萬頌生成五分鐘長歌
重點摘要
音樂生成基礎模型近期在業界引起高度關注，然而要同時實現高效率生成、高保真長音頻輸出，並支援可控性，仍是極具挑戰的課題。為解決這些需求，研究團隊正式發表了名為「萬頌」（WanSong）的全新模型，這是一個簡單而強大的長篇幅商業級歌曲生成方案。不同於當前的自回歸（AR）模型或由自回歸接續擴散的串聯多階段管線，萬頌採用純擴散（diffusion）基礎架構，能夠直接生成長達五分鐘、高保真度的多語言歌曲，並且在單次推理中同時輸出人聲與背景音樂雙音軌。 這項技術報告於7月16日發表在arXiv上，論文編號2607.
音樂生成基礎模型近期在業界引起高度關注，然而要同時實現高效率生成、高保真長音頻輸出，並支援可控性，仍是極具挑戰的課題。為解決這些需求，研究團隊正式發表了名為「萬頌」（WanSong）的全新模型，這是一個簡單而強大的長篇幅商業級歌曲生成方案。不同於當前的自回歸（AR）模型或由自回歸接續擴散的串聯多階段管線，萬頌採用純擴散（diffusion）基礎架構，能夠直接生成長達五分鐘、高保真度的多語言歌曲，並且在單次推理中同時輸出人聲與背景音樂雙音軌。 這項技術報告於7月16日發表在arXiv上，論文編號2607.14749，由Binghui Chen、Pandeng Li、Yu Liu、Jingren Zhou等研究者共同撰寫，團隊來自與「萬一」（Wan-AI）相關的單位。報告詳細說明了萬頌的設計理念與效能表現，並指出其擴散框架可透過步蒸餾（step-distillation）技術實現更快的推理速度，同時也為下游編輯任務提供了高效率的微調與自訂化路徑。 在音樂生成領域，現有主流方法多採用序列式的自回歸生成，或先由自回模型產生粗略結構再經由擴散模型細化，這種方式不僅耗時，也容易累積誤差。萬頌則跳脫此框架，直接以擴散模型從噪聲還原出完整音訊，避免了多階段管線的複雜度與延遲。研究團隊強調，這項設計讓模型在生成五分鐘長歌曲時仍能維持一致的音質與結構，且支援中文、英文等多種語言的歌詞與演唱風格。 更值得關注的是，萬頌在單次推理中即可分離出人聲（vocals）與背景音樂（background music）兩個獨立音軌，這對於後續混音、編曲或卡拉OK等應用場景極具實用價值。傳統上要獲得乾淨的分軌往往需要另外運算分離模型，而萬頌將此整合為原生輸出，大幅簡化了工作流程。 在推理效率方面，研究團隊引入步蒸餾機制，讓模型在較少的擴散步驟下仍能生成高品質音訊，有效降低計算資源需求。此外，擴散框架本身具備良好的可微調性，使用者可以針對特定歌手音色、樂器配置或編輯指令進行輕量訓練，擴展性相當靈活。 消息發布後，學術社群也迅速展開討論。有網友在arXiv頁面留言詢問「這是開源還是閉源？」另有用戶則將萬頌與先前備受關注的Qwen Music相提並論，顯示業界對這類音樂生成基礎模型的進展抱持高度興趣。目前論文頁面已獲得9個正向評分，並被收錄在兩個專題收藏集中。 萬頌的出現，標誌著音樂生成技術從多階段管線朝純擴散單階段方向邁出重要一步。其五分鐘長歌生成能力結合雙音軌輸出，為AI音樂創作、影視配樂、個人化音樂製作等領域提供了更具效率且可控的工具。隨著論文公開，後續是否開放原始碼、模型權重或示範平台，將是開發者與創作者持續關注的焦點。
Related
相關文章
DeepSeek估值，被一家安徽箱包公司給全部暴露了
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> DeepSeek估值，被一家安徽箱包公司給全部暴露了 聽雨 2026-07-18 11:41:17 來源：量子位 3500億估值曝光 聽雨 發自 凹非寺 量子位 | 公眾號 QbitAI 誰曾想呢，DeepSeek一直沒有公開講清楚的融資估值，被一家賣行李箱的公司給全部暴露了。 7月16日晚間，安徽開潤股份發佈了一份投資進展公告。 公告顯示，開潤股份參與投資的一隻基金，已經將29億元實繳資金全部間接投向DeepSeek，獲得後者0.8265%的股權。 計算器一按： 29億元÷0.8265%，DeepSeek對應估值約3508.8億元。 更有意思的是，開潤股份穿透後只持有DeepSeek約0.0114%的股權。 正是這萬分之一左右的持股，意外揭開了DeepSeek首輪外部融資的價格標籤。 4000萬元，換來萬分之一的DeepSeek 先來看看這筆投資是怎麼完成的。 開潤股份的全資子公司寧波浦潤，拿出4000萬元，認購了天津礪思星靈創業投資合夥企業的基金份額。 礪思星靈的總實繳規模為29億元，寧波浦潤佔其中約1.3793%。 隨後，這隻基金將全部29億元實繳資金，通過認購杭州程礪企業管理諮詢合夥企業相應份額的方式，間接投資於DeepSeek背後的公司： 杭州深度求索人工智能基礎技術研究有限公司。 交易完成後，礪思星靈間接持有DeepSeek 0.8265%的股權。經過層層穿透，開潤股份最終持有DeepSeek的比例約為0.0114%。 從開潤股份自身的投資金額出發，同樣可以大致算出DeepSeek的估值： 4000萬元÷0.0114%≈3509億元。
全球首款720°連續後空翻機器狗來了！宇泛智能攜“靈貓”雙館聯袂首秀WAIC
宇泛智能在2026世界人工智能大會上首秀全棧自研四足機器人「靈貓」，為全球首款能完成720°連續後空翻的機器狗。該機器人採用異構雙腦架構與AI關節控制技術，具備高動態運動與集群協作能力，並在雙館進行群舞展演。
RoboTTT記住八千步
NVIDIA 研究團隊與多位學術合作者近日發表了一項名為 RoboTTT 的突破性機器人模型，將機器人策略的視覺動作上下文長度大幅擴展至 8,000 個時間步，比現今最先進的策略高出三個數量級，且推理延遲並未隨之增加。這項成果讓機器人首次能憑藉單段人類示範影片，即時在情境中模仿行為，並能在執行過程中動態改進自身策略，對環境干擾展現更強韌性，也顯著提升了多階段長期任務的成功率。 現有的機器人基礎模型大多只能處理單步或少步驟的視覺動作歷史，這限制了它們對複雜、持續性任務的理解與執行能力。
“小而美”李未可，正用“記憶”重寫AI眼鏡遊戲規則
李未可科技推出X-AI記憶眼鏡，主打「AI記憶能力體系」，能全天無感記錄語音與圖像內容，自動整理成結構化記憶提供給AI Agent調用。創辦人茹憶強調，AI眼鏡的本質是成為AI的感官器官，而非取代手機，記憶能力才是突破當前行業同質化困境的關鍵。
強腦科技全球首發腦控機器人訓練平臺，10 分鐘解鎖意念控制
在 2026 年世界人工智能大會（WAIC 2026）上，BrainCo 強腦科技正式推出全球第一個專為腦控機器人科研與開發設計的一體化、圖形化、一站式 AI 科研平台——BrainCo 腦控機器人訓練平台。這套平台將過去需要多學科背景、耗時冗長的腦機接口與機器人融合實驗流程整合進統一的軟體環境，研發人員即使完全沒有腦機接口相關經驗，也能在短短十分鐘內解鎖「意念控制」，直接透過大腦訊號操作機器人。 平台的核心價值在於大幅降低腦控機器人的系統建置門檻。
從仰望星空到落地創新：WAIC青年菁英會即將硬核開場，最新成果首發在即
2026世界人工智能大會青年菁英會將於7月20日在上海世博中心登場，由王建宇院士進行開場主旨演講。會中將首發「星火傳明」智能紅外衛星星座及「AI上課」學訓一體平台等前沿成果，並安排創業者開放麥與青年學者圓桌，聚焦AI從理論到產業的實際落地。