國內(nèi)首個！純中文AI音樂模型殺瘋了，全面接入10億人的抖音

新智元報道

【新智元導(dǎo)讀】受夠了Suno的「洋腔洋調(diào)」？十億級國產(chǎn)AI音樂大模型殺出重圍！單卡10秒直出正宗華語歌，一口氣打穿抖音、剪映等7大平臺。AI寫歌賺錢，終于閉環(huán)了。

國人專屬的AI音樂引擎，全面上線了！

自Suno掀起AI音樂的「ChatGPT時刻」以來，這條賽道就沒安靜過。

海內(nèi)外玩家一擁而上，模型一代比一代能打，生成的歌越來越長、音質(zhì)越來越好。

但只要你認真做過幾首中文歌，絕對會秒懂這種尷尬：太「洋腔洋調(diào)」了，咬字發(fā)飄、情緒懸浮。

母語，反而成了AI音樂最不擅長的語言。

如今，一個更難的命題，這才剛剛浮出水面：

AI能生成一首歌，但它能真正「讀懂」并表達出國人的情緒嗎？能唱出華語才有的那種味道嗎？

我們先來聽幾首開開胃。

這首歌詞被切得很碎，「曾一起走」「還能感受」，短句之間全是停頓，像一個人在回憶里反復(fù)盤旋，欲言又止。情緒不是爆發(fā)式的，是悶在胸口那種。

「花落遍野」「前世生生」「煙花易冷」，寫滿古典意象的中國風(fēng)詞作。前半段密集押「ou」韻，后半段無縫切到「a」韻，氣息綿長，有傳統(tǒng)吟唱的韻味在里面。

傷感、古風(fēng)，兩種完全不同的情緒邏輯。它們有一個共同點：全部由歌歌AI生成。

通用AI音樂，水土不服

2026年的AI音樂賽道，熱得有些燙手。

就在上個月，AI音樂獨角獸Suno完成超4億美元D輪融資，估值一舉沖到54億美元。

資本瘋狂的背后，是一個正在被徹底重寫的產(chǎn)業(yè)：

IFPI《2026全球音樂報告》顯示，2025年全球錄制音樂收入達317億美元，中國首次躋身全球第四大音樂市場。

流媒體平臺Deezer數(shù)據(jù)更驚人，4月，每天涌入平臺的AI歌曲近7.5萬首，占當日新增上傳的44%。

而在2025年1月，這個數(shù)字還只有日均約1萬首，短短一年多完成爆發(fā)式增長。

可見，全世界都在搶著讓AI寫歌。

可喧囂之下，藏著一個略顯尷尬的真相：歌越寫越多，人卻越聽越少。

像是Deezer這樣的平臺，AI歌曲的實際播放占比，只有1%-3%。

日產(chǎn)7.5萬首，播放不到3%。這組數(shù)據(jù)，精準地戳中了2026年AI音樂賽道最扎心的悖論：產(chǎn)能炸了，產(chǎn)品過不了人耳這一關(guān)。

尤其是，絕大多數(shù)AI唱出來的中文歌，總「差點意思」。人聲機械干癟，咬字含混，一開口就像「外國人在念中文」。

Suno的用戶甚至總結(jié)出了一套繞路技巧——把復(fù)雜中文字換成拼音或同音字，才能讓模型生成出勉強準確的發(fā)音。

再加上流水線式的標準化生成，讓音樂失去了本該有的溫度，也就很難讓國內(nèi)聽眾產(chǎn)生真正的共鳴。

表層看，這似乎只是「調(diào)得不夠好」。但往深里挖，這其實是一道「架構(gòu)題」。

當前，絕大多數(shù)通用音樂模型，底座都建立在英語語料體系之上。

英語是重音節(jié)奏語言，一個單詞的重音往哪砸，節(jié)奏就跟著走；而中文是聲調(diào)語言，一個「媽」和一個「馬」，音高走勢完全不同。

字音對齊、音節(jié)邊界、聲調(diào)在連續(xù)語流里的變化，跟英語根本不是一套系統(tǒng)。

這也是為什么，通用模型的華語短板，從來不是多加幾輪「微調(diào)」就能補齊的表層問題。

AI音樂的三個階段

其實AI音樂走到今天，已經(jīng)翻過了兩座山頭。

第一階段，解決的是「能不能」。

AI能不能生成一首結(jié)構(gòu)完整的歌，有主歌副歌、有人聲有伴奏、能聽。這道題兩三年前基本解開了，市面上大多數(shù)模型都做得到。

第二階段，解決的是「好不好」。

音質(zhì)夠不夠Hi-Fi，人聲夠不夠真實，風(fēng)格夠不夠多樣。這是Suno和Udio主導(dǎo)的軍備競賽，它們把生成質(zhì)量推到了很高的水位。這層競爭沒有停，但天花板已經(jīng)隱約可見。再往上卷，邊際收益越來越小。

第三階段，才是真正的硬骨頭：「像不像，能不能打動人」。

AI生成的音樂，能不能真正承載一種情緒、貼合一種審美、打動一群人的耳朵？

你可以讓AI生成一首「傷感」的歌，但它傷不傷感，聽眾一耳朵就能分辨。大多數(shù)AI音樂聽完，你記不住任何一句，感覺不到任何溫度。

這道題，比把音質(zhì)做Hi-Fi難得多。因為它不是參數(shù)夠不夠大的問題，是模型能不能理解一種文化里的情緒邏輯、能不能對齊一群人的審美偏好的問題。

于是，來自杭州的一家公司——杭州音律閃動人工智能科技有限公司，直接把重兵壓在了第三階段。

這個選擇背后的判斷很清楚：在音質(zhì)上和Suno、Udio硬剛，是跟跑；在「讀懂國人情緒、唱出華語味道」上建壁壘，是領(lǐng)跑。

前者卷的是通用能力，后者拼的是本土深度。而這，恰恰是海外模型的結(jié)構(gòu)性盲區(qū)。

從0自研十億級大模型

把「華語味」寫進底層

歌歌AI音樂大模型，一款從0開始完整預(yù)訓(xùn)練的「端到端」音樂生成大模型。

參數(shù)規(guī)模達十億級，沒有套用任何現(xiàn)成開源模型，也不是二次微調(diào)的「套殼」產(chǎn)物。

它的本土化，是從架構(gòu)層一路貫穿到訓(xùn)練數(shù)據(jù)、評測基準和優(yōu)化目標的。

拆開來看，有四個關(guān)鍵功夫。

第一道，讓AI的嗓子「活過來」。

傳統(tǒng)AI人聲最勸退的地方，就是那股機械感。沒有層次、沒有細節(jié)、沒有呼吸。

歌歌AI在真人演唱演繹上，做了深度迭代——

音色自然通透，咬字溫潤貼合華語發(fā)音特點，唱腔韻律、強弱起伏、氣息遞進，都在向真人演唱的邏輯靠攏。

支撐這份細膩的，是歌歌AI在人聲生成路線上的核心判斷：端到端擴散生成為主、歌聲合成思想為輔的「混合架構(gòu)」。

人聲與伴奏各走一條獨立的生成通路（雙流設(shè)計），兩條通路之間再通過跨流注意力機制，完成節(jié)奏與和聲的精準對齊。

這樣做的原因在于，人聲要的是咬字、氣息、情感的細膩，伴奏要的是節(jié)奏、和聲、層次的穩(wěn)定，塞進同一條通路必然互相妥協(xié)。分開走，各自才能做到極致。

跟傳統(tǒng)做法一比就知道這個設(shè)計有多絕。前者是先錄好伴奏帶，再讓歌手對著配唱。而歌歌AI的做法更像樂隊現(xiàn)場：歌手和樂手同時演奏，彼此聽著對方在調(diào)整。

每一次氣口、每一處收音，都踩著伴奏的律動來，這才有了渾然一體的聽感。

第二道，攻克華語的「吐字模糊」頑疾。

中文咬字清不清晰，是華語AI音樂的生死線。

歌歌AI引入了「音素—時間幀軟對齊先驗機制」，把中文字符的發(fā)音時序信息，作為注意力偏置顯式注入生成過程。

通俗講，就是提前告訴模型「每個字該在哪一拍落下」，從根子上治好了AI人聲音節(jié)錯位、字音含混的老毛病——

讓每一個字，都落在它該落的位置。

第三道，是讓AI真正「讀懂國人的情緒」。

基礎(chǔ)問題解決后，才是歌歌AI真正的技術(shù)重頭戲：情緒表達。

同一句歌詞，傷感和熱血，氣息、力度、音色完全不一樣。想要區(qū)分開來，模型就得真正理解「情緒」在音樂里怎么運作。

歌歌AI音樂大模型的背后是一套「分層、獨立的多維條件控制體系：情緒、曲風(fēng)、調(diào)性等全局風(fēng)格，通過自適應(yīng)歸一化機制（AdaLN-Zero）調(diào)制模型每一層的生成行為，保證整首歌的情緒走向貫通一致。

歌詞與旋律則通過交叉注意力逐幀對齊。

更精細的是，不同條件維度各自擁有獨立的引導(dǎo)強度控制——

創(chuàng)作者可以分別調(diào)節(jié)「緊貼歌詞」和「旋律自由發(fā)揮」的權(quán)重，而不必用一個旋鈕粗暴地控制全局。

跨模態(tài)編碼器的加入，則讓「慵懶的深夜爵士」這樣一句文字描述，與一段參考音頻，在模型內(nèi)部被等價理解、自由切換。

第四道，三階段全鏈路華語訓(xùn)練。

架構(gòu)固然精妙，但真正讓這個模型和Suno拉開天塹鴻溝的，是極其本土化的訓(xùn)練策略。

歌歌AI的訓(xùn)練走了三個完整階段——

• 訓(xùn)練音頻壓縮與重建的基礎(chǔ)感知模型（VAE）；

• 以授權(quán)華語曲庫為基礎(chǔ)，從零預(yù)訓(xùn)練十億級參數(shù)擴散主干；

• 用華語聽眾的真實審美偏好，做偏好對齊優(yōu)化（音樂領(lǐng)域的DPO）。

尤其是最后這步DPO，它對齊的不是一個「泛化人群的平均打分」，而是讓生成偏好向真實的國內(nèi)用戶耳朵收斂。

這就好比，一個聽著華語流行樂長大的中國小孩，和一個成年后才學(xué)唱中文歌的外國人，旋律或許都能踩中，但那股骨子里的韻味卻差了整整一個量級。

這套架構(gòu)合起來要解決的是AI音樂最致命的短板：千曲一面、無魂無感。

無論是傷感治愈、溫柔抒情，還是國風(fēng)古韻、市井煙火，歌歌AI都能將這些極具中國本土特色的情緒，拿捏得分毫不差。

10秒一首歌，單GPU生成

不僅如此，歌歌AI在效率上，同樣交出了業(yè)界前沿的成績。

它采用非自回歸并行生成架構(gòu)，區(qū)別于逐token順序推理的自回歸模式，整首歌的潛在表示是并行去噪生成的。

結(jié)果顯示，在單張H系GPU上，約10秒即可完成一首3分鐘完整歌曲的生成，實時率（RTF）約為0.05。換句話說，生成速度大約是實時播放的20倍。

再配合流匹配少步采樣（標準8步，蒸餾版可壓至1-4步）、模型量化加速、引導(dǎo)蒸餾等一系列工程優(yōu)化，單首歌曲的推理成本被壓到了極低量級。為大規(guī)模商業(yè)部署，鋪平了經(jīng)濟性的地基。

用戶端還引入了分塊續(xù)寫機制，不必等全曲生成完畢，就能邊生成邊收聽，體驗絲滑。

唱得好、跑得快、用得起，這三件事湊齊，AI音樂才真正具備了走進日常創(chuàng)作的資格。

短視頻配樂、新媒體BGM、原創(chuàng)音樂制作、直播伴奏、商業(yè)場景配樂……歌歌AI產(chǎn)出的作品，天然適配國內(nèi)主流創(chuàng)作場景。

而這，也順理成章地引出了第二枚重磅動作。

字節(jié)七大平臺一個不落

AI音樂再好，如果沒人聽，就永遠是一門半截子生意。

歌歌AI要的，正是讓這些歌真正被聽見——走進國內(nèi)最大的創(chuàng)作者生態(tài)。

伴隨模型上線，歌歌AI正式與字節(jié)跳動達成非獨家音樂版權(quán)分成合作，其覆蓋面堪稱恐怖。

從抖音、剪映、汽水音樂，再到番茄暢聽、番茄音樂、西瓜視頻以及今日頭條，字節(jié)系的七大核心平臺可謂一個都不落。

對創(chuàng)作者而言，這是一條真正跑通的商業(yè)閉環(huán)。

對于抖音、剪映的億萬創(chuàng)作者來說，可以選用歌歌AI生成的版權(quán)音樂來制作視頻、直播配樂、翻唱二創(chuàng)。

而歌曲在汽水音樂的會員付費、數(shù)字專輯、單曲售賣、廣告分成，以及番茄系平臺的有效播放，都將按合同約定進行分成結(jié)算。

往后，模型新生成的非獨家曲目，還會持續(xù)自動納入授權(quán)曲庫，不斷擴充字節(jié)平臺的正版曲庫儲備。

這次合作的分量，不只在「入駐」兩個字。

它標志著歌歌AI的自研技術(shù)，完成了從能生成到能變現(xiàn)的商業(yè)化閉環(huán)關(guān)鍵一躍——

AI原創(chuàng)音樂第一次真正觸達了億萬用戶的日常創(chuàng)作與生活。

AI民樂的「韻味」難題

他們決定從源頭解

把流行音樂做扎實之后，音律閃動還揣著一個藏了很久的心愿：用AI技術(shù)，讓中國傳統(tǒng)民樂重新活起來。

任何一個聽過市面上「古風(fēng)音樂」的人，大概都有過類似的失望——

古箏彈得像電子琴，嗩吶吹不出那股蕩氣回腸的穿透力，戲曲唱腔生硬得像在念稿。

原因并不復(fù)雜，絕大多數(shù)AI模型壓根沒聽過真正原汁原味的中國民樂。它們訓(xùn)練用的，大多是經(jīng)過二次加工的電子民樂，自然學(xué)不到傳統(tǒng)民樂骨子里的韻味與靈氣。

而真正的戲曲舞臺，講究的是「有聲必歌」。成段的唱腔、念詩、叫板、念對子、數(shù)板，甚至笑、哭、咳嗽，都需要藝術(shù)處理，都有腔調(diào)。

要想生成出有韻味的民樂，就必須要把一種傳承了幾百年的、說不清道不明卻一聽就能分辨的「味道」，用算法重新表達出來。

歌歌AI的解法，笨得有點浪漫：親自去聽、去錄、去收集最地道的中國聲音。

接下來幾個月，采風(fēng)團隊會背著專業(yè)錄音設(shè)備走遍大江南北——

去陜西的老戲臺聽秦腔老藝人的高亢唱腔；

去江南的水鄉(xiāng)錄評彈琵琶的婉轉(zhuǎn)悠揚；

去云南的村寨采葫蘆絲和蘆笙的清新靈動；

去陜北的黃土高坡聽嗩吶吹出的悲歡離合。

找到那些堅守傳統(tǒng)的非遺傳承人、民間老藝人，現(xiàn)場實錄他們指尖下最純粹的二胡、古箏、竹笛、琵琶，記錄那些口口相傳了幾百年的民間小調(diào)、戲曲選段。

所有一手采集的聲音，都完成正版版權(quán)歸檔，作為獨家訓(xùn)練數(shù)據(jù)。

整件事，團隊規(guī)劃了清晰的三步走：

第一步，收集聲音。用半年到一年完成全國采風(fēng)，建立包含上百種傳統(tǒng)樂器、幾十種地方戲曲唱腔的專屬聲音庫；

第二步，教會AI。基于現(xiàn)有架構(gòu)專項優(yōu)化民樂生成能力；

第三步，開放給每個人。在歌歌AI上線獨立的「民樂創(chuàng)作專區(qū)」，只需輸入「江南煙雨 古箏」「春節(jié)喜慶 嗩吶」就能一鍵生成有中國味道的原創(chuàng)民樂。

坦白講，這是一件「反效率」的慢事——采風(fēng)、歸檔、標注，哪一樣都急不來。

但也恰恰是這份慢，最難被復(fù)制。

讓AI寫出中國人的歌

當全球每天有7.5萬首AI歌曲被批量生產(chǎn)、又被迅速遺忘時，真正稀缺的是「能打動人的那一首」。

AI音樂的制高點，正在從「誰生成得更好」轉(zhuǎn)移到「誰更懂聽眾」。

歌歌AI音樂大模型的每一個技術(shù)決策，都指向同一個樸素的答案——

讓模型生成的音樂，聽起來像中國人寫的歌。

從架構(gòu)層的從零自研，到字節(jié)生態(tài)的商業(yè)閉環(huán)，再到民樂采風(fēng)的長期布局，這家公司選擇的是一條更慢、也更難的路，把「中國味」一寸一寸地寫進底層。

在歌歌AI看來，AI之于音樂，始終扮演著賦能者的角色。它讓更多沒有樂理基礎(chǔ)的普通人，第一次擁有了創(chuàng)作的能力。

人人都是音樂家，這句話，正在從一句口號，變成一件可以親手觸碰的事。