Google 发布音乐生成模型 MusicLM：文字直接变编曲，但暂不开放

如果你让 AI 画一张图或写一段代码，现在已经不算稀奇。但如果你对它说「来一段迷幻爵士，中间加一段令人难忘的萨克斯独奏」，它能端出什么？

Google 在一篇学术论文里公布了他们的新成果：MusicLM。这是一个能把文字直接变成音乐的模型，不管你给出的风格多冷门、提示词多刁钻，它都能凭空生成出来。甚至有人在社交平台上直呼，这比 ChatGPT 还让他震惊，因为 Google「几乎把音乐生成给搞定了」。

听起来很完美，但 Google 同时宣布了一件事：他们暂时不打算把这个模型公开发布。

28 万小时训练出来的「全能乐手」

做音乐生成，Google 并不是第一家。之前有把频谱图可视化的 Riffusion、开源社区的 Dance Diffusion、OpenAI 的 Jukebox，还有 Google 自己的 AudioML。但受限于技术架构和训练集，这些前辈要么音质粗糙，要么编曲结构稀烂，听两秒就出戏。

MusicLM 靠着 28 万小时的音乐数据硬生生砸出了质变。它生成的音频采样率达到 24 kHz，不仅能理解「90 年代柏林铁克诺，低音深沉、鼓点强劲」这种复杂指令，还能捕捉乐器独奏的微妙语气与氛围感。

更强的是它的多模态和连续叙事能力。你哼两句调子、吹一段口哨，它能顺着你的旋律接续编曲。给它一张图片配上文字，它能给画面配乐。

它甚至能按顺序读取一系列指令，比如从「冥想时刻」一路演进到「起床」「慢跑」再到「全力冲刺」，直接生成一段长达几分钟、情绪层层推进的音乐故事，听起来就像给电影量身定制的原声带。你还能给这个 AI 乐手设定「技术水平」，或者让它模拟特定地域和历史年代的演奏风格。

不过，它还谈不上完美。有些样本带有明显的音频失真，那是生成模型的常见通病。如果让它合成人声，虽然能做出合唱和声，但歌词听起来要么像塑料英语，要么纯粹是胡言乱语，像是好几个人声被强行揉在一起的合成怪物。

1% 的直接复制，让 Google 拔了网线

既然效果这么好，为什么藏着不放？答案很现实：版权与侵权风险。

Google 研究团队在论文里老老实实做了一项测试，结果发现了一个要命的数字：MusicLM 生成的音乐里，大约有 1% 是直接照搬了训练集里的现成音乐。

在文字领域，1% 的重合可能只是一两句俗套话；但在音乐行业，1% 的旋律或音轨直接撞车，就足以招来唱片公司的天价诉讼。研究团队明确承认，这种把受版权保护的创意内容挪为己用的风险真实存在，在搞定这些风险之前，他们绝不敢轻易开放。

事实上，音乐版权圈子对 AI 早已草木皆兵。早在 2020 年，Jay-Z 的唱片公司就向 YouTube 发出版权警告，要求下架用 AI 模仿 Jay-Z 嗓音翻唱的视频。音乐出版商协会（Music Publishers Association）的法律实习生 Eric Sunray 在白皮书中直言，这类把受版权保护的音乐吸进去再拼贴输出的系统，涉嫌侵犯美国版权法里的复制权。

科技博主 Andy Baio 则指出，AI 生成的音乐目前很可能被归为衍生作品，商业化落地完全是一片未知水域，未来大概率只能依赖法院按个案逐一判决。

为什么重要

对创作者和开发者来说，MusicLM 证明了高质量文本生成音乐在技术上已经彻底跑通。如果未来它或者同类产品开放，最大的受益者是独立游戏开发者、视频剪辑师和小型播客团队。以前为一段几十秒的背景音乐，要么翻烂免版税曲库，要么花大价钱找人定制；以后只需几句话或者一段哼唱，就能在几秒钟内拿到完美卡点的配乐。

但现阶段，我们认为普通用户根本不用急着找平替来试用。人声胡言乱语、旋律偶尔失真，说明它离真正的成品流行歌还有很长一段路。更致命的是商用风险：只要模型有 1% 的概率在「抄袭」，没有任何一家正规商业公司敢把这种音频放进自己的商业产品或影视作品里。

对整个行业而言，Google 这次「只发论文不放产品」的谨慎做法，其实给全行业提了个醒。它很聪明地守住了技术声誉，展示了自己的肌肉，又把最烫手的版权官司挡在了门外。但这种保守也可能留下隐患：就像当年图像生成领域一样，大厂因为合规缩手缩脚，往往会被完全不在乎版权风险的开源项目在几个月内弯道超车。

音乐生成的技术门槛已经被 MusicLM 踏平了，接下来真正要打的，不是算法战，而是一场由唱片巨头、法庭和版权库共同参与的利益拉锯战。