杭州這家公司，訓了個「最懂中國話」的AI音樂大模型

熱鬧和爭議，是當下 AI 音樂行業的真實底色。

上個月，Suno 完成 4 億美元 D 輪融資，估值達到 54 億美元，穩居全球 AI 音樂賽道 Top 1。

與此同時，它與環球音樂、索尼音樂的版權訴訟仍未了結，涉及曲目從最初的 560 首增加到超過 6.1 萬首。

一邊是資本瘋狂涌入，一邊是行業規則尚未成型。

國內的競爭格局同樣處于膠著狀態。

字節跳動、騰訊、網易這類大廠把 AI 音樂當作生態補充和流量入口，昆侖萬維、MiniMax 這類大模型公司把它當作獨立商業化路徑，更多垂直創業公司則在細分場景里找機會。

杭州音律閃動不算新玩家。

早在 2019 年，創始人龍勇便定了 AI 音樂賽道的長期戰略規劃，團隊自此持續深耕音樂生成技術領域。項目核心合伙人也擁有網易、阿里頭部互聯網音樂業務的實操經驗，兼具產業落地與 AI 技術積累的雙重背景。

就在近日，其全棧自研的歌歌 AI 音樂大模型正式完成版本迭代、全面上線。

該模型主打本土化 AI 音樂創作，人聲自然通透、情緒表達細膩，曲風高度本土化，對華語流行、國風、民謠的適配遠超通用模型。

它的生成效率也行業領先。單張 H 系 GPU 約 10 秒即可產出一首 3 分鐘立體聲歌曲，并同步輸出人聲、伴奏分軌，兼具低成本商用的經濟性。

此外，這家公司還干了兩件事，一是與字節跳動簽署非獨家版權分成協議；一是啟動中國民樂專屬 AI 模型的研發和線下采風

體驗鏈接：https://gegemusic.cn/

從零訓練：一個很懂華語的音樂大模型

「全棧自研」和「基于開源模型微調」，在用戶感知上可能差不多，在技術路線上是兩條完全不同的路。

歌歌 AI 音樂大模型從零開始完整預訓練，沒有基于任何現有開源模型做二次調用。模型的底層語言直覺，是完全在華語音樂數據上建立起來的。

訓練分三個完整階段推進。第一階段訓練音頻壓縮與重建的基礎感知模型（VAE），建立模型對音頻的基本理解能力；第二階段以全授權華語曲庫為基礎，從零預訓練十億級參數擴散主干；第三階段以華語聽眾的實際審美偏好為標準，對模型進行偏好對齊優化（音樂領域的 DPO），讓生成結果向真實國內用戶審美收斂。

咬字問題，是中文 AI 音樂被詬病最多的痛點，也是技術上最難解決的一個。

字音在演唱中的時序不是均勻分布的。「想」字的鼻音尾「ng」要收干凈，不能拖成模糊的鼻腔共鳴；「回」字的韻腹需要在正確的時間幀上完成收音。這些規律，英語語系的模型幾乎無法從訓練數據中自然習得。

歌歌 AI 音樂大模型引入了「音素 - 時間幀軟對齊先驗機制」，把每個中文字符的發音時序信息，以注意力偏置的形式顯式注入生成過程，相當于在生成前就告訴模型「這個字從第幾幀開始、到第幾幀結束」。這是一個工程上需要大量標注數據才能做好的方向。

人聲和伴奏的同步感，來自雙流獨立生成架構。大多數 AI 音樂的做法是先生成伴奏，再往上疊人聲，兩者在節奏和情感上容易出現微妙的脫節。歌歌 AI 的人聲和伴奏各走獨立的生成通路，兩條通路之間通過跨流注意力機制完成節奏與和聲的實時對齊。

模型同步輸出獨立的人聲分軌與伴奏分軌，可直接交付后期混音，適配短視頻配樂、原創音樂制作、直播 BGM、K 歌伴奏等下游使用場景。

情緒穩定不漂移，依賴的是分層多維條件控制體系。情緒、曲風、調性這類全局風格信息，通過自適應歸一化機制（AdaLN-Zero）調制模型每一層的生成行為，確保整首歌的情緒方向從頭到尾保持一致。歌詞與旋律則通過交叉注意力機制以序列級精度逐幀對齊。關鍵的設計在于不同條件維度擁有獨立的引導強度控制，創作者可以分別調節「緊貼歌詞」與「旋律自由發揮」的權重，實現輸出結果更精細控制。風格理解上，模型采用跨模態編碼器，文本描述與音頻參考共享同一語義嵌入空間。

效率層面，模型采用非自回歸并行生成架構，把整首歌的潛在表示空間同時鋪開并行去噪，單張 H 系 GPU，約 10 秒即可完成一首 3 分鐘完整歌曲的生成，實時率（RTF）約為 0.05，即生成速度是播放速度的 20 倍。配合流匹配少步采樣和模型量化加速等工程優化，單首歌曲的推理成本控制在極低量級。這樣的成本結構，才真正撐得起規模化商用。用戶端還有分塊續寫機制加持，無需等全曲生成完畢，即可邊生成邊收聽。

長期布局：版權分成與數據護城河

國內 AI 音樂商業化的卡點，長期出在版權上。

AI 生成內容的版權主體不清晰，平臺擔心連帶侵權風險，大多數流媒體對 AI 音樂「允許上架但無法產生收益」。有業內人士描述過這一困境，主動標注 AI 音樂就無法獲得收益，不標注平臺又能識別出來進入審核。

這次，歌歌 AI 與字節跳動簽署非獨家音樂版權分成合作協議。依托歌歌 AI 模型生成的原創歌曲、錄音制品、MV 版權內容，全量合規上架抖音、剪映、汽水音樂、番茄暢聽、西瓜視頻、今日頭條等全字節系平臺。抖音和剪映的億萬創作者，可以免費選用這批版權音樂制作視頻和直播配樂；汽水音樂的會員付費、數字專輯與單曲銷售、平臺廣告分成，以及番茄系平臺的有效播放收益，將按合同約定進行分成結算。后續新生成的非獨家版權曲目，將自動納入授權曲庫，持續擴充供給。

歌歌 AI 與字節的合作，是以自研模型為版權主體基礎，以協議形式確立分成機制，合規進入國內最大的創作者生態。

這條路徑在技術上的前提，是版權歸屬足夠清晰，而「從零自研、全授權語料訓練」恰好是支撐這一前提的關鍵。自研模型產出內容 → 版權歸屬清晰 → 合規進入平臺 → 產生可分配收益，由此技術路線與商業路徑形成一個閉環。

AI 生成民樂，是當前所有模型的共同短板，原因在于訓練數據里缺少足夠的真實民樂錄音。市面上流通的「古風音樂」，大多是經過電子化二次加工的產物，模型從中學到的只是古風的外形，學不到傳統演奏的真實音色和韻味。這個問題不是算法層面能修的，需要從數據源頭解決。

歌歌 AI 的做法是自己去錄。項目團隊已啟動全國多地線下采風，深入非遺民俗村落、地方戲曲院團和民間演奏工作室，實錄原生樂器音源、民間小調與地方戲曲唱腔，完成版權歸檔后作為獨家訓練數據。

他們還同步啟動的「歌歌 AI 民樂大模型」項目，規劃分三步推進：建立傳統樂器與地方戲曲唱腔的專屬聲音庫；基于現有架構微調民樂生成鏈路，實現獨奏、合奏、古風人聲演唱的高質量生成；最終在客戶端上線獨立的「民樂創作專區」，向所有用戶開放。

這個項目在現階段沒有明確的商業回報時間表，但大多數團隊都在用相近的開源數據訓練模型，率先采集獨家第一手數據的團隊，將會形成一道很難被快速復制的護城河。

結語

最近，「程序員回應 AI 寫歌 2 個月賺 18 萬」的詞條爆上熱搜。流量和變現門檻，都在被 AI 音樂重新定義。

熱搜之下，是一個還在快速演進的行業。流媒體平臺 Deezer 的數據顯示，今年 4 月，平臺每天新增的 AI 歌曲接近 7.5 萬首，占每日新增投稿的 44%，是 1 月的七倍以上。

曲庫在膨脹，AI 平臺的商業化卻總在爬坡。昆侖萬維旗下的 Mureka，是國內第一家公開宣布 AI 音樂業務毛利轉正的公司，年化流水約 1200 萬美元。放在整個音樂產業里，這個體量不算大。多數團隊現在還在驗證一個問題：用戶到底愿不愿意為 AI 生成的內容買單。

眼下這個階段，海外大模型在通用能力上領跑，國內玩家各自尋找差異化切口。歌歌 AI 選擇做「比所有人都更懂中國人的音樂」。

這條路投入重，見效慢。從零預訓練，全華語語料體系，獨家民樂采集，每一步都是時間和資源的沉淀。與字節的合作，給這套打法補上了商業可行性的驗證。民樂項目的立項，則說明這個團隊在想更長的時間尺度。

這場競賽還在持續，誰能率先跑通「生成 — 確權 — 分發 — 變現」的完整鏈路，誰就有機會在下一輪洗牌中留在牌桌上。