一个音乐制作人的七年豪赌：做AI写歌，也想抢救中国民乐

一个音乐制作人的七年豪赌：做AI写歌，也想抢救中国民乐图1

深度对话歌歌AI创始人。

作者 | 毕伟豪

编辑 | 漠影

“你要么脑子坏了，要么是骗子”。

智东西7月10日报道，这是2019年，龙勇写完关于AI音乐的商业计划书，存进微信收藏夹，拿着它去找投资人时收到的答复。

当时，ChatGPT还没有横空出世，一个音乐制作人跑来说要用AI写歌，听起来确实像是疯了。

可龙勇没放弃这个想法，他找了一些志同道合的人一起钻研可行性，在ChatGPT公开亮相前三个月注册了公司，四年后，这群人自研的音乐大模型上线，公司与字节跳动达成合作、AI音乐生成应用做到了百万用户级。

杭州音律闪动人工智能科技有限公司，CEO龙勇，一个跨界做AI的彝族资深音乐制作人，参与过《中国有嘻哈》《中国好声音》的制作。

前几天，龙勇接受了智东西的采访，我们从音律闪动的创立，说到歌歌AI、谈及AI与传统民乐、聊AI音乐的现状与未来。他说：AI音乐时代，那些混日子的音乐裁缝就该消失；他说：做民乐大模型，是为了保存那些正在消失的传统民间音乐。

他说：音律闪动的愿景，是让“人人都是音乐家”。除了采访，我们还亲手体验了一下歌歌AI写歌软件，用它写了几首歌曲，当了一次龙勇口中的“音乐家”。

01.

曾经被骂“骗子”的人

自研音乐大模型

搞出百万用户应用

思考AI音乐生成这条路，龙勇比很多人要早得多。龙勇那一代音乐人是靠Pro Tools、Logic这些软件做歌的，用他自己的话说：“上一代用硬件，乐队一起进棚，一个音错了全部重来。我们这代靠电脑，一个人用鼠标就能完成。”他一直在琢磨下一代是靠什么。

AI音乐真正爆火走进大众视野，行业呈现井喷的时候，是2024年，而龙勇在2019年就把歌歌AI的今天都写进了商业计划书。当时他拿着BP找投资人聊天，得到的反馈都是“天方夜谭，不可能，不是脑子坏了就是骗子。”

但彼时的龙勇，已然看到了未来的某个可能性，初音未来、雅马哈自动伴奏这些都给了他很大的启发，他坚信人工智能会是下一代音乐制作的创作形式。

2022年8月，音律闪动成立，四年后，全栈自研的十亿级端到端AI音乐生成大模型，歌歌AI音乐大模型上线，从零开始完整预训练，没有任何套壳开源模型或二次微调行为，是国内深度贴合国人音乐审美的专业级AI音乐创作引擎。

不止模型，龙勇和他的团队，将歌歌AI写歌这款软件也做到了百万用户、十几万付费会员的程度，七年前那个藏在微信里的愿景，如今变成了现实。

智东西也成了这百万用户中的一份子，打开歌歌AI写歌APP，一个非常简洁的页面映入眼帘，操作也不复杂，只需要在与歌歌AI的对话框里输入需求就好了。如果没有明确想法，那就像智东西一样输入提示词“我想创作一首流行歌曲。”

歌歌AI会推荐不同的风格路线、帮忙设计歌词，我们在这里选择了emo曲风，并将主题设定为“人生迷茫”，很快，歌歌AI就生成了两首歌，我们选了一首比较喜欢的进行展示。

这首歌前奏抓耳，整体是非常经典的华语流行风格，主副歌衔接丝滑，副歌旋律很有感染力，甚至最后还设计了Bridge部分，整体听感很好。

这样的音乐生成效果背后，是一个小而精的团队，公司CEO龙勇，在音乐行业深耕20年，是业内资深的音乐制作人、音乐版权与商业化专家，操盘版权作品全网播放超300亿，曾联合主办《中国有嘻哈》全国巡演，拥有头部平台、综艺、艺人及演出全产业链资源。

研发团队由两位业内精英牵头，CTO王枢沛，曾是网易天音发起人以及初代产品负责人，从零操盘网易天音全生命周期研发与商业化，深耕AI音频、数字音乐制作、商用音乐生态多年。

首席科学家邓俊琪，香港大学计算机工程博士，曾任天谱乐AI音乐大模型算法负责人、虾米音乐探乐实验室算法负责人，在ISMIR、ICASSP、ACM TOMM等国际顶级会议及期刊发表多篇论文，并长期担任国际学术会议及期刊审稿人。

一个资深音乐制作人、两个在音乐行业沉浸多年的工程师，把当年很多人觉得不可能的事情，变成了现实，团队虽然很小，但就像龙勇在采访时说的，技术核心就那几个人，领头的一两个厉害最关键。

02.

实测写歌

硬核说唱、华语流行

国风歌曲样样精通

前面第一首歌的效果，其实已经有些超出我们的预期。但问题在于，如果不断提高难度，歌歌AI还能不能保持同样的水准。

歌歌AI音乐大模型号称可以彻底摆脱传统AI人声的机械感、精准拿捏多种细腻情绪，并拥有超强的专业级歌曲制作能力。

带着这样的预期，智东西连续设计了多组测试，从绕口令歌词结合说唱、情绪起伏极大的情歌，到中国风歌曲，对歌歌AI音乐大模型进行了全面体验，值得一提的是，每次生成时，歌歌AI都会同时输出两首歌曲，本文展示的是智东西试听后选择的一首。

首先我们对人声和咬字进行了测试，而且难度非常极限，选择了硬核说唱加绕口令的方式来给歌歌AI上压力，输入提示词：

请创作一首硬核说唱歌曲，融合绕口令元素，保证旋律自然流畅，同时要求Verse和Hook部分都能保持中文咬字清晰，不能为了绕口令而牺牲音乐性。

很快，歌歌AI创作出了歌曲，出乎意料的是，歌曲采用了男Verse女Hook的形式，歌词上结合了绕口令，Flow编排非常丝滑，有点像早期周杰伦的说唱风格，女声的Hook部分很有力量感，整首歌节奏明快，人声的拟真性很好，咬字也很清晰。

接下来，我们重点测试了歌歌AI在情绪处理上的能力，要求它创作一首情绪起伏非常大的华语流行歌曲，输入提示词：

创作一首关于分手后重逢的华语流行情歌。主歌采用低声倾诉的方式，情绪克制，像是在讲述故事；副歌则彻底释放压抑已久的情绪，旋律要有明显张力，能够表达遗憾、思念和不甘；桥段（Bridge）加入短暂的平静与释怀，最后回到副歌完成情绪高潮。整体要具有专业流行音乐制作水准，歌词真实细腻，避免网络口水歌风格。

很快，我们得到了两首非常好听的歌曲，其中一首《重逢的咖啡香》我非常喜欢，特别是其中的一句歌词：“为什么重逢比分手更痛，为什么微笑比眼泪更重。”情绪和节奏上，从主歌的淡淡叙事感，进入导歌的部分，情绪逐渐递进，到副歌彻底爆发，整体情绪衔接很流流畅，而且歌曲在旋律上非常抓耳。

人声和情绪两个部分测试过后，智东西选择了一个难度非常大并且市场热度爆棚的角度：中国风歌曲。我们要求歌歌AI创作一首中国风歌曲，并且给定了主题“昭君出塞”，并添加戏腔，输入提示词：

请创作一首中国风歌曲《昭君出塞》。要求兼顾现代流行审美与传统民族音乐特色，歌词引用边塞、明月、雁阵、胡笳等具有代表性的中国古典意象，但避免空泛堆砌。歌曲需要体现从离乡时的不舍、途中面对命运的坚定，到最终胸怀家国的大气情绪变化，并在高潮部分自然加入一段戏腔，与流行唱法无缝衔接，不出现突兀的风格割裂。整体旋律具有较强传唱性，民族乐器与现代编曲融合自然，能够体现中国风歌曲应有的文化韵味和情绪张力。

歌歌AI很快创作出了歌曲，歌词中采用了大漠孤烟、明月、黄沙等意象，歌曲结合了古筝、箫、马头琴等民族乐器以及现代打击乐和弦乐，歌曲非常大气，旋律动听，人声拟真性表现优异，美中不足的是在戏腔部分的专业性稍弱，但整体上来说，作为中国风歌曲，歌歌AI的创作水平已经相当不错了。

体验下来，歌歌AI音乐大模型在中文音乐上的完成度已经超出了我们的预期。无论是说唱场景下的中文咬字、情歌中的情绪递进，还是中国风作品对旋律和民族元素的融合，都展现出了较高的成熟度。

当然，像戏腔这样的专业唱法还有进一步提升空间，但从普通用户创作和大多数商业应用场景来看，它已经能够交出一份令人满意的答卷。

此外，歌歌AI写歌的网页端还支持分轨导出，可以在专业音频软件中进行更加精细化的操作，对于音乐人来说非常便于歌曲的创作。

03.

从零开始训练模型

CEO亲自做数据清洗

支撑前面这些案例的，是歌歌AI音乐大模型，而能把国风歌曲做得如此悦耳，靠的是这个模型的全链路华语训练。

歌歌AI音乐大模型走的是DiT（Diffusion Transformer）路线，端到端扩散生成。整体训练分为三个阶段：第一阶段，训练音频压缩与重建的基础感知模型（VAE）；第二阶段，以全授权华语曲库为基础，从零预训练十亿级参数扩散主干；第三阶段，以华语听众实际审美偏好为标准，做音乐领域的DPO偏好对齐，让模型的生成偏好向真实国内用户审美收敛。

最终训练出来的，是一个符合国人审美的十亿级别的大模型。采访中我们问过龙勇，现在市面上主流LLM动辄千亿万亿参数，歌歌AI音乐大模型这个相对“小”的模型，到底为什么能有这样的效果。龙勇的回答是：数据。

龙勇对此解释说：“大多数通用模型基于英语语料体系预训练，华语的声调规律、音节边界、字音对齐逻辑跟英语有根本性差异。在这套基础上做本土化，就像在错误的地图上导航，越优化，偏差越固化。”

在解释效果好的原因时，龙勇直言自己也会亲自去选训练数据，因为要选经典的歌曲，还要在这些歌曲众多良莠不齐的版本里挑选优质的那一版，整个清洗数据的过程是非常庞大且复杂的。

除了质量，性价比也是歌歌AI写歌的优势之一，模型层面，模型采用非自回归并行生成架构，单张H系GPU约10秒即可完成一首3分钟完整歌曲，实时率（RTF）约0.05，单首歌曲推理成本控制在极低量级，具备规模化商业部署的经济性基础。

同时，龙勇也在采访中提到正在建设的西北算力中心，他坦言电费补贴后才3毛一度，成本自然就下去了。

04.

做民乐大模型

复原失传两千年的《乐经》

采访中最吸引我的，是龙勇谈为什么要做民乐大模型时所说的话，他在采访中说：“我自己就是少数民族，现在很多少数民族的民歌民调没有乐谱，全靠口口相传。老艺人走了，就消失了，做民乐大模型非常像抢救。”

除了传统文化的逐渐消失，还有另一个现实原因。

当前AI生成的所谓“古风音乐”，古筝听起来像电子琴，唢呐没有穿透力，戏曲唱腔生硬得像念稿子。原因很简单，训练数据是电子合成音，模型没听过真正原汁原味的原生民乐，在前面智东西实测的案例中，中国风歌曲的戏腔部分也出现了“不太戏腔”的情况。

针对这些情况，歌歌AI启动了中国民乐专属AI模型研发中长期规划，聚焦古筝、二胡、竹笛、琵琶、唢呐、戏曲唱腔等中国传统民族音乐，力图打造国内最懂中国民乐的AI音乐模型。

歌歌AI的项目团队已开启全国多地线下实地采风行动，将会深入非遗民俗村落、地方戏曲院团、民间民乐演奏工作室，现场实录原生乐器实录音源、原生态民间小调以及地方戏曲唱腔，完成一手正版民乐素材采集、整理与版权归档，所有采风音源将作为独家训练数据，专项用于民乐大模型迭代优化。

当智东西问到为什么要做一个单独的民乐大模型时，龙勇坦言是为了保存传统文化。未来的歌歌AI将会做两个模型，一个是纯正的中国传统民乐模型，百年千年以后依然是纯正的味道，作用是保存和传承。

龙勇在采访中提到，音乐没有国界，但数据有壁垒，就算国外的技术再发达，也无法获取我们中华民族独有的传统文化数据，这将会是未来中国AI音乐的一大优势。

第二个则是混合模型，将传统民乐和全球音乐风格进行融合，马头琴配上Reggae、长调搭上Trap，主打商业导向，进军全球市场。

除了民乐大模型，龙勇还有一个愿景，他想复原散佚已久的《乐经》，让那些词牌名的曲调可以重新现世，前不久他与高晓松聊了很久，二人一致认为在技术上是可行的，AI可以复原这些失传的瑰宝。

05.

与字节合作

但商业版图不会止步于此

做民乐大模型不只是因为情怀，龙勇判断这个计划未来会是一套完整的商业闭环逻辑。

首先是基础设施，青海、新疆的算力中心落地正在推进，整体体量约60亿人民币，将会通过与当地政府的合作，进一步推动所在地经济发展。同时，补贴后价格相对便宜的电力，也让歌歌AI的成本进一步下降。

版权处理上，龙勇的态度很明确：采风授权付费，一段会给到声音提供者五百到几千元不等的价格，并且他们的声音被使用也会有版权的分成，但这些数据归属不会私有化，“这些数据不是公司的私有财产，是中华民族共同的财富。”他说。

数据会留在当地，不做物理转移。与此同时，团队会帮当地在上海数据交易所做数据资产评定，将数据资产打包、证券化，数据产权属于当地，通过授权方式进行数据资产运营。

当地少数民族创作者用本地模型写歌，全球发行，版税反哺。“这个地方虽然只有几百万人口，可一旦释放了他们的创造力，配上全球发行的渠道，会诞生一个全新的职业——AI音乐人。”龙勇在采访中预测。

除了未来的计划，当下的商业层面，歌歌AI已经跑通了从创作到发行的完整链路。

歌歌AI与字节跳动签订了非独家版权分成合作，AI原创曲库会全量入驻抖音、剪映、汽水音乐、番茄畅听、番茄音乐、西瓜视频、今日头条等字节系产品矩阵。

创作者可以一键发行歌曲，后台会自动生成版权证书，实时显示播放量和版税收入，精确到每一笔，目前抖音、快手两大短视频平台都可以全自动发行歌曲并结算版税收入。

目前平台有上百万创作者，付费用户达到了十几万的级别，C端收入不菲，同时，创作者基于歌歌AI获得的版税收入也相当丰厚，比如龙勇在采访中提到有的创作者一天最高可以拿到几千块的版税，武汉一家企业一年可以获得几百万的版税收入。

截至目前，歌歌AI不会抽取创作者版税分成，所有版税收入都会给到创作者，公司的主要收入靠C端会员，龙勇透露，音律闪动下一步计划将API开放给地方文旅和聚合平台，去做B端业务增加营收。

06.

结语：让人人都成为音乐家

龙勇形容AI对传统音乐市场的冲击时，用了一个我们整场采访都忘不掉的比喻：“相当于一个老太太突然间拿到一把枪。”

这把枪打的不是音乐人，是“音乐裁缝”，是那些传统模式下为了赚钱，看什么火就抄什么的混子。

“产生大量同质化的垃圾，对市场不好，”龙勇说，“这个时代用AI写歌，一开始不会考虑赚钱，我可以随心所欲用任何风格去写，这推动了音乐的多样性，而那些音乐裁缝就该被淘汰，人应该去做有创造性的事情。”

他自己就是上一次技术革命的“被质疑者”。当年用电脑做MIDI，老前辈说：“你们这帮小朋友只会拿鼠标点，应该用乐队录才对。”现在AI来了，历史重演，他的回应一模一样：“听众只关心歌好不好听，不关心歌是怎么做出来的。”

但杭州音律闪动要做的，不只是让AI写出好听的歌，龙勇在采访结尾时说了一句话，要“让人人都能成为音乐家。”

听起来很像口号，但他们的愿景，是让普通人有用音乐表达情绪的能力、让专业音乐人有更趁手的制作工具、让民乐传承人有保存和传承的新方式，或许这就是对音律闪动以及它的产品，最好的总结了。