當大家還在為 Suno 和 Udio 生成的以假亂真的旋律驚嘆時，牌桌上的一個“老玩家”悄無聲息地扔出了一對王炸。

是的，我說的就是騰訊 AI Lab。他們這次拿出的開源音樂大模型 SongGeneration，給我的感覺就像在平靜的湖面投下了一顆深水炸彈。它不僅技術上硬核，而且“開源”這兩個字，直接把格局拉滿了。

作為一個天天泡在各種模型和代碼里的人，我可以負責任地說，這不僅僅是一個新玩具，更像是一份宣言，一份要把音樂AIGC門檻徹底打下來的宣言。

一上來就解決“老大難”：音質、樂感和速度

玩過AI音樂生成的朋友都懂，最頭疼的是什么？

要么是生成的曲子聽著像上個世紀的MIDI音效，音質感人；要么是旋律東拼西湊，毫無“音樂性”可言；要么就是你輸入“一首悲傷的歌”，它給你生成個二人轉，驢唇不對馬嘴。哦，對了，還有那動輒一杯咖啡才出結果的龜速。

SongGeneration 這次的目標非常明確，就是沖著這三大痛點來的。他們用的 LLM-DiT 融合架構，簡單來說，就是讓擅長理解人類語言的大模型（LLM）去當“制作人”，指揮專業的“音頻渲染師”（DiT架構），在保證出活兒快的同時，把音質和樂感死死拿捏住。

聽聽這“黑話”：三秒克隆音色，雙軌獨立出聲

光說不練假把式，我們來看看它的“絕活兒”。

• 音色克隆（零樣本）：這個功能簡直是殺手锏。你只需要喂給它一段 3秒 的人聲音頻，它就能“克隆”出這個音色，并用它來演唱一首全新的歌曲。想象一下，你可以用自己的聲音“唱”出搖滾、R&B，甚至是你根本唱不上去的海豚音。對于內容創作者來說，這意味著無限的可能。
• 多軌生成（人聲、伴奏分離）：這是專業度的體現。大部分模型生成的是一整個音頻文件，混在一起，后期基本沒法調整。SongGeneration 可以直接輸出獨立的人聲（Vocal）和伴奏（Instrumental）軌道。這意味著什么？你可以單獨為人聲做效果，或者拿掉人聲，直接用這個高質量伴奏進行二次創作。這已經不是“玩具”，而是實實在在的“生產力工具”了。
• 風格跟隨：上傳一段10秒的參考音頻，它就能領會精神，創作出風格、節奏、配器都高度一致的新曲。無論是國風、賽博朋克還是City Pop，它都能學得有模有樣。

核心技術拆解：不只是煉丹，更是巧思

為什么 SongGeneration 能做到這些？我深挖了一下它的技術論文，發現了一些非常有意思的東西：

1. 超低比特率的“音樂速記”： 傳統的AI在處理音頻時，就像在讀一本超厚的字典，又慢又累。SongGeneration 首創了一個極低比特率（0.35kbps）的編解碼器。這好比是發明了一套“音樂速記法”，把復雜的音樂信息高度濃縮成最精華的符號。這樣一來，大模型處理起來就輕松多了，速度和效率自然飆升。
2. “混合”與“雙軌”的協奏： 為了保證人聲和伴奏既和諧又有細節，它用了一種很聰明的策略。先生成一個“混合軌道”的草稿，確定整首歌的骨架和感覺，保證“人歌合一”。然后，再精細打磨獨立的“雙軌”，把人聲的質感和伴奏的細節給拉滿。一粗一細，配合默契。
3. 最懂你的“人類偏好對齊”： 這是最接近“藝術感”的部分。騰訊不僅用海量數據喂它，還教會了它“審美”。通過引入音樂性、歌詞對齊、提示詞一致性這三個維度的偏好數據進行微調，讓模型生成的結果不再是冰冷的算法堆砌，而是更符合人類聽感的“好音樂”。評測里提到，它的歌詞準確度甚至超過了Suno v4.5，這就是偏好對齊的功勞。

開源，才是真正的“核武器”

聊了這么多技術，但我覺得 SongGeneration 最具顛覆性的一點，是它選擇了 開源。

在 Suno、Udio 等閉源商業模型筑起高墻的今天，騰訊選擇把自己的核心技術、模型權重、代碼全部開放，這無疑是在向全球的開發者和創作者發出邀請：“來，一起玩，把它變得更強！”

這意味著：

• 開發者可以基于它定制自己的音樂應用。
• 獨立音樂人可以用它在本地無限生成靈感，而不用擔心高昂的訂閱費。
• 內容平臺可以將其集成到自己的生態里，為用戶提供AIGC配樂功能，還不用擔心版權扯皮。

我的看法： SongGeneration 的出現，就像是 AI 音樂圈的“安卓時刻”。它或許不是第一個做到“能聽”的，但它通過開源，給了所有人一個機會，去構建一個百花齊放的生態。它的目標，可能不只是做一個“Suno殺手”，而是想成為未來無數AI音樂應用的“地基”。

總而言之，騰訊 AI Lab 的 SongGeneration 不僅是一款在技術上能與頂尖選手掰手腕的優秀模型，更用開放的姿態，為整個AI音樂創作領域注入了新的活力。

音樂創作的“大航海時代”，可能才剛剛拉開序幕。

本文轉載自??????墨風如雪小站??????，作者：墨風如雪