ElevenLabs 上線 References 功能：上傳音訊即可控制 Music v2 風格

用文字給 AI 描述音樂，經常像在對暗號。你寫下「迷幻、八十年代合成器、帶點雨夜的清冷」，AI 生成出來的東西可能完全是另一碼事。很多時候不是你的詞彙量不夠，而是聽覺體驗本來就很難被幾個形容詞框住。

ElevenLabs 為旗下的音樂模型 Music v2 帶來了一個新解法，叫做 References。說白了，就是把「用文字描述」變成了「直接丟一段聲音給它聽」。

丟 10 秒音訊，讓 AI 照著感覺寫

References 的邏輯很直接。你上傳一段現有的音訊，Music v2 就會去拆解它的風格、樂器配器以及整體的聽感，然後生成一段風格一致的新曲子。

上傳的音訊時長支援在 10 秒到 5 分鐘之間。你可以讓參考音軌唱獨角戲，只憑這一段聲音引導生成；也可以把它和文本 Prompt 組合起來，比如丟進一段自己彈的吉他掃弦，再用文字叮囑 AI「在這個基礎上加一點重低音節奏」。

這個功能已經同步鋪到了三個地方：面向普通創作的 ElevenMusic、面向團隊工作流的 ElevenCreative，以及面向開發者的 ElevenAPI。

拿別人的歌墊底？系統會直接掐斷

讓 AI 模仿音訊，最敏感的永遠是版權。ElevenLabs 在這裡加了一道硬門檻：每一段上傳的音訊，在觸發生成之前都必須經過版權檢測。

只要系統識別出這段音訊匹配了其他藝術家的商業錄音，生成就會被直接攔截。ElevenLabs 明確表示，這項功能是為你自己做出來的音樂準備的，而不是拿來扒別人的商業熱曲。

換句話說，它的理想場景是音樂人上傳自己做過的半成品或採樣，品牌方上傳自己的標誌性旋律以保持廣告調性統一，或者開發者通過 API 做更精準的音樂創作工具。

為什麼重要

在生成式 AI 領域，從文本提示走向多模態參考一直是個必然趨勢，影像領域的墊圖就是前車之鑑。文本能給出的資訊維度太低了，一千個人心裡有一千種「Lo-fi 鼓點」，但只要給 AI 聽一段 10 秒的實錄，它就能立刻對齊節奏型和音色質感。

對普通創作者來說，這意味著摸索成本的大幅下降。只要你自己錄過一段吉他片段或者一段清唱旋律，就能直接拿來當底料擴寫，不需要在提示詞框裡像寫散文一樣反覆試錯。

我們認為，ElevenLabs 這次最聰明的做法是把版權檢測前置成了剛性關卡。AI 音樂現在正處於唱片業圍剿的風口浪尖，如果放任使用者隨便上傳環球或索尼旗下的大牌單曲當參考，立刻就會惹上連環官司。前置版權過濾看起來稍微收窄了玩法，卻給商業化和企業客戶鋪平了合規道路。

不過隱患也在這裡。版權過濾庫的誤報率和覆蓋深度會直接決定體驗。如果原創獨立音樂人自己隨便彈的旋律被誤判撞車，或者某些處於公版邊緣的取樣被卡，可能會引起不小的抱怨。此外，雖然卡住了直接上傳成品錄音，但如果有人上傳高度相似的「洗稿伴奏」，AI 音樂生成與版權保護之間的拉鋸依然不會停止。