AI華語歌，終於能聽了！從零預訓練十億參數，告別「人機味」

AI華語歌終於擺脫「人機味」！字節跳動入局，歌歌AI從零預訓練十億參數

AI生成的華語歌曲，終於不再讓人尷尬了。過去那種咬字飄忽、母語羞恥、濃濃的「人機味」——在這批新作品裡，幾乎聽不見。記者以一首自己喜愛的Jazz Hiphop為靈感，輸入歌詞讓模型進行零樣本生成，取名《關於小羊》。成果令人驚豔：Verse第四句開頭那個「塞」字的咬字，特意用帶停頓的短促發音製造律動，這是許多AI中文音樂從未注意到的細節；Pre-Hook前Bridge結尾的轉音，反覆聽了無數次；最驚喜的是最後一遍Hook，歌詞明明沒有寫，模型卻自己即興加了一段哼唱，手法與另一首名為《Coco》的作品結尾如出一轍。另一版本的《關於小羊》同樣讓人有「很清爽」的感覺，這個詞已經很久沒有出現在AI歌曲的評價中。 這款清爽的模型叫做「歌歌AI」，背後團隊只做一件事——讓AI音樂聽起來像中國人寫的歌。為了達成這個目標，他們從零開始預訓練了一個十億參數的模型，採用端到端設計：用戶輸入歌詞、風格情緒描述與指定歌手，模型一次性直接生成長達三分鐘、人聲與伴奏俱全的完整立體聲歌曲，還能同步輸出獨立的人聲分軌與伴奏分軌。 為什麼不直接微調現有模型？這得從一個更根本的問題說起：為什麼以前的AI唱不好中文歌？市面上主流AI音樂模型從誕生之初就是為英語設計的，而漢語的演唱邏輯完全不同。首先，中文每個字都有固定聲調，四聲之別讓「媽」和「罵」是完全不同的兩個字；其次，音節邊界清楚，英語可以連讀、吞音，中文一個字一個音節，一旦連得太厲害就聽不懂；第三，字音對齊邏輯不同，英語是重音計時型語言，一個音節拉多長都行，中文則要精準掌握哪個字落在哪個拍子上，輕聲助詞如「的、了、著」不能亂拖。基於英語模型做本土化，等於強行讓外國人唱京劇，結果就是人聲機械生硬、情感空洞，對國風、華語流行、民謠等曲風適應極差。問題不在參數，在架構。 歌歌AI選擇從零為華語音樂重新設計技術棧，主要有三層。第一層是「雙流獨立生成架構」。傳統AI音樂的做法是人聲和伴奏各自生成後再硬疊在一起，缺少呼吸感；真人歌手是聽著伴奏的律動決定氣口和咬字，是一個心流過程。歌歌AI把這種「心流」搬進模型，採用原生雙流設計——人聲一條通路、伴奏一條通路，各走各的生成鏈路，中間透過跨流注意力機制，即時完成節奏與和聲的精準對齊。 第二層是「音素時序軟對齊」。咬字一直是AI音樂的大坑，模型若搞不清每個字在時間軸上的精確位置和發音時長，就會出現音節錯位、字音模糊。歌歌AI在模型「開嗓」前先畫一張地圖，告訴模型每個字的拼音在時間軸上大致落在哪裡，這張地圖作為先驗知識注入生成過程，讓每個字的起落更加穩定。 第三層是「分層多維條件控制」。華語音樂與歐美音樂最大的差異在於情感表達：歐美直抒胸臆，華語含蓄細膩。細膩的人聲處理是華語流行樂壇黃金時代的標誌，但「細膩」難以用自然語言描述。歌歌AI透過一套分層多維條件控制體系，將情緒、曲風、調性等全局風格資訊透過AdaLN-Zero機制逐層調製模型的生成行為，從第一層到最後一層情緒基調始終貫通。更關鍵的是，他們在不同條件維度上各自裝了獨立的引導強度旋鈕，可以讓模型「貼緊歌詞情緒」同時讓「旋律自由發揮」，就像一個混音臺，混的不只是音軌，而是情緒本身。 技術雖強，但AI音樂最尷尬的痛點在於商業閉環：用戶花五分鐘做一首歌，發朋友圈獲得幾十個讚後就沒有然後了，缺乏分發渠道的AI音樂只是高級玩具。歌歌AI直接找到一張王牌——與字節跳動簽訂版權分成合作。使用者用歌歌AI生成的原創歌曲、錄音製品、MV版權內容，全部可以合規上架抖音、剪映、汽水音樂、西瓜視頻、今日頭條等字節系全家桶。億級創作者可以直接從歌歌AI的版權曲庫中選歌，用於短視頻配樂、直播間BGM、翻唱二創。歌曲在汽水音樂的會員付費、數字專輯、單曲售賣、平台廣告分成，以及番茄系平台有效播放產生的收益，全部依照合約約定真金白銀地分成結算。後續歌歌AI新生成的非獨家版權曲目還會自動納入授權曲庫，形成飛輪效應。 最後，歌歌AI宣布正式啟動民樂專屬AI模型的研發項目。目前AI生成的國風音樂大多令人失望：古箏彈得像電子琴，戲曲比念稿還令人尷尬。多數AI模型訓練素材來自網路上經過二次加工的電子音源，骨子裡的韻味早已被濾掉。歌歌AI決定自己補上這塊數據空缺，團隊將前往陝西老戲台找秦腔老藝人、去江南水鄉錄評彈琵琶、到雲南村寨採葫蘆絲和蘆笙、在陝北黃土高坡聽嗩吶，請非遺傳承人與民間老藝人在他們最熟悉的角落打開錄音機，錄下指尖自然流淌的聲音。這些一手採集的原聲將完成正版版權歸檔，用來訓練真正的民樂AI模型。 傳統民樂在中國的處境並不樂觀，年輕人很少能說出五種傳統民族樂器，秦腔更是遙遠。不是沒有人想保護，有非遺項目、有紀錄片、有各種文化保護行動，但傳播太難了。而AI可以讓這些聲音被記住，融進任何一首新創作中，再透過抖音等平台被千萬人刷到、用作短視頻配樂，甚至無意識哼唱出來。這或許就是最好的傳承——不需要只被供在博物館裡的傳承。