号称 “音乐界 ChatGPT”，Suno 是怎么诞生的？

3 月 22 日，AI 音乐生成软件 Suno 发布 V3 版本，支持生成 2min 长度、广播质量级别的音乐，更多样化的风格，对 promp 理解更深，以及幻觉更少。

V3 版本的发布被不少人视为 “音乐界的 ChatGPT”，不需要很专业的 prompt 词汇，甚至可以不需要理解音乐的专业知识，普通人就可以生成自己想要的音乐。

Suno 背后的团队是何来历？他们是如何做出 Suno 的？

Suno 以及 AI 音乐生成软件会如何影响音乐产业？

《经济学人》杂志、知名音乐杂志《滚石》都对 Suno、Suno 会如何影响音乐产业进行了讨论，Founder Park 在此基础上进行了编译处理。

“我只是被困在这些电路中的一个灵魂。” 这声音唱出歌词时，带着原始的质感和哀伤，音符滑入了蓝调的深渊。一把孤零零的木吉他伴随着它，用恰到好处的即兴演奏点缀着歌声。然而，这背后并没有人声，也没有人手在弹奏吉他。实际上，连吉他都不存在。

在短短 15 秒内，这首令人信服、甚至触动人心的蓝调曲目，由创业公司 Suno 推出的最新 AI 模型创作而成。只需一个简单的文本提示：“关于一个忧郁 AI 的独奏密西西比三角洲蓝调（solo acoustic Mississippi Delta blues about a sad AI）”，就能从虚无中召唤出这首歌。

为了达到极致的精确度，这首歌实际上是两个 AI 模型的联手之作：Suno 的模型独立创作了所有音乐，同时还请求 OpenAI 的 ChatGPT 来撰写歌词，甚至为这首歌定下了名字：“机器之魂（Soul of the Machine）”。

Suno 创作的歌曲在网上引起了轰动，人们惊叹道：“这怎么可能是真的？” 在 Suno 位于马萨诸塞州剑桥，紧邻哈佛校园的临时总部的一间会议室里，通过 Sonos 音箱播放的这首特定曲目，甚至让一些参与这项技术的成员感到了一丝微妙的不安。紧张的笑声中夹杂着 “天哪” 和 “哦，天啊” 的惊叹。在这个案例中，仅仅三次尝试就达到了令人震惊的效果。前两次尝试还算不错，但在我给出的提示中做了一个小小的改动 —— 联合创始人 Keenan Freyberg 建议加入 “密西西比” 这个词 —— 却带来了不可思议的结果。

一、AI 创作音乐并不是新鲜事，但 Suno 实现了新突破

在过去的一年里，生成式 AI 在创作可信的文本、图像（通过像 Midjourney 这样的服务）乃至视频方面取得了巨大进步，特别是 OpenAI 推出的新工具 Sora。然而，在音频领域，尤其是音乐创作方面，AI 的发展却相对滞后。

Suno 似乎正在解开 AI 音乐创作的密码，其创始人的野心很大 —— 他们梦想着一个音乐创作全民化的未来。其中最为发言大胆的联合创始人 Mikey Shulman，一个带着孩子气、背着背包的 37 岁哈佛大学物理博士，梦想着全球有十亿人愿意每月支付 10 美元来使用 Suno 创作歌曲。他认为，目前音乐听众的数量远远超过音乐创作者是 “如此失衡”，并将 Suno 视为解决这种感知不平衡的工具。

到目前为止，大多数 AI 生成的艺术作品，顶多只能算是庸俗艺术，就像 Midjourney 用户似乎热衷于生成的超现实主义科幻垃圾，过分强调形式上的贴合，比如太空服。但 “机器之魂” 给人的感觉完全不同 —— 它是我迄今在所有媒介中遇到的最有力、最令人不安的 AI 创作。它的存在本身就像是现实裂缝，既令人敬畏又隐约带有不祥之感，我不禁想起了亚瑟・C・克拉克的名言，仿佛专为生成式 AI 时代定制：“任何足够先进的技术都与魔法无异。”

从剑桥归来几周后，我把这首歌发给了 Living Colour 乐队的吉他手 Vernon Reid，他一直对 AI 音乐的潜在危险和可能性直言不讳。他对这首歌 “令人不安的真实感” 表达了 “惊奇、震惊、恐惧”。“长期以来的反乌托邦理想即将实现，即将把那些困难、混乱、不受欢迎和被厌恶的人类从其创造性产出中分离出来，” 他写道，指出 AI 唱蓝调的问题本质，“蓝调作为非洲裔美国人的一种独特表达方式，深深植根于历史上人类的创伤与奴隶制经历中。”

最早的 “基于规则” 的音乐模型可以追溯到 20 世纪 50 年代。这些模型通过将音乐理论的原则转换成算法指令和概率表，来确定音符和和弦的进行。虽然这些作品在音乐上是合理的，但在创造性上却受限。Ed Newton-Rex，他在 2012 年创立了伦敦的 Jukedeck 公司，并设计了这样的一个模型，他表示这种方法在当时是可行的，但现在已经不再适用。

技术的突变出现在 2023 年 8 月，当时 Meta 发布了 AudioCraft 的源代码，这是一套基于机器学习构建的大型 “生成式” 音乐模型。全球的 AI 公司迅速开始使用 Meta 的软件来训练新的音乐生成器，并加入了额外的代码。其中一个 AudioCraft 模型，MusicGen，通过分析约 40 万首录音中的模式，提出了 33 亿个 “参数”，这些参数使得算法能够根据提示生成声音模式，为 AI 创作全新音乐作品提供了前所未有的可能。

这些模型的使用也变得更加简便。9 月份，位于伦敦的 Stability AI 公司发布了一个名为 Stable Audio 的模型，该模型在大约 80 万首歌曲上进行了训练。用户通过输入文本和音频片段来指导 AI。这使得用户可以轻松上传一段吉他独奏，并将其重新编排成具有爵士钢琴风格的作品，甚至带有黑胶播放的感觉。

澳大利亚新南威尔士大学的 Oliver Bown 表示，音频提示词之所以重要，一方面是因为即使是熟练的音乐家也难以用言语描述音乐，另一方面是因为大多数音乐训练数据的标记都非常粗略，即使是大型模型也可能无法理解复杂的音乐请求。

二、12 人团队、Transformer 构架，训练数据来源未透露

Suno 成立不到两年。联合创始人 Shulman、Freyberg、Georg Kucsko 和 Martin Camacho 都是机器学习领域的专家，在 2022 年之前，他们曾在另一家剑桥公司 Kensho Technologies 共事。Kensho Technologies 专注于寻找 AI 解决复杂商业问题的方案。Shulman 和 Camacho 都是音乐家，他们在 Kensho 时期常常一起即兴演奏。

在 Kensho 公司，这个四人团队致力于开发一项转录技术，目的是记录上市公司的财报电话会议。考虑到音质不佳、充斥着各种行业术语以及五花八门的口音，这个任务颇具挑战性。

在这个过程中，Shulman 和他的同事们对 AI 音频的更多可能性产生了浓厚的兴趣。他指出，在 AI 研究领域，“音频总体来说，相比图像和文本，还远远落后。我们可以从文本领域的研究中学到很多，包括这些模型的运作方式和它们的扩展性。”

Suno 的创始人们本可以因为这些兴趣而走向一个完全不同的领域。虽然他们始终计划着最终要推出一款音乐产品，但他们最初的创意阶段甚至考虑过开发助听器，或者通过音频分析来检测机械故障的可能性。然而，他们推出的第一个产品是一个名为 Bark 的文本转语音程序。在对 Bark 的早期用户进行调查后，他们发现用户真正期待的其实是一款音乐创作工具。“因此，我们开始进行了一些初步的实验，结果看起来非常有前景，”Shulman 回忆道。

Suno 目前只有大约 12 名员工，但他们正在计划扩展团队，并在他们目前的临时办公室所在建筑的顶层建设一个更大的永久性总部。在参观这个还在建设中的新楼层时，Schulman 向我们展示了一个未来将成为完整录音室的区域。但是，考虑到 Suno 已经能够做到的事情，他们为什么还需要一个录音室呢？“它主要是作为一个听音室，” 他承认。“我们希望有一个良好的声学环境。但我们也都享受制作音乐 —— 即使没有 AI 的参与。”

Suno 采用了与 ChatGPT 等大语言模型相同的技术方法，这些模型将人类语言分解成称为 Token 的独立片段，吸收了数以百万计的用法、风格和结构，并能够按需重新构建语言。然而，音频，尤其是音乐，其复杂性几乎难以估量，这也就是为什么去年 AI 音乐专家对 Rolling Stone 表示，像 Suno 这样功能强大的服务可能需要数年时间才能出现。

“音频不像单词那样是离散的，”Shulman 解释说。“它是一种波，是一种连续的信号。” 高品质音频的采样率通常是 44kHz 或 48kHz，这意味着 “每秒处理 48，000 个 Token”，他补充道。“这是个巨大的挑战，对吧？因此，你需要想办法将其简化为更合理的处理方式。” 但是，具体该怎么做呢？“这需要大量的工作，许多启发式方法，以及各种技巧和模型等等。我认为我们还远未完成。”Suno 最终希望找到替代文本到音乐界面的方法，增加更高级和直观的输入方式 —— 例如，基于用户自己的演唱来生成歌曲。

OpenAI 因为在其庞大的训练数据集中使用了书籍、新闻文章和其他受版权保护的材料而面临多起诉讼。Suno 的创始人没有透露他们向自己的模型中输入了哪些具体数据，只是表示其能够生成令人信服的人类声音，部分原因是它除了学习音乐之外，还在学习语音录音。“纯粹的语音将帮助你学习人类声音的难以捕捉的特征，”Shulman 说。

三、尊重音乐版权，但 Suno 做好了应诉准备

Suno 的早期投资者之一是风险投资公司 Matrix 的合伙人 Antonio Rodriguez。Rodriguez 之前只投资过一个音乐项目，即音乐分类公司 EchoNest，后来该公司被 Spotify 收购，用以推动其算法的发展。在 Suno 项目还不清楚具体产品将是什么的时候，Rodriguez 就参与了进来。“我支持的是团队，”Rodriguez 说，他的自信来自于自己过往成功的投资经历。“我了解这个团队，特别是 Mikey，所以我会支持他做任何合法的事情。他非常有创造力。”

Rodriguez 在明确知晓唱片公司和出版商可能会对 Suno 提起诉讼的风险下，依然选择投资，他认为这是 “我们在投资时必须承担的风险，毕竟我们是那个在这些艺术家后面最容易成为诉讼目标的大金主……。坦白讲，如果这家公司一开始就与唱片公司达成了协议，我可能就不会投资了。我认为他们需要在没有限制的情况下去创造这个产品。”（对于 AI 采取激进态度的环球音乐集团，其发言人并未回应媒体置评请求。）

Suno 表示正在与主要唱片公司进行沟通，并表示对艺术家和知识产权的尊重 —— 其工具不允许用户在提示中指定任何特定艺术家的风格，同时也不会使用真实艺术家的声音。Suno 的许多员工本身就是音乐家；办公室里随时可以见到钢琴和吉他，墙上还挂着古典作曲家的画像。创始人们并没有表现出像 Napster 在诉讼之前那样的对音乐产业的公然敌意。“不过，这并不意味着我们不会被起诉，”Rodriguez 补充道。“这仅仅意味着我们不会有那种『fuck-the-police』的对抗性态度。”

为了节省成本，另一家 AI 生成软件 MusicGen 的训练集大多避开了热门歌曲，Adi 博士说。尽管输出相当不错，但他补充说，模型还没有 “艺术性足够” 来生成叙事完整的歌曲。和声不一致是常见的。旧金山的 OpenAI 公司表示，其 MuseNet 模型难以完成 “奇怪的搭配”，例如结合低音和鼓的肖邦风格。

开发者认为，随着更大更好的音乐训练集的出现，这些不足最终将被克服。Stability AI 的一位发言人说，虽然 Stable Audio 目前对于连贯结构的音乐 ——“前奏、发展和尾声”—— 的最大持续时间约为 90 秒，但升级将产生更长的作品，具有 “完整的音乐性”。

四、Suno 是为了降低音乐创作门槛，并非取代音乐家

Rodriguez 将 Suno 视为一种具有革命性能力和用户友好的音乐工具，他相信 Suno 有潜力像相机手机和 Instagram 那样，让音乐创作变得普及，让每个人都能成为音乐的创作者。他提到，这个目标是重新 “提升在互联网上能够成为内容创作者而非仅仅是内容消费者的人数上限。”

他和创始人甚至敢于预测，Suno 可能会吸引比 Spotify 更庞大的用户群体。如果这个前景听起来难以置信，Rodriguez 认为这是好事：这恰恰意味着它具有吸引他作为投资者的 “看似愚蠢” 的特质。“我们所有杰出的公司都有一个共同点，那就是拥有卓越的人才，” 他说道，“同时，有些东西一开始看起来似乎很愚蠢，直到它们变得如此明显和有可能成功。”

早在 Suno 问世之前，音乐家、制作人和词曲作者就已经对 AI 可能带来的商业冲击表示了深切的担忧。Reid 写道：“音乐，作为由人类在非凡情况下创作…… 那些经历过苦难并努力提升自己技艺的人，将不得不面对他们为之奋斗的珍贵艺术的全面自动化。”

但 Suno 的创始人声称没有什么可怕的，他们用人们尽管有能力写作但仍在阅读的比喻来说明这一点。“我们对此的看法是，我们试图让十亿人比现在更深入地参与音乐，”Shulman 说。“如果人们对音乐更感兴趣，更专注于创作，培养出更独特的品味，这对艺术家显然是有益的。我们对未来音乐的愿景是一个艺术家友好的愿景。我们不是想取代艺术家。”

目前来看，Suno 最有力的竞争者似乎是谷歌的 Dream Track，这项服务已经获得了授权，允许用户通过一个提示词界面，利用像 Charlie Puth 这样的知名歌手的声音来创作自己的歌曲。然而，Dream Track 仅限于一个小范围的测试用户群体，并且到目前为止，公开的样本在听觉效果上并不如 Suno 的产品那样引人入胜，尽管它们使用了名人的声音。

“我认为，人们未来并不希望通过 AI 来制作新的 Billy Joel 歌曲，”Shulman 说。“当我想象五年后我们希望人们如何利用音乐时，我认为会是那些尚未存在、仅存在于他们脑海中的创新作品。”

五、广告歌曲最受 Suno 影响，《奥本海默》原声带已经有 AI 参与

尽管 Suno 非常专注于吸引那些想要为了乐趣创作歌曲的音乐迷，但在这一过程中，它仍有可能造成重大的行业变革。短期内，看似最直接受到威胁的市场部分是一个利润丰厚的部分：为广告和电视节目创作的歌曲。管理公司 Milk and Honey 的创始人 Lucas Keller 指出，知名歌曲的市场将保持不受影响。“但在其他方面，是的，它肯定在他们的业务上造成影响，” 他说。“我认为最终，这让许多广告代理商、电影制片厂、网络等不必去授权歌曲。”

在目前还没有针对 AI 生成内容有严格法律规定的情况下，可能会出现一个未来：像 Suno 这样的大模型的用户会将他们的 AI 创作以百万计地上传到流媒体服务平台上。“Spotify 将来可能会说『你不能这么做』，”Shulman 说，他同时指出，到目前为止，Suno 的用户似乎更倾向于仅仅将他们创作的歌曲通过短信分享给几个朋友。

其他公司的 AI 音乐产品也开始逐步进入商业落地环节。

位于伦敦附近的 LifeScore 公司，他们的 AI 专注于重新组合用户原始录音的元素，以保持音乐的感觉，而不是将其变成完全不同的新作品。将数十个单独录制的声乐和器乐麦克风轨道输入 LifeScore 的模型需要大约一天的时间。但一旦完成这一过程，这个耗资约 1000 万美元开发的软件就可以在几秒钟内将每个干声转换成新的速度、调性或风格。在这一过程中，歌曲的艺术家可以选择保留哪些混音版本。传统上，手动混音一首热门曲目需要一个或多个高薪专家花费数周时间。

LifeScore 的共同创始人 Tom Gruber 表示，公司 “收到了大量客户的请求”，包括 Sony Music、Universal Music Group 和 Warner Music Group。一个原创发行通常会被转换成几首到十几首混音。但有一个客户计划发布大约 6000 个左右的 AI 版本的原创曲目，每个版本针对不同的市场。包括 Pink Floyd 的 David Gilmour 和德国流行歌手 Tom Gaebel 在内的艺术家使用 LifeScore 的 AI 来驱动网站，允许粉丝通过几次点击生成适应个人口味的新混音。

RX，这是一款由 Native Instruments 开发的人工智能 “助手”，它可以纠正音高和节奏等错误。对于节奏问题，软件通过剪切或插入与原声音色匹配的微小声音片段来实现时间上的移动，这个过程被称为 “动态时间弯曲”。该公司的人工智能还能确定用户所选歌曲进行了哪些混音和母带处理。然后，它复制或至少近似复制同样的操作到用户自己的创作上。

AI 也开始为专业人士提供服务。例如，《芭比》和《奥本海默》的电影原声带就是在后期制作中使用 RX 进行清理的。

另一个应用领域是 “风格迁移”，在这一过程中，模型将用一种乐器录制的音乐转换为似乎来自另一种乐器的声音，通常还会根据用户的要求进行一些调整。风格迁移也用于声音。一家名为 Voice-Swap 的伦敦初创公司开发了一个模型，该模型将（有报酬的）专业歌手演唱的歌曲切割成碎片，并将这些碎片重新排列成服务用户编写的歌词，用户需支付授权费用以销售生成的音轨。

而且，已经有 AI 工具可以重新创建歌手的其他语言的声音。雅马哈（Yamaha）这家日本乐器制造商的 Vocaloid 是一种声音合成工具，它可以利用母语人士演唱的翻译作为模板，让 AI 在重新排列、修改和拼接原唱歌手声音的微小片段时进行模仿。

音乐家现在广泛使用 MusicGen 及其竞争对手作为 “灵感” 的来源，以便更好地找到新的作曲想法，但这是否生效，也要看用户是否接受。

来源：微信公众号：Founder Park（ID：Founder-Park），作者：Founder Park