)練數(shù)據(jù)——回到符號(hào)路線。因此，DeepMusic智能音頻技術(shù)的創(chuàng)始人兼首席執(zhí)行官劉曉光認(rèn)為，未來(lái)的音頻模型和符號(hào)模型必須合作。通過(guò)音頻模型，我們可以使用不同維度的音樂符號(hào)來(lái)產(chǎn)生音樂。

應(yīng)用改革：放下路線之爭(zhēng)，各自投石問(wèn)路

雖然音樂產(chǎn)生的技術(shù)結(jié)構(gòu)、路線尚未完全公開和統(tǒng)一，但大方向已經(jīng)得到驗(yàn)證，各方面的技術(shù)競(jìng)賽和應(yīng)用探索也在加速。以Suno、以Udio為代表的端到端商品，熱潮過(guò)后需要考慮其實(shí)用價(jià)值；作為符號(hào)路線的代表，DeepMusic正在更新個(gè)人能力；作為平臺(tái)的技術(shù)引擎，TME天琴實(shí)驗(yàn)室更多地探索了AI音樂生成與音樂平臺(tái)的深層聯(lián)系。

2.1 Suno/Udio類產(chǎn)品：低級(jí)替代，創(chuàng)造靈感和更多？

除了技術(shù)突破之外，Suno產(chǎn)品引起的反響在很大程度上取決于其流行特征:普通人第一次感受到?！竸?chuàng)作」盡管這幾乎是一種美妙的音樂。「一鍵生成」與傳統(tǒng)創(chuàng)作相比，這種體驗(yàn)的發(fā)生，使我們能夠更加合理地演繹AI音樂的未來(lái)。

行業(yè)內(nèi)有幾種比較有代表性的認(rèn)知：

音樂水平Suno：超過(guò)X%的音樂家作品。X的范圍從50%到80%不等，反映了從業(yè)者的主觀經(jīng)驗(yàn)，而不是精確計(jì)算。一方面，AI音樂已經(jīng)達(dá)到了一個(gè)不低的水平。另一方面，由于音樂人參差不齊，許多作品的質(zhì)量不夠高。

音樂內(nèi)容過(guò)剩，AI音樂難以撼動(dòng)當(dāng)前的音樂消費(fèi)模式。在AI音樂到來(lái)之前，音樂行業(yè)已經(jīng)供大于求，只有少數(shù)作品能獲得高人氣。這些作品要么質(zhì)量很高，要么歸功于強(qiáng)大的宣傳。因此，除非宣傳環(huán)境發(fā)生變化，否則達(dá)到中等水平的AI音樂是不夠的。

但是有些類別會(huì)被AI接管：低級(jí)配樂，公播音樂，短視頻BGM等等。AI比人工輸出更有效率，因?yàn)樗鄬?duì)標(biāo)準(zhǔn)化和模式化。此外，這些類別沒有個(gè)人IP特征(觀眾一般不知道創(chuàng)作者是誰(shuí))。許多熱門流行歌曲通常與創(chuàng)作者的個(gè)人IP聯(lián)系在一起，相互祝福。

音樂家可以用Suno來(lái)啟發(fā)靈感，「可編輯」成為必然趨勢(shì)。雖然Suno音樂遠(yuǎn)離專業(yè)音樂人的工作流，但它仍然對(duì)音樂創(chuàng)作有啟發(fā)性。畢竟創(chuàng)作是一種靈感的實(shí)踐活動(dòng)。但是如果你想實(shí)用，「可編輯能力」這是一種剛需，在視覺生成領(lǐng)域也得到了驗(yàn)證。

一個(gè)面向「中等音樂實(shí)踐者」簡(jiǎn)化音樂工作流程可能會(huì)誕生。劉曉光認(rèn)為，中度實(shí)踐者是一個(gè)愛玩音樂的群體，但并不一定想知道復(fù)雜的樂理。所以，音頻模型的發(fā)展將催生一種簡(jiǎn)化的音樂工作流程：1)大模型產(chǎn)生伴奏 歌詞 AI歌星演唱中含有自己的音色 簡(jiǎn)單的交互實(shí)現(xiàn)隨意的顆粒度修改 大模型制作專輯圖，MV等發(fā)行材料。現(xiàn)在仍然受到編輯能力和音質(zhì)的限制，但是在接下來(lái)的1-2年里，這種生產(chǎn)體驗(yàn)將會(huì)更加完善。

TIPS：DeepMusic的市場(chǎng)調(diào)查(DeepMusic)

根據(jù)音樂的參與和專業(yè)性，音樂群體可以分為三類:專業(yè)音樂人、音樂實(shí)踐者和泛音樂愛好者。音樂實(shí)踐是專業(yè)生產(chǎn)和純消費(fèi)之間的一種狀態(tài)。

專業(yè)音樂人：1.專業(yè)音樂人規(guī)模100萬(wàn)級(jí)。參與的主要方式是創(chuàng)作和表演，大約有10萬(wàn)人具備制作能力。

音樂實(shí)踐者：2.音樂實(shí)踐者規(guī)模1億。參與方式包括玩樂器、音樂APP。、音樂俱樂部等?？梢苑譃樯疃群椭卸葘?shí)踐者。最大的區(qū)別在于，中度實(shí)踐者不一定愿意創(chuàng)作，也不需要精心控制音樂內(nèi)容。

泛音樂愛好者：規(guī)模10億。大部分都是聽歌，也包括唱K。、觀看音樂表演等情況。

2.2 DeepMusic和弦派：從專業(yè)工具傳播到不懂樂理的人

符號(hào)音樂的生成與Suno端到端產(chǎn)品相比，自然具有可編輯性，在服務(wù)專業(yè)音樂人方面更具優(yōu)勢(shì)。DeepMusic是一家深度培育符號(hào)路線的國(guó)內(nèi)代表性AI音樂創(chuàng)業(yè)公司。對(duì)此，劉曉光分析道：音頻模型就像「大力出奇跡」，不確定性高，國(guó)內(nèi)培訓(xùn)成本是國(guó)外的10倍。賭一個(gè)音頻模型不一定要花多少錢，成功需要多長(zhǎng)時(shí)間，ROI很低；但是當(dāng)符號(hào)模型效果不夠好的時(shí)候，有中間產(chǎn)品讓用戶自己修改，更有階段性價(jià)值。

伴隨著音頻模型的突破，DeepMusic將等到基本音頻模型開源后再跟進(jìn)；并且充分發(fā)揮自身積累的優(yōu)勢(shì)，利用精細(xì)注明的閉源數(shù)據(jù)來(lái)控制音頻模型。可以看出，從端到端的產(chǎn)品突破可編輯能力，到符號(hào)路線公司的音頻模型整合，兩種技術(shù)路線正在結(jié)合回歸，看誰(shuí)能取得更好的效果。

旗艦產(chǎn)品DeepMusic「和弦派」這是一個(gè)協(xié)助創(chuàng)作的工具。2024年初進(jìn)行了智能升級(jí)，融合了AI編曲、AI歌曲等功能，可以一站式生成高質(zhì)量的演示，各個(gè)環(huán)節(jié)都可以控制。但是用戶還是需要面對(duì)門檻高的音樂功能譜。目前用戶構(gòu)成也是系統(tǒng)化的:20%音樂人、30%音樂老師、25%懂音樂理論的中度實(shí)踐者、25%不懂音樂理論的中度實(shí)踐者。4月底「和弦派」劉曉光指出，2.0版上線，下一步，目標(biāo)受眾將泛化，面向不懂樂理和功能譜的人，正式進(jìn)入中度實(shí)踐者跑道。

2.3 TME天琴實(shí)驗(yàn)室：技術(shù)能力第一，尋找B/C端價(jià)值場(chǎng)景。

大模型技術(shù)爆發(fā)后，國(guó)內(nèi)很多互聯(lián)網(wǎng)和硬件廠商都加入了不同程度的競(jìng)爭(zhēng)。TME作為一個(gè)音樂娛樂平臺(tái)，面對(duì)語(yǔ)言、視覺和音頻模型技術(shù)的演變，從未停止思考。

TME天琴實(shí)驗(yàn)室高級(jí)總監(jiān)吳斌認(rèn)為，大模型有一個(gè)重要的特點(diǎn):核心模型數(shù)量很少。當(dāng)結(jié)構(gòu)充足且通用時(shí)，需要通過(guò)堆疊計(jì)算率來(lái)測(cè)試數(shù)據(jù)。同時(shí)，更好的開源模型不斷涌現(xiàn)，使得很多公司的初始投資毫無(wú)意義。整個(gè)市場(chǎng)仍處于非常動(dòng)蕩的狀態(tài)，盲目投資是不可取的。最重要的決定是「怎樣跟進(jìn)大模型趨勢(shì)才是最合理的？」。該平臺(tái)的核心能力是用戶和場(chǎng)景，每個(gè)人都可以在開源模型的基礎(chǔ)上，重新了解場(chǎng)景，提供更好的應(yīng)用服務(wù)。

就算沒選擇「All IN大模型」，但是在技術(shù)快速更新的時(shí)期，天琴實(shí)驗(yàn)室仍然做了這三件事：

跟蹤思維能力：吳斌強(qiáng)調(diào)，即使不去硬訓(xùn)模型，對(duì)其一線認(rèn)知、訓(xùn)練能力還是要先具備。等條件成熟后，可立即發(fā)力。視覺模型已經(jīng)成為天琴最初的大模型發(fā)力點(diǎn)。Muse音樂視覺技術(shù)自主研發(fā)于2022年7月，從圖片推廣到視頻領(lǐng)域。MuseV虛擬人視頻生成框架于2024年3月正式開源，在視頻一致性、時(shí)長(zhǎng)和口型生成方面領(lǐng)先行業(yè)，深受業(yè)界好評(píng)。

AI應(yīng)用試點(diǎn)：基于技術(shù)實(shí)力，天琴還積極應(yīng)用試點(diǎn)項(xiàng)目。比如直播間的禮物生成，可以讓用戶的文字生成有創(chuàng)意、有個(gè)性的定制禮物，豐富了直播玩法，帶來(lái)了可觀的商業(yè)效益。有時(shí)候看似微妙的場(chǎng)景會(huì)有意想不到的反應(yīng)，進(jìn)一步加深了平臺(tái)對(duì)用戶場(chǎng)景的認(rèn)知。

大型模型加速：其高調(diào)用成本決定了大模型的技術(shù)特性。加速大模型，就是降低模型推理的成本。天琴開發(fā)了MUSELight大模型推理加速發(fā)動(dòng)機(jī)，并發(fā)現(xiàn)Stable加速版Stable Diffusion的成本可以達(dá)到原版本的1/10甚至更低。對(duì)于一個(gè)為大量用戶服務(wù)的C端平臺(tái)，這是非常有意義的。2023年5月，天琴還將加速三個(gè)相關(guān)版本向全行業(yè)開源。

由于視覺、語(yǔ)言模型技術(shù)成熟較早，天琴早期音頻模型的投入比例并不高。趙偉峰介紹：從2023年到2024年，天琴的音頻模型投入不斷增加，研發(fā)重點(diǎn)也從歌聲生成模型開始?！盖夙崱罐D(zhuǎn)向音樂生成模式「琴樂」。

「琴韻」歌聲生成：從2023年開始，天琴?！盖夙崱垢杪暽赡Ｊ街饾u成熟。同時(shí)，行業(yè)也出現(xiàn)了?！窤I孫燕姿」事件反映了歌唱技術(shù)可能被濫用的風(fēng)險(xiǎn)。因此，天琴發(fā)現(xiàn)了兩個(gè)合規(guī)應(yīng)用場(chǎng)景:一是作為用戶玩法，客戶在k歌場(chǎng)景中上傳自己的聲音，生成隨機(jī)演唱作品；第二，歌手授權(quán)合作，促成了「AI王力宏」演唱《Letting Go》等待熱門音樂事件。

「琴樂」音樂生成：自去年以來(lái)，基于符號(hào)路線的AI作曲、編曲技術(shù)已經(jīng)在QQ音樂上推出了多種應(yīng)用。2024年，天琴使力音頻生成模型「琴樂」。文生純音樂1.0版于4月完成，已整合至1.0版?！竼⒚餍恰挂魳分谱鞣?wù)平臺(tái)?！盖贅贰雇瑫r(shí)也參加了上海民族樂團(tuán)的音樂會(huì)創(chuàng)作，得到了很好的反響。能夠翹首以待音樂生成等復(fù)雜能力。TME作為AI技術(shù)下的用戶平臺(tái)，選擇了積極但理性的投資，努力在技術(shù)能力和用戶價(jià)值之間建立最佳的橋梁。

AI安全：處理一道未知的防線。 ，重要的應(yīng)該是多方參與

AI技術(shù)和應(yīng)用顯示出巨大的產(chǎn)業(yè)變革和社會(huì)效應(yīng)，現(xiàn)在這些變化近在咫尺。從科技倫理的角度反思技術(shù)的社會(huì)影響，盡可能干預(yù)技術(shù)走向，是我們應(yīng)對(duì)不確定性的底線。在語(yǔ)言模型領(lǐng)域，價(jià)值觀對(duì)齊已經(jīng)成為產(chǎn)學(xué)和政策制定者關(guān)注的焦點(diǎn)。在AI音樂領(lǐng)域，關(guān)于音樂版權(quán)和創(chuàng)作者生存的問(wèn)題也成為討論的焦點(diǎn)。

3.1 音樂版權(quán)：返回「激勵(lì)創(chuàng)作」的初衷

相關(guān)版權(quán)爭(zhēng)議同時(shí)存在于英語(yǔ)、視覺、音頻模型等領(lǐng)域。主要有兩個(gè)關(guān)鍵問(wèn)題：①模型化訓(xùn)練階段，訓(xùn)練數(shù)據(jù)版權(quán)合規(guī)問(wèn)題；②AI生成物在內(nèi)容生成階段的版權(quán)問(wèn)題。

在實(shí)踐階段，AI模型需要使用大量數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練。如果訓(xùn)練數(shù)據(jù)包含受作權(quán)法保護(hù)的版權(quán)作品，則需要在作權(quán)法中滿足「合理使用」規(guī)則，或者獲得版權(quán)所有者的授權(quán)。

關(guān)于這個(gè)問(wèn)題，ChatGPT、Stable Diffusion等產(chǎn)品及其背后的企業(yè)都面臨著來(lái)自《紐約時(shí)報(bào)》等版權(quán)方或藝術(shù)家的訴訟，案件仍在進(jìn)行中。一方面，內(nèi)容行業(yè)長(zhǎng)期發(fā)展的命脈是通過(guò)版權(quán)保護(hù)來(lái)鼓勵(lì)創(chuàng)作；另一方面，新技術(shù)帶來(lái)的潛在機(jī)遇和競(jìng)爭(zhēng)對(duì)手的挑戰(zhàn)正在迫使行業(yè)加速。這兩種需求需要平衡共贏。這個(gè)問(wèn)題在全球范圍內(nèi)還沒有取得明確的進(jìn)展。隨著科技產(chǎn)品的成熟，AI公司和版權(quán)所有者也在積極尋求談判，尋找許可證并分享利潤(rùn)，這是未來(lái)的一個(gè)重要方向。

AI產(chǎn)生的內(nèi)容在生成階段是否具有版權(quán)？誰(shuí)屬于版權(quán)？？目前，在大多數(shù)國(guó)家，作權(quán)法并不認(rèn)可人類以外的主體。然而，自生成式AI發(fā)展以來(lái)，各國(guó)的立法和司法都在積極探討保護(hù)方法。一個(gè)重要原因是人類在AI生成中也發(fā)揮著非常重要的作用。以ChatGPT為例，人類在三個(gè)環(huán)節(jié)中反映了干涉或創(chuàng)造：①在模型訓(xùn)練中，“人工反饋強(qiáng)化學(xué)習(xí)”階段，②顧客使用中的創(chuàng)造性問(wèn)題，③內(nèi)容生成后的調(diào)整優(yōu)化。注意：參考2023植德人工智能年刊

2023年底，國(guó)內(nèi)首個(gè)「AI文生圖」在北京互聯(lián)網(wǎng)法院審結(jié)作權(quán)案件后，進(jìn)行了開創(chuàng)性的探索。了解這個(gè)案件的審理思路，有助于我們了解問(wèn)題的本質(zhì)和方向。

國(guó)內(nèi)首個(gè)「AI文生圖」作權(quán)案件：(參照人民法院報(bào)告)

案件回顧：原告李某使用Stable Diffusion，通過(guò)提示生成圖片，發(fā)布在小紅書平臺(tái)；此后，被告李某在百家號(hào)的一篇文章圖片中使用了這張圖片，未經(jīng)原告許可，并切斷了簽名水印。

審判要點(diǎn)及結(jié)果：在最初構(gòu)思到最終選照的過(guò)程中，原告傾注了原告的審美選擇和個(gè)性判斷，通過(guò)設(shè)計(jì)人物展示形式、選擇提示詞、設(shè)置參數(shù)、多輪圖片優(yōu)化等活動(dòng)。這些照片反映了原告的照片?！缸畛醯闹巧掏度搿梗?/strong>因此，作品被認(rèn)定，作權(quán)歸原告所有，被告侵犯了信息網(wǎng)絡(luò)傳播權(quán)和簽名權(quán)。

裁判員分析：利用AI產(chǎn)生的內(nèi)容，是否構(gòu)成作品，需要個(gè)案判斷，不能一概而論。本案堅(jiān)持作權(quán)法只保護(hù)“自然人創(chuàng)造”的觀點(diǎn)，同時(shí)考慮兩點(diǎn)：①全新的傳統(tǒng)理論應(yīng)用領(lǐng)域。在AI時(shí)代，人類創(chuàng)作工具發(fā)生了根本性的變化，但并不意味著人類不應(yīng)該選擇和規(guī)劃畫面元素；第二，法律判斷以外的價(jià)值判斷。認(rèn)同「作品」屬性和「創(chuàng)作者」身份有利于鼓勵(lì)人們使用人工智能工具進(jìn)行創(chuàng)造，促進(jìn)人工智能生成內(nèi)容的識(shí)別和監(jiān)督，加強(qiáng)人們?cè)谌斯ぶ悄馨l(fā)展中的主導(dǎo)地位，促進(jìn)人工智能技術(shù)的創(chuàng)新發(fā)展和應(yīng)用。

業(yè)內(nèi)法律專家也指出，這一判決僅適用于案件本身，也不能作為類似案件的參考。AI生成內(nèi)容「可版權(quán)性」仍有爭(zhēng)議。一種較為常見的操作思路是：并非有人參與的就是創(chuàng)作，需要判斷人的參與程度。并且在語(yǔ)言、視覺、音頻等各個(gè)領(lǐng)域，參與程度有不同的認(rèn)定方法。

這兩個(gè)問(wèn)題都非常復(fù)雜，仍然需要時(shí)間才能找到雙贏的解決方案。但是我們可以看到背后一貫的價(jià)值邏輯:通過(guò)保護(hù)人類，作權(quán)法的立法目的是「最初的智商投入」，來(lái)「鼓勵(lì)創(chuàng)作與傳播」。AI技術(shù)具有解放生產(chǎn)力和促進(jìn)內(nèi)容產(chǎn)業(yè)發(fā)展的巨大潛力，但不能以犧牲人類創(chuàng)造力為代價(jià)。我們希望通過(guò)分析、約束和應(yīng)用，它能夠積極促進(jìn)創(chuàng)造性繁榮。

3.2 人機(jī)關(guān)系：放下競(jìng)爭(zhēng)，尋找合作

人類創(chuàng)作者會(huì)被AI取代嗎？這是另一個(gè)討論熱點(diǎn)。不僅AI音樂，大模型技術(shù)，甚至每一輪技術(shù)革命，每個(gè)人都有類似的不安。但歷史結(jié)果表明，新技術(shù)肯定會(huì)淘汰一些低級(jí)工作，但并不取代整體人類。而且隨著低級(jí)工作的淘汰，我們被迫創(chuàng)造更能體現(xiàn)自己價(jià)值的工作。于是就有了這樣的調(diào)侃：淘汰你的不是AI，而是會(huì)使用AI的人。

具體到AI音樂行業(yè)，以上對(duì)Suno的幾個(gè)判斷也大致說(shuō)明了AI音樂所沒有的，因?yàn)橐魳穬?nèi)容供大于求，要想獲得市場(chǎng)認(rèn)可，通常需要達(dá)到極高的水平或者被強(qiáng)大的宣傳驅(qū)動(dòng)。高質(zhì)量的作品包含了人類藝術(shù)家獨(dú)特的個(gè)性、經(jīng)驗(yàn)和情感，這是AI音樂所沒有的。但是罐頭音樂等低級(jí)工作應(yīng)該逐漸被AI接管。

同時(shí)，快速的AI音樂可以激發(fā)音樂人的靈感，AI工具可以解決音樂人工作流程中的非創(chuàng)造性勞動(dòng)。因此，更好的視角不是與之競(jìng)爭(zhēng)，而是站在AI的肩膀上。著名音樂家、制作人陳珊妮曾明確表示：創(chuàng)作者應(yīng)該關(guān)心的也許不是「是否會(huì)被取代？」，而是「我們還能做些什么」。回歸人類的能動(dòng)性。技術(shù)從業(yè)者對(duì)音樂人的發(fā)展也給出了一些友好的建議：

技術(shù)員對(duì)音樂員的友好建議：

吳斌：我覺得你不妨多聽多玩。因?yàn)檫@種趨勢(shì)是無(wú)法阻止的，即使你不擁抱，大多數(shù)音樂人也會(huì)擁抱，最后被迫，所以還是早點(diǎn)好。知道AI能輕松做什么，不能做什么。有些事情AI就是做不好。這時(shí)，音樂人可以充分發(fā)揮自己的優(yōu)勢(shì)。

劉曉光：簡(jiǎn)化的音樂流程將在一定程度上成為一種新的音樂生產(chǎn)方式。建議音樂人了解并與AI合作。請(qǐng)相信AI會(huì)越來(lái)越可控，讓音樂人實(shí)現(xiàn)自己想要的創(chuàng)作。但是，非IP音樂應(yīng)該慢慢做不到AI，音樂人需要越來(lái)越關(guān)注自己的IP特性，做出自己的專屬表達(dá)。

3.3 多角度：再?gòu)?qiáng)調(diào)也不過(guò)分。

李飛飛(斯坦福大學(xué)首任紅杉講座教授、前谷歌云人工智能和機(jī)器學(xué)習(xí)首席科學(xué)家)指出，培養(yǎng)人工智能的昂貴成本正在排除學(xué)術(shù)界，成為商業(yè)公司的特權(quán)。斯坦福大學(xué)報(bào)告指出，2022年，科技產(chǎn)業(yè)貢獻(xiàn)了32個(gè)關(guān)鍵的機(jī)器學(xué)習(xí)模式，而學(xué)術(shù)界只有3個(gè)。這就導(dǎo)致了一個(gè)問(wèn)題:商業(yè)行為的技術(shù)發(fā)展迅速，公共價(jià)值和處理社會(huì)風(fēng)險(xiǎn)的技術(shù)明顯落后。

雖然這個(gè)問(wèn)題很難完全解決，但是當(dāng)質(zhì)疑的聲音增加的時(shí)候，會(huì)帶來(lái)更多的公共保障行動(dòng)，可以激發(fā)更多的商業(yè)公司的自省和安全部署。

技術(shù)、工業(yè)、學(xué)術(shù)界、第三方等。，具有不同的價(jià)值取向和專業(yè)能力。這種多角度的參與更有可能使新技術(shù)朝著符合人類價(jià)值的方向發(fā)展。在音樂領(lǐng)域，藝術(shù)家、工業(yè)和技術(shù)之間也有多種視角。然而，由于技術(shù)門檻高、藝術(shù)門檻高，這兩個(gè)群體之間存在很大的信息差異。

趙偉峰指出，在天琴實(shí)驗(yàn)室，R&D部門80%以上的人需要具備一定的音樂素養(yǎng)，尤其是符號(hào)路線需要更深入的音樂知識(shí)。在音頻模型路線中，需要與專業(yè)音樂團(tuán)隊(duì)合作來(lái)判斷AI生成的內(nèi)容。這種互動(dòng)可以讓AI音樂更符合藝術(shù)家的標(biāo)準(zhǔn)。

職業(yè)評(píng)價(jià)只是最基本的參與方式，這種多角度的對(duì)話合作，也有助于解決更重要的問(wèn)題。例如，陳珊妮曾經(jīng)提出了一個(gè)尖銳的觀點(diǎn)，認(rèn)為特殊的音樂越來(lái)越少。到目前為止，數(shù)字音樂已經(jīng)被分類，便于管理和更快的聽力。但是如果有個(gè)人特征的東西不在電子和嘻哈，那是什么呢？它的流量會(huì)下降。AI音樂也差不多。它很容易使各種技術(shù)指標(biāo)趨于平均，但美感不是這樣。

再比如，吳斌從技術(shù)原理的角度判斷了AI音樂的上限:大模型技術(shù)路線的本質(zhì)是，從人類內(nèi)容中學(xué)習(xí)，本質(zhì)上沒有超越人類內(nèi)容的抓手；但是如果我們討論AGI，它涉及到另一條技術(shù)路線:加強(qiáng)學(xué)習(xí)。它可以讓AI在一個(gè)環(huán)境中探索自己的試錯(cuò)，理論上可以突破人類現(xiàn)有內(nèi)容的瓶頸。

我們應(yīng)該來(lái)自藝術(shù)家的審美經(jīng)驗(yàn)、人文關(guān)懷和理性質(zhì)疑，以及技術(shù)從業(yè)者從底層原則出發(fā)的可靠推理，以及產(chǎn)業(yè)、學(xué)術(shù)界和更多人。...利用理性精神和技術(shù)力量，從多個(gè)角度修復(fù)技術(shù)變革中的錯(cuò)誤，引導(dǎo)人工智能領(lǐng)域的良性發(fā)展。

本文節(jié)選自2023年中國(guó)數(shù)字音樂年度白皮書

本文來(lái)自微信微信官方賬號(hào)“騰訊研究院”（ID：cyberlawrc），作者：TME，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點(diǎn)，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請(qǐng)?jiān)谖闹凶⒚鱽?lái)源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請(qǐng)及時(shí)與我們聯(lián)系進(jìn)行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com