歌歌 AI 獲字節非獨家版權合作：AI 音樂的 B 端閉環怎么跑

讓 AI 生成純正的中國音樂，為什么這么難？

作者｜Cynthia

編輯｜鄭玄

歌歌 AI 創始人龍勇，或許是全中文 AI 產品圈里，最會整活兒，也最懂網絡沖浪的 CEO。

如果你對這個名字不熟悉，沒關系，你總該看過《中國好聲音》《中國有嘻哈》，擁有 20 年音樂制作經驗的龍勇，是這兩檔節目的官方合作伙伴，還是電視劇《北京青年》的插曲創作者。

這些都沒聽過？

那你一定聽過在 B 站傳播千萬甚至上億的魔性神曲《大香蕉》，不僅歌本身的傳播度高，龍勇隨手發個視頻，只要標題帶上《大香蕉》三個字，就有動輒幾萬甚至上百萬的播放，最火一條，播放量甚至高達 553.8 萬，沖上 B 站熱門。

當然，神曲只是個意外，龍勇早在七八歲開始就抱著磁帶學吉他，后來還開過連鎖琴行，也因為各種音樂創作上的成績，在圈子里小有名氣。

但 2018 年，他決定把這些都放下。

去做 AI 音樂，去做一款面向普通人、也能讓創作者賺到錢的 AI 音樂創作產品。于是，歌歌 AI 就這樣誕生了。

01

從零開始，做真正懂中文的 AI 音樂模型

事實上，歌歌 AI 團隊創業了整整五年后，直到 2023 年，AI 音樂創作才真正迎來了爆發式增長。

彼時 Suno、Udio 等海外 AI 音樂工具橫空出世，震動全球音樂行業。從英文流行樂到韓式 K-pop，AI 均可生成水準成熟的商用音樂作品。

但視角轉回華語樂壇，事情開始變得有些不對味：這類依托英文語料訓練的模型，多數情況下，其實根本聽不懂中文。例如 AI 常會讀錯歌詞生僻字、詞語，歌詞斷句錯亂；與此同時，AI 生成音樂，會人聲機械僵硬、情感單薄空洞，對于國風、華語流行、民謠等國內主流曲風適配性極差，這類行業痛點也早已是老生常談。

種種問題的根源，在于很多 AI 音樂產品在模型訓練上走了捷徑。

主流通用 AI 音樂模型的訓練路徑是：先依托海量英文曲目訓練通用模型，再投喂少量中文曲庫完成微調。但問題在于，華語的聲調規律、音節邊界、字音對齊邏輯與英語有根本性差異。僅靠少量中文數據微調，就像讓母語為英語的人突擊學習中文，即便沒有西式口音，也無法擺脫英文本身帶來的思考習慣。

為了解決這個問題，歌歌 AI 選擇了一條更艱難的路：自 2022 年就從零開始，訓練一個只喂中文音樂的音樂大模型。

首先，他們訓練了一個音頻壓縮與重建的基礎感知模型（VAE），這相當于讓 AI 學會「聽」，能理解聲音的基本結構。在此基礎上，他們還構建了一個十億級參數規模的擴散主干模型，全部基于全授權華語曲庫從零預訓練，讓 AI 從出生那天起，就在中文音樂的語境里長大。

歌歌 AI 生成音樂：篝火邊的月亮，人聲清晰，中文表達準確

但光有模型還不夠。真正的難點在于：讓 AI 理解韻味。

在 AI 領域，這叫對齊問題。模型不僅要學會生成正確的音符，還要學會生成中國人聽起來對的味道。歌歌 AI 的解決方案是：以華語聽眾的實際審美偏好為標準，對模型進行「DPO」（Direct Preference Optimization），即偏好對齊優化。

歌歌AI 生成音樂《慢半拍》，人聲清晰，中文表達準確

最終的模型架構上，歌歌 AI 音樂模型采用了端到端擴散生成為主、歌聲合成為輔的混合架構。人聲與伴奏各走獨立的生成通路（雙流設計），兩條通路之間通過跨流注意力機制完成節奏與和聲的精準對齊。如此一來，人聲與伴奏不再是簡單疊加混合，中文歌詞的清晰與準確也就有了保障。

02

10 秒生成一首歌，

AI 音樂進入普惠時代

技術跑通了，接下來要解決的是一個更根本的問題：如何讓這套技術真正服務于行業？

團隊很快意識到，AI 音樂行業面臨的雙重困境：成本太高，以及創作者賺不到錢。事實上，這也是一枚硬幣的兩面。

降低成本是第一步。

傳統 AI 音樂生成一首 3 分鐘歌曲，可能需要數分鐘甚至更長時間，在 C 端場景里，很少有用戶會有如此耐心。

為此，歌歌 AI 采用了一種叫「非自回歸并行生成」的架構。簡單來說，就是全曲的潛在表示可以并行去噪，而非過去耗時耗力的逐 token 順序推理。配合流匹配少步采樣（標準 8 步，蒸餾版可壓縮至 1 至 4 步）、模型量化加速等技術優化，在單張 H 系列 GPU 上，實時率（RTF）可以做到 0.05，也就是約 10 秒即可生成一首 3 分鐘歌曲。

這個速度不僅比行業普遍水平快了二十倍以上。還能通過搭配用戶端的分塊續寫機制，用戶完全無需等待全曲生成完畢即可開始收聽，實現流暢的漸進播放體驗。

整體的推理時間與需要的資源少了，成本自然也就更低了，這也意味著，即便是普通用戶，也可以用極低的價格甚至免費使用 AI 音樂創作工具。

03

聯動字節，

補上音樂創作

走向普通年輕人的最后一塊拼圖

技術降低了門檻，但如果創作者仍然賺不到錢，整個生態就無法真正建立起來。

極客公園獨家獲悉，伴隨模型正式落地，歌歌 AI 目前已經與字節跳動達成非獨家版權分成合作。全量音樂——原創歌曲、錄音制品、MV 版權內容——全部合規上架汽水音樂、番茄暢聽、番茄音樂、抖音、剪映、西瓜視頻、今日頭條等全字節產品矩陣。

這是一條完整的商業鏈路：抖音、剪映擁有億級別的創作者生態。這些創作者每天制作海量的短視頻內容，對背景音樂的需求是海量的。過去，他們只能從版權音樂庫里挑選有限的曲目；現在，他們可以直接使用歌歌 AI 創作者所創作的版權音樂去制作視頻配樂、直播背景音樂、翻唱二創。

而歌曲在汽水音樂會員付費、數字專輯、單曲售賣、平臺廣告分成，以及番茄系平臺有效播放產生的收益，也可以讓創作者按照合同約定進行分成結算。

至此，創作者使用 AI 工具生成音樂 → 內容在抖音、剪映被用作配樂、二創 → 歌曲在汽水音樂被收聽 → 收益按分成結算返還給創作者，一個關于 AI 音樂從創作到變現的完整閉環正式完成，普通人也能參與其中。

在歌歌 AI 平臺，一個內蒙古的寶媽，從沒學過樂理，去年開始用歌歌 AI 創作歌曲。她寫的《風知道我的傾訴》在抖音獲得 30 萬點贊，最高一天播放量超過 100 萬次。按照字節的分成規則，這首歌最多時每天為她帶來約 4000 元的版稅收入。

這樣的案例不是孤例。平臺數據顯示，當前歌歌 AI 月活已經達到百萬上下，其中付費用戶也接近十萬。并且，平臺已有超過 15000 名創作者成功結算了歌曲版稅收益，單年版稅超過 10 萬的頭部創作者不在少數，對接 MCN 機構的 B 端用戶預估年收入能達到三四百萬。

04

把錄音機背進黃土高坡

技術和商業閉環都跑通之后，歌歌 AI 團隊開始思考一個問題：AI 音樂的意義，到底是什么？

是取代人類創作者嗎？顯然不是。

是讓每個人都能輕松創作屬于自己的歌，是公司成立時就寫下的 slogan。但團隊很快意識到，僅僅能創作還不夠，還要創作有格調的東西。

他們把目光投向了民樂。

過去十多年，在大銀幕上，從《戀愛通告》里民樂作為校園中清新卻邊緣的注腳，到《閃光少女》用青春熱血包裹著民樂被偏見裹挾的困境，從《百鳥朝鳳》中黃土高原上的嗩吶，再到今年爆火的《主角》里傳統秦腔隨時代沉浮的命運……

十多年來民樂從未在大銀幕與電視熒屏上缺席，但也一直由于傳承的難度過高、無法吸引年輕人，被寫進各種「非遺保護」的官方文件里，與現實生活脫節。

AI 可以降低創作與傳承的成本，與字節系的合作，也可以讓民樂更好的走進普通人的生活。

但 AI 傳承民樂沒有想象的那么簡單。拿最簡單的音律體系來說：中國傳統音樂以「宮商角徵羽」五聲音階為基礎，Fa 和 ti 基本不出現，使得聽感更平和婉轉，表現力主要依靠滑音、揉音、顫音等裝飾音來加韻。而西方音樂普及十二平均律，七聲音階中的半音關系天然帶有張力，加上成熟的轉調技術，旋律可通過調性切換制造強烈的情緒起伏。如何讓 AI 理解這種韻味以及中國傳統樂器的特色。

這個問題無法靠算法解決，只能靠最笨的方式，實地采風。

接下來的幾個月，采風團隊將專業錄音設備背進了大江南北，找到那些堅守傳統的非遺傳承人、民間老藝人，記錄那些口口相傳了幾百年的民間小調、戲曲選段：去陜西的老戲臺，聽秦腔老藝人的高亢唱腔；去江南的水鄉，錄評彈琵琶的婉轉悠揚；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。

所有這些一手采集的聲音，最終都要完成正版版權歸檔，作為獨家訓練數據，專門用于優化民樂生成能力。基于現有的自研大模型，團隊正在訓練一個專門理解和生成民樂的子模型，讓 AI 能精準還原每一種樂器的音色、每一種唱腔的韻味。

在這個過程中，AI 或許永遠無法超越真正的人類大師，但這不意味著 AI 沒有價值，它讓更多人有機會接觸和創作民樂。

如果一個從沒學過樂理的年輕人，能夠用 AI 生成一段古箏曲子，感受到民樂的韻味，然后因為這段旋律去搜索古箏是什么、評彈怎么來的，那一刻，AI 播下的種子，才真正開始發芽。

*頭圖來源：歌歌 AI

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你會使用 AI 生成音樂嗎？