「打碎认知」。
过去这一年，要给中国 AI 音乐赛道找一个关键词，大概就剩这四个字。因为它的发展速度太快了，快到认知尚未成形，故事已翻到下一页。
抖音歌手「大头针」靠 “氛围感烟嗓” 翻唱情歌圈下 124 万关注，但少有人知道，它从音色到演唱全部由 AI 生成，是酷狗一手打造的虚拟歌手。
同类的「卷笔刀阿卷」仅凭 AI 内容吸粉超 120 万，评论区里，"究竟是不是真人"的争论至今未歇。
爆款也不再是偶然，《七天爱人》《美猴亡》《远山少年》动辄百万播放、最高破千万；一位博主每日以《西游记》角色口吻写一首，26 首合辑在 B 站累计播放超 6000 万，被网友封为 「3A 大作」。
就连模型厂商自己的认知，也一并被打碎。他们曾笃信，这场 AI 音乐竞赛的胜负在于 「谁的生成质量更高”；可这一年反复印证一首 AI 歌能否被听见，往往不只取决于模型本身，还取决于模型之外的分发、场景与人设运营。
AI 歌手、AI 爆款、AI 音乐产业，这些原以为会循序登场的故事线，在一年之内同时涌现。
近期，杭州音律闪动人工智能科技有限公司带着 3 个动作进入了这个「刺激战场」：发布自研歌歌 AI 音乐大模型、与字节跳动达成版权合作、启动歌歌 AI 民乐大模型研发。这三个动作合起来，正在尝试回答：AI音乐的「中国标准」，到底该由谁来定义？
“听起来像中国人写的歌”，有多难？
「唢呐不是嘴吹，是心在吹」
这是百鸟朝凤电影中，焦三爷的一句感叹，年轻人进城、洋管乐队取代唢呐班、焦三爷死了、规矩散了。它是一首挽歌。电影到后来，台词越来越少，话说不清的地方，唢呐替人言说，语言退场，音乐最终接管了叙事。
近一百年后，轮到 AI 想从中国人手里接管音乐，AI 也遇到了难处 —— 如何“用心”生成出「听起来像中国人写的歌」？
上面这首音乐作品，来自歌歌 AI 音乐大模型，其背后的技术路径是从 0 训练的一套面向华语的端到端模型。十亿级参数，不借用英语或欧美音乐语料作预训练底座，训练数据与优化目标，全部围绕华语音乐体系搭建。
这一决定，略显宏大，但符合 2026 年 AI 音乐行业的竞争焦点。
这个选择和团队的来时路有关。创始人龙勇 2019 年进入 AI 音乐赛道，那时 Suno 尚未成立，音乐生成在 AI 行业里还是边缘方向。AI 音乐的积累周期偏长，授权曲库要逐首谈，中文语料的标注体系要从头搭建，入场早的团队在这些环节上有时间优势。
据悉，其核心合伙人来自网易、阿里的音乐业务线，熟悉版权采买、平台结算和内容入库的流程。与字节跳动的版权分成合作，多少与这层产业背景有关。
但团队自身的储备是一回事，行业走到了哪一步是另一回事。
Suno 在其 Series C 融资路演 deck 中，展示其用户日均生成超 700 万首歌。「AI 能不能生成一首歌」这个问题，在过去一年已经有了确定的答案。现在的竞争重心，已经转移到了生成作品的质感和专业水准上。
模型之间比较的，是人声是否自然，情绪是否到位。这对以中文歌曲为主要需求的中国市场来说，构成了一个很现实的挑战。
全球主流的 AI 音乐大模型，包括 Suno 和 Udio 在内，几乎都主要基于英语语料完成了预训练。但切换到中文场景，问题就暴露出来了，而这并不只是一个通过调参就能修复的技术缺陷。
华语的声调规律和字音对齐逻辑跟英语存在差异，在一套以英语语料为基础的架构上做中文微调，底层的偏差很难通过表层优化来修正。优化得越深入，被固化的错误可能反而越多。
与此同时，需求侧的缺口在快速放大。据中国音乐产业报告，2025 年中国音乐产业总规模已经超过 5100 亿元，其中数字音乐产业规模达到 1150 亿元，同比增长 12%。短视频配乐和游戏音效的需求在快速增长，每一个应用场景都在产生大量对低成本、可定制音乐内容的需求。
市场对适配中文语境的 AI 音乐有巨大需求，但底层模型的供给能力一直难以跟上。
歌歌 AI 的训练分三步，略显“沉重”——先做音频压缩与重建，建立基础声学表征；再用全授权华语曲库做扩散模型预训练，学习完整音乐结构；最后用人类偏好对齐，让输出靠近真实华语听众的审美。
在主流 AI 音乐生成中，一个典型问题是人声与伴奏的边界不清。歌歌 AI 音乐大模型采用双流生成结构——人声与伴奏分开建模，再通过对齐机制把两者匹配在一起。
这样可以减少一个常见问题，也就是人声和伴奏在生成时互相“糊在一起”，听感变得不清晰。在中文音乐里，它还会加入发音对齐的约束，让歌词的发音位置和旋律更一致，从而降低吐字错位的问题。
这些机制落实到一首歌里，效果大致如下：
整体来说，人声比较细腻，咬字和情绪都比较到位。
速度则是另一处关键维度，连Suno CEO Mikey Shulman自己都意外的发现，Suno 内部追踪用户对生成歌曲的点赞率，有一次因为一个 bug，生成延迟从 10 秒上升到 13 秒，用户对歌曲的喜好率明显下降，尽管歌曲本身的质量没有任何变化。仅仅 3 秒的延迟差异，就足以改变人对一首歌的感受。
在应用端上，同样如此，有一位独立开发者在Medium的技术博客 Level Up Coding 上记录了自己的经历：他花了一整年测试市面上几乎所有的 AI 音乐库，包括 MusicGen、AudioCraft、Stable Audio、Suno API ，想为自己的短视频和游戏项目搭建一条批量配乐的工作流。
图片来源：Medium
他的结论是，这些工具「都有一个根本性的问题：速度」。因为速度，他无法为自己的 vlog、TikTok、播客迭代配乐。
正是针对这类痛点，歌歌AI选择的是非自回归的并行生成，在单张 H 系列 GPU 上约 10 秒就能出一首 3 分钟的歌。这一数字尚未经第三方实测验证，但即便打些折扣，与主流系统的差距仍然可观。
但一个 AI 音乐大模型的真实水准，最终要靠用户的耳朵来检验。
歌歌 AI 音乐大模型在技术路径上做了一个有别于行业主流的选择，跳过通用模型的本土化微调路线，直接从头搭建一套华语原生的训练体系。这个选择能否成立，需要更长的时间和更多的用户反馈来验证。但从解题思路上看，它至少提出了一个不同的方向。
AI 音乐做出来了，然后呢
「莫扎特生前作品传遍欧洲，死后却葬于维也纳的贫民公墓。」
变现，是从古至今困住音乐创作者的一道难题。AI模型能写歌之后，这个问题变得更紧迫——毕竟没人想"只在生前获得作品光环"。
歌歌 AI 的路径从一开始就指向商业化结构本身。
据官方信息，歌歌 AI 已与字节跳动签署非独家音乐版权分成合作协议，全量 AI 原创曲库将接入抖音、剪映、汽水音乐、番茄畅听和西瓜视频等产品矩阵。抖音与剪映创作者可以直接调用这些 AI 生成音乐作为视频与直播配乐。
事实上，文章开头提到的「卷笔刀阿卷」，用的正是歌歌 AI 的工具。一个百万粉账号跑通了从生成到运营的路径。
一个独立创作者，借助第三方工具做出百万粉账号，说明「工具—创作者—平台」这条链路已经跑通，普通人拿到模型能力后，也能做出规模化的内容结果。
这也印证了歌歌 AI 的站位：给创作者供工具，靠规模化的内容供给分成。
在收益结构上，歌曲在汽水音乐会员付费、数字专辑售卖等渠道产生收入后，将按照协议进行分成结算。后续模型持续生成的非独家版权内容，也会自动进入授权曲库，进入平台音乐供给体系。从生成到分发再到变现的链路，在结构上已经被打通。
这一结构的成立，与中国内容分发环境直接相关。在中国，短视频与直播构成高频分发网络，短剧与游戏持续制造可商用音乐需求。音乐消费方式也已变化，超过八成用户通过短视频发现新歌，而非主动搜索。
唱片店时代人找歌，流媒体时代人选歌，短视频时代歌找人。
在这一体系中，用户并不敏感于「是否 AI 生成」，而更关注内容是否适配传播场景。AI 音乐因此具备更低试错成本与更快迭代能力，可以围绕热点快速生成内容。
对比之下，海外路径仍更偏向订阅与版权博弈的结构。Suno 依靠 C 端订阅实现约 3 亿美元年收入，据融资材料披露，其企业客户超过 5000 家，包括 Microsoft Copilot 与 Meta 等，但增长仍受订阅转化约束。
同时，版权压力尚未完全释放。2024 年 6 月，环球音乐与华纳音乐集团对 Suno 与 Udio 提起侵权诉讼；后续虽有部分和解或授权合作，但索尼音乐仍未签署相关协议，案件预计在 2026 年进入关键阶段。
上世纪唱片工业的扩张依赖发行网络的铺设能力，今天这个逻辑仍在，但被平台重新改写，于是出现了这样的结构：「录音棚里堆满母带，但没有厂牌替它们上架」。
这正是多数 AI 音乐产品尚未跨越的环节。
这一结构下，歌歌 AI 更接近一种分发侧的接入型产品。它将 AI 生成音乐直接接入字节系内容生态，并与现有版权结算体系打通，使生成内容能够以较低成本进入抖音、剪映、汽水音乐等使用场景。
歌歌AI的关注点集中在内容进入平台流通环节的方式，其角色在商业上其实更接近分发链路的补位。
但流行音乐已经比较成熟，AI能带来的增量空间在变小。相比之下，歌歌AI也将目光投向了民乐——这个尚未被真正数字化、标准化的领域。
谁来教 AI 听懂唢呐和二胡？
歌歌AI选择做民乐，不是因为这里门槛低，恰恰是因为门槛极高。
民乐是AI音乐最难攻克的方向之一，不是因为技术滞后，AI作曲早已能日产百万首——而是因为传统音乐的"方言系统"和流行音乐的"通用语言"根本不同。
中国民乐的难处，大致分为两层。
一是技法。二胡的揉弦滑音、唢呐的气口与爆发力、琵琶轮指的颗粒感，以及秦腔、昆曲的唱腔韵味，这些真正构成风格的部分依赖连续音高与演奏细节，很难被标准乐谱精确表达。
二是数据。现有语料中原生态民乐录音极为稀缺。卡内基梅隆 AMT-Lab 曾在 2025 年的研究中专门拿中国箜篌当例子：箜篌学习者与钢琴之比约1:3000，琵琶学习人数是箜篌的7.8倍，原生态录音档案极少。
更紧迫的是，许多非遗传承人年龄偏大，原始演奏正在消失，活跃在乡间戏台、村寨和老艺人身上的声音无法重新制造。
歌歌AI团队选择了一条更重的路：采风。据公开信息，采风团队已奔赴各地，计划用半年到一年完成全国采风：去陕西录秦腔，去江南录评弹与琵琶，深入云南村寨录葫芦丝，到陕北高原录唢呐。重点对象是坚守传统的非遗传承人和民间老艺人，现场实录原生乐器与传唱数百年的民间小调。
按其说法，所有音源完成正版版权归档后，将作为训练数据用于民乐AI模型的迭代。从这个意义上说，采风的价值已经超越商业本身——如果今天没人记录，未来AI就无从学习。
据腾讯音乐披露，其 AI 作曲已与浪琴、费列罗等品牌合作，累计生成定制作品超 200 万首；《2025 B 站音乐生态报告》显示，62% 的音乐 UP 主用过 AI 工具。从短视频配乐到广告、游戏音效，AI 正快速扩展音乐生产的边界。
但通用模型的边界也很明显：它能迅速生成一首合格的流行歌，却很难真正理解一个民族延续数百年的音乐传统。无论中国民乐、印度古典还是阿拉伯音乐，只要进入强地域文化，结果往往出现不同程度的「失真」。
AI 音乐最大的增量，未必来自已高度成熟的流行音乐，恰恰可能来自这些尚未被真正数字化、标准化的传统音乐。
对于这块的商业场景，歌歌 AI 展现了野心：其团队正建设覆盖上百种传统乐器和数十种地方戏曲唱腔的声音库，再逐步开放民乐创作能力。
至于 AI 究竟能在多大程度上接住一种延续数百年的传统，答案要等这批音源真正进入模型之后才会揭晓。
结语
AI 音乐这条赛道的故事，还处在非常早期的阶段。
多个研究机构的预测显示，全球 AI 音乐市场在 2025 年大致处于 40 亿美元量级，并可能在 2030 年扩展至百亿美元以上空间。
增长空间足够大，但真正能持续做大的公司，还需要同时解决模型能力和商业闭环两个层面的问题。
歌歌 AI 团队同时落地的这三个动作，在技术自研和商业接入两个层面都给出了明确的回应，同时也在文化方向上开启了探索。
但是，在这个大家都在快速抢位的赛道上，跑得快固然重要，落后者会伤、会残、会死，会被彻底淘汰出去。
就像 《百鸟朝凤》里那一声「唢呐一响，天地皆宽」，热闹过后，终究要有人决定它吹向哪里。
