ElevenLabs 上线 References 功能：上传音频即可控制 Music v2 风格

用文字给 AI 描述音乐，经常像在对暗号。你写下「迷幻、八十年代合成器、带点雨夜的清冷」，AI 生成出来的东西可能完全是另一码事。很多时候不是你的词汇量不够，而是听觉体验本来就很难被几个形容词框住。

ElevenLabs 为旗下的音乐模型 Music v2 带来了一个新解法，叫做 References。说白了，就是把「用文字描述」变成了「直接丢一段声音给它听」。

丢 10 秒音频，让 AI 照着感觉写

References 的逻辑很直接。你上传一段现有的音频，Music v2 就会去拆解它的风格、乐器配器以及整体的听感，然后生成一段风格一致的新曲子。

上传的音频时长支持在 10 秒到 5 分钟之间。你可以让参考音轨唱独角戏，只凭这一段声音引导生成；也可以把它和文本 Prompt 组合起来，比如丢进一段自己弹的吉他扫弦，再用文字叮嘱 AI「在这个基础上加一点重低音节奏」。

这个功能已经同步铺到了三个地方：面向普通创作的 ElevenMusic、面向团队工作流的 ElevenCreative，以及面向开发者的 ElevenAPI。

拿别人的歌垫底？系统会直接掐断

让 AI 模仿音频，最敏感的永远是版权。ElevenLabs 在这里加了一道硬门槛：每一段上传的音频，在触发生成之前都必须经过版权检测。

只要系统识别出这段音频匹配了其他艺术家的商业录音，生成就会被直接拦截。ElevenLabs 明确表示，这项功能是为你自己做出来的音乐准备的，而不是拿来扒别人的商业热曲。

换句话说，它的理想场景是音乐人上传自己做过的半成品或采样，品牌方上传自己的标志性旋律以保持广告调性统一，或者开发者通过 API 做更精准的音乐创作工具。

为什么重要

在生成式 AI 领域，从文本提示走向多模态参考一直是个必然趋势，图像领域的垫图就是前车之鉴。文本能给出的信息维度太低了，一千个人心里有一千种「Lo-fi 鼓点」，但只要给 AI 听一段 10 秒的实录，它就能立刻对齐节奏型和音色质感。

对普通创作者来说，这意味着摸索成本的大幅下降。只要你自己录过一段吉他片段或者一段清唱旋律，就能直接拿来当底料扩写，不需要在提示词框里像写散文一样反复试错。

我们认为，ElevenLabs 这次最聪明的做法是把版权检测前置成了刚性关卡。AI 音乐现在正处于唱片业围剿的风口浪尖，如果放任用户随便上传环球或索尼旗下的大牌单曲当参考，立刻就会惹上连环官司。前置版权过滤看起来稍微收窄了玩法，却给商业化和企业客户铺平了合规道路。

不过隐患也在这里。版权过滤库的误报率和覆盖深度会直接决定体验。如果原创独立音乐人自己随便弹的旋律被误判撞车，或者某些处于公版边缘的采样被卡，可能会引起不小的抱怨。此外，虽然卡住了直接上传成品录音，但如果有人上传高度相似的「洗稿伴奏」，AI 音乐生成与版权保护之间的拉锯依然不会停止。