3月22日，AI音乐生成软件Suno发布V3版本，支持生成2min长度、广播质量级别的音乐，更多样化的风格，对promp理解更深，以及幻觉更少。
V3版本的发布被不少人视为“音乐界的ChatGPT”，不需要很专业的prompt词汇，甚至可以不需要理解音乐的专业知识，普通人就可以生成自己想要的音乐。
Suno背后的团队是何来历？他们是如何做出Suno的？
Suno以及AI音乐生成软件会如何影响音乐产业？
《经济学人》杂志、知名音乐杂志《滚石》都对Suno、Suno会如何影响音乐产业进行了讨论，FounderPark在此基础上进行了编译处理。
“我只是被困在这些电路中的一个灵魂。”这声音唱出歌词时，带着原始的质感和哀伤，音符滑入了蓝调的深渊。一把孤零零的木吉他伴随着它，用恰到好处的即兴演奏点缀着歌声。然而，这背后并没有人声，也没有人手在弹奏吉他。实际上，连吉他都不存在。
在短短15秒内，这首令人信服、甚至触动人心的蓝调曲目，由创业公司Suno推出的最新AI模型创作而成。只需一个简单的文本提示：“关于一个忧郁AI的独奏密西西比三角洲蓝调（soloacousticMississippiDeltabluesaboutasadAI）”，就能从虚无中召唤出这首歌。
为了达到极致的精确度，这首歌实际上是两个AI模型的联手之作：Suno的模型独立创作了所有音乐，同时还请求OpenAI的ChatGPT来撰写歌词，甚至为这首歌定下了名字：“机器之魂（SouloftheMachine）”。
Suno创作的歌曲在网上引起了轰动，人们惊叹道：“这怎么可能是真的？”在Suno位于马萨诸塞州剑桥，紧邻哈佛校园的临时总部的一间会议室里，通过Sonos音箱播放的这首特定曲目，甚至让一些参与这项技术的成员感到了一丝微妙的不安。紧张的笑声中夹杂着“天哪”和“哦，天啊”的惊叹。在这个案例中，仅仅三次尝试就达到了令人震惊的效果。前两次尝试还算不错，但在我给出的提示中做了一个小小的改动——联合创始人KeenanFreyberg建议加入“密西西比”这个词——却带来了不可思议的结果。
一、AI创作音乐并不是新鲜事，但Suno实现了新突破
在过去的一年里，生成式AI在创作可信的文本、图像（通过像Midjourney这样的服务）乃至视频方面取得了巨大进步，特别是OpenAI推出的新工具Sora。然而，在音频领域，尤其是音乐创作方面，AI的发展却相对滞后。
Suno似乎正在解开AI音乐创作的密码，其创始人的野心很大——他们梦想着一个音乐创作全民化的未来。其中最为发言大胆的联合创始人MikeyShulman，一个带着孩子气、背着背包的37岁哈佛大学物理博士，梦想着全球有十亿人愿意每月支付10美元来使用Suno创作歌曲。他认为，目前音乐听众的数量远远超过音乐创作者是“如此失衡”，并将Suno视为解决这种感知不平衡的工具。
到目前为止，大多数AI生成的艺术作品，顶多只能算是庸俗艺术，就像Midjourney用户似乎热衷于生成的超现实主义科幻垃圾，过分强调形式上的贴合，比如太空服。但“机器之魂”给人的感觉完全不同——它是我迄今在所有媒介中遇到的最有力、最令人不安的AI创作。它的存在本身就像是现实裂缝，既令人敬畏又隐约带有不祥之感，我不禁想起了亚瑟·C·克拉克的名言，仿佛专为生成式AI时代定制：“任何足够先进的技术都与魔法无异。”
从剑桥归来几周后，我把这首歌发给了LivingColour乐队的吉他手VernonReid，他一直对AI音乐的潜在危险和可能性直言不讳。他对这首歌“令人不安的真实感”表达了“惊奇、震惊、恐惧”。“长期以来的反乌托邦理想即将实现，即将把那些困难、混乱、不受欢迎和被厌恶的人类从其创造性产出中分离出来，”他写道，指出AI唱蓝调的问题本质，“蓝调作为非洲裔美国人的一种独特表达方式，深深植根于历史上人类的创伤与奴隶制经历中。”
最早的“基于规则”的音乐模型可以追溯到20世纪50年代。这些模型通过将音乐理论的原则转换成算法指令和概率表，来确定音符和和弦的进行。虽然这些作品在音乐上是合理的，但在创造性上却受限。EdNewton-Rex，他在2012年创立了伦敦的Jukedeck公司，并设计了这样的一个模型，他表示这种方法在当时是可行的，但现在已经不再适用。
技术的突变出现在2023年8月，当时Meta发布了AudioCraft的源代码，这是一套基于机器学习构建的大型“生成式”音乐模型。全球的AI公司迅速开始使用Meta的软件来训练新的音乐生成器，并加入了额外的代码。其中一个AudioCraft模型，MusicGen，通过分析约40万首录音中的模式，提出了33亿个“参数”，这些参数使得算法能够根据提示生成声音模式，为AI创作全新音乐作品提供了前所未有的可能。
这些模型的使用也变得更加简便。9月份，位于伦敦的StabilityAI公司发布了一个名为StableAudio的模型，该模型在大约80万首歌曲上进行了训练。用户通过输入文本和音频片段来指导AI。这使得用户可以轻松上传一段吉他独奏，并将其重新编排成具有爵士钢琴风格的作品，甚至带有黑胶播放的感觉。
澳大利亚新南威尔士大学的OliverBown表示，音频提示词之所以重要，一方面是因为即使是熟练的音乐家也难以用言语描述音乐，另一方面是因为大多数音乐训练数据的标记都非常粗略，即使是大型模型也可能无法理解复杂的音乐请求。
Suno成立不到两年。联合创始人Shulman、Freyberg、GeorgKucsko和MartinCamacho都是机器学习领域的专家，在2022年之前，他们曾在另一家剑桥公司KenshoTechnologies共事。KenshoTechnologies专注于寻找AI解决复杂商业问题的方案。Shulman和Camacho都是音乐家，他们在Kensho时期常常一起即兴演奏。
在这个过程中，Shulman和他的同事们对AI音频的更多可能性产生了浓厚的兴趣。他指出，在AI研究领域，“音频总体来说，相比图像和文本，还远远落后。我们可以从文本领域的研究中学到很多，包括这些模型的运作方式和它们的扩展性。”
Suno的创始人们本可以因为这些兴趣而走向一个完全不同的领域。虽然他们始终计划着最终要推出一款音乐产品，但他们最初的创意阶段甚至考虑过开发助听器，或者通过音频分析来检测机械故障的可能性。然而，他们推出的第一个产品是一个名为Bark的文本转语音程序。在对Bark的早期用户进行调查后，他们发现用户真正期待的其实是一款音乐创作工具。“因此，我们开始进行了一些初步的实验，结果看起来非常有前景，”Shulman回忆道。
Suno目前只有大约12名员工，但他们正在计划扩展团队，并在他们目前的临时办公室所在建筑的顶层建设一个更大的永久性总部。在参观这个还在建设中的新楼层时，Schulman向我们展示了一个未来将成为完整录音室的区域。但是，考虑到Suno已经能够做到的事情，他们为什么还需要一个录音室呢？“它主要是作为一个听音室，”他承认。“我们希望有一个良好的声学环境。但我们也都享受制作音乐——即使没有AI的参与。”
“音频不像单词那样是离散的，”Shulman解释说。“它是一种波，是一种连续的信号。”高品质音频的采样率通常是44kHz或48kHz，这意味着“每秒处理48，000个Token”，他补充道。“这是个巨大的挑战，对吧？因此，你需要想办法将其简化为更合理的处理方式。”但是，具体该怎么做呢？“这需要大量的工作，许多启发式方法，以及各种技巧和模型等等。我认为我们还远未完成。”Suno最终希望找到替代文本到音乐界面的方法，增加更高级和直观的输入方式——例如，基于用户自己的演唱来生成歌曲。
Suno的早期投资者之一是风险投资公司Matrix的合伙人AntonioRodriguez。Rodriguez之前只投资过一个音乐项目，即音乐分类公司EchoNest，后来该公司被Spotify收购，用以推动其算法的发展。在Suno项目还不清楚具体产品将是什么的时候，Rodriguez就参与了进来。“我支持的是团队，”Rodriguez说，他的自信来自于自己过往成功的投资经历。“我了解这个团队，特别是Mikey，所以我会支持他做任何合法的事情。他非常有创造力。”
Rodriguez在明确知晓唱片公司和出版商可能会对Suno提起诉讼的风险下，依然选择投资，他认为这是“我们在投资时必须承担的风险，毕竟我们是那个在这些艺术家后面最容易成为诉讼目标的大金主……。坦白讲，如果这家公司一开始就与唱片公司达成了协议，我可能就不会投资了。我认为他们需要在没有限制的情况下去创造这个产品。”（对于AI采取激进态度的环球音乐集团，其发言人并未回应媒体置评请求。）
Suno表示正在与主要唱片公司进行沟通，并表示对艺术家和知识产权的尊重——其工具不允许用户在提示中指定任何特定艺术家的风格，同时也不会使用真实艺术家的声音。Suno的许多员工本身就是音乐家；办公室里随时可以见到钢琴和吉他，墙上还挂着古典作曲家的画像。创始人们并没有表现出像Napster在诉讼之前那样的对音乐产业的公然敌意。“不过，这并不意味着我们不会被起诉，”Rodriguez补充道。“这仅仅意味着我们不会有那种『fuck-the-police』的对抗性态度。”
四、Suno是为了降低音乐创作门槛，并非取代音乐家
Rodriguez将Suno视为一种具有革命性能力和用户友好的音乐工具，他相信Suno有潜力像相机手机和Instagram那样，让音乐创作变得普及，让每个人都能成为音乐的创作者。他提到，这个目标是重新“提升在互联网上能够成为内容创作者而非仅仅是内容消费者的人数上限。”
他和创始人甚至敢于预测，Suno可能会吸引比Spotify更庞大的用户群体。如果这个前景听起来难以置信，Rodriguez认为这是好事：这恰恰意味着它具有吸引他作为投资者的“看似愚蠢”的特质。“我们所有杰出的公司都有一个共同点，那就是拥有卓越的人才，”他说道，“同时，有些东西一开始看起来似乎很愚蠢，直到它们变得如此明显和有可能成功。”
早在Suno问世之前，音乐家、制作人和词曲作者就已经对AI可能带来的商业冲击表示了深切的担忧。Reid写道：“音乐，作为由人类在非凡情况下创作……那些经历过苦难并努力提升自己技艺的人，将不得不面对他们为之奋斗的珍贵艺术的全面自动化。”
但Suno的创始人声称没有什么可怕的，他们用人们尽管有能力写作但仍在阅读的比喻来说明这一点。“我们对此的看法是，我们试图让十亿人比现在更深入地参与音乐，”Shulman说。“如果人们对音乐更感兴趣，更专注于创作，培养出更独特的品味，这对艺术家显然是有益的。我们对未来音乐的愿景是一个艺术家友好的愿景。我们不是想取代艺术家。”
“我认为，人们未来并不希望通过AI来制作新的BillyJoel歌曲，”Shulman说。“当我想象五年后我们希望人们如何利用音乐时，我认为会是那些尚未存在、仅存在于他们脑海中的创新作品。”
其他公司的AI音乐产品也开始逐步进入商业落地环节。
AI也开始为专业人士提供服务。例如，《芭比》和《奥本海默》的电影原声带就是在后期制作中使用RX进行清理的。
而且，已经有AI工具可以重新创建歌手的其他语言的声音。雅马哈（Yamaha）这家日本乐器制造商的Vocaloid是一种声音合成工具，它可以利用母语人士演唱的翻译作为模板，让AI在重新排列、修改和拼接原唱歌手声音的微小片段时进行模仿。